Big Data и Machine Learning против мошенничеств в сфере страхования: 7 реальных кейсов

Big Data, Большие данные, предиктивная аналитика, цифровизация, цифровая трансформация, машинное обучение, Machine Learning, страхование

Продолжая разговор о том, как технологии Big Data и Machine Learning борются с нелегитимным оборотом денег, сегодня мы рассмотрим сферу страхования. Читайте в нашей статье, как графовая аналитика больших данных и алгоритмы машинного обучения помогают страховым компаниям и сотрудникам полиции раскрывать мошеннические схемы и предупреждать правонарушения.

Страшно аж жуть: рынок страховых мошенничеств

За первые 6 месяцев 2019 года только в России возбуждено 1,5 тысячи уголовных дел по заявлениям о мошенничестве от страховых компаний, что на 3,5% больше, чем в прошлом году. Впрочем, это составляет примерно пятую часть от общего числа мошеннических случаев — страховщики заявили о 6,5 тысячах инцидентов. Лишь во 2-м квартале 2019 года ущерб от действий мошенников оценивается в 3,5 миллиарда рублей. На долю автострахования приходится 90% случаев, затем идут мошенничества в агропромышленной сфере, а замыкают антирейтинг махинации с имуществом и объектами строительства [1]. Напомним, согласно статье 159.5 УК РФ, мошенничество в сфере страхования – это хищение чужого имущества путем обмана относительно наступления страхового случая или возмещения, подлежащего выплате страхователю или иному лицу [2].

Некоторые махинации удается предупредить с помощью антифрод-систем, которые способны автоматически настраиваться за счет модулей машинного обучения, сокращая количество ложных срабатываний и ложных отрицательных результатов по confusion matrix. Тем не менее, антифрод-системы способны отловить далеко не все мошеннические инциденты [3]. Впрочем, обнаружение таких случаев даже на стадии уголовного расследования – это лишь верхушка преступного айсберга. По оценкам российских страховщиков, около 10% страховых выплат являются нелегитимными [4]. Аналогичные показатели отмечаются и за рубежом: например, американским страховым компаниям различные виды страхового мошенничества обходятся более чем в 80 миллиардов долларов [3].

Страхование, мошенничества
Инфографика страховых мошенничеств за 2017 год

Большие данные и машинное обучение против страховых мошенников

Сегодня страховщики осознают возможности современных информационных технологий в раскрытии и предупреждении подобных преступлений, увеличивая бюджеты на внедрение Big Data систем предиктивной и графовой аналитики с помощью алгоритмов Machine Learning. При этом наиболее востребованными являются следующие технологии [3]:

  • предиктивное моделирование;
  • анализ взаимодействия юридических и физических лиц, включая анализ социальных сетей;
  • глубинный анализ текста;
  • обнаружение аномалий.

В частности, вышеперечисленные методы науки о данных (Data Science) могут выявить помочь страховым компаниям и сотрудникам полиции в расследовании следующих мошеннических инцидентов [4]:

  • недобросовестное поведение страховых агентов, например, умышленное преувеличение реального ущерба для повышения суммы страховых выплат за процент от полученной компенсации. Аналогично в случае сговора сотрудника страховой, работников СТО и клиента, когда завышается стоимость ремонтных работ и запчастей, требующих замены. Разница между реальными затратами и выплаченной страховой компенсацией делится между тремя заинтересованными сторонами.
  • мошенничество клиентов, например, инсценировка ДТП или кражи автомобиля, страхование жизни, здоровья или имущества у разных страховщиков с целью получить компенсацию за один инцидент несколько раз.

Обычно фигурантам таких дел предъявляют обвинения по 3-м статьям Уголовного кодекса РФ: «мошенничество в сфере страхования», «фальсификация доказательств и результатов оперативно-розыскной деятельности» и «дача заведомо ложного заключения эксперта» [5]. С математической точки зрения подобные случаи преступного сговора нескольких лиц могут быть представлены как граф, в котором узлы – это люди, а ребра – взаимоотношения между ними. Поэтому графовая аналитика больших данных, включая информацию из социальных сетей о характере и частоте коммуникаций между злоумышленниками – отличный инструмент выявления таких нелегитимных схем. Как это работает на примере расследования других правонарушений, мы рассказывали здесь.

Также перечислим еще несколько практических рекомендаций по предупреждению случаев мошенничества в сфере страхования с помощью Big Data и Machine Learning [6]:

  • проверка подлинности заявки – выявление одних и тех же данных в разных заявках, обнаружение необычных или подозрительных связей между заявителями, устройствами, полисами и данными заявки, анализ исторических данных о страхователе и объекте страхования;
  • предотвращение мошенничества в момент подачи заявки, например, выявление связей между предыдущими подозрительными заявлениями и новыми заявками через людей, адреса, номера телефонов, VIN автомобилей, а также IP-адреса, устройства, банковские счета, ремонтные мастерские и медицинские провайдеры.
  • обнаружение агентов-злоумышленников, в частности, автоматический анализ паттернов их поведения и сопоставление со сценариями, которые в прошлом привели к случаям мошенничества. Кластеризация агентов с аналогичными атрибутами по стажу, специализации, региону и т.д. Методы выявления аномалий для вычисления агентов, которые работают иначе, чем остальные, или демонстрируют радикальный характер изменения в привычном поведении, что может указывать на обман. Анализ социальных сетей выявляет связи и вероятность преступного сговора агентов с недобросовестными клиентами.

Еще 4 кейса о пользе Data Science для страховщиков и их добросовестных клиентов

Впрочем, средства Data Science актуальны не только для расследования уже обнаруженных случаев страховых мошенничеств, но и в следующих ситуациях [7]:

  • урегулирование претензий – чтобы сократить время выплату возмещения по заявке, страховщики применяют сокращенную процедуру. Но это чревато увеличением издержек в случае переплаты. Все страховщики, которые сталкивались со шквалом требований о выплате возмещения по факту разрушения жилища в пострадавших от стихийных бедствий районах, отлично знают, о чем речь. Анализируя содержание и историю заявок, можно оптимизировать предельную сумму мгновенной выплаты. Аналитика также позволяет сократить время рассмотрения заявки, благодаря чему повышается уровень удовлетворенности клиентов и сокращаются трудозатраты. При этом возможна значительная экономия, например, если речь идет о заявках на выплату возмещения по факту ремонта арендованного автомобиля.
  • резервирование средств на покрытие убытков – обычно при подаче заявки на выплату страхового возмещения невозможно однозначно предсказать объем выплат и их продолжительность. Но точное прогнозирование резервов на покрытие убытков и заявок на выплату возмещения критически важно для страховой компании, особенно в долгосрочном периоде, например, ответственность за ущерб и компенсации работникам. Аналитика Big Data и алгоритмы Machine Learning позволяют рассчитать необходимый резерв для покрытия будущих убытков.
  • Оценка и приоритизация заявок, когда возмещение ущерба в ДТП, порче имущества и т.д. вычисляется автоматически с помощью моделей машинного обучения, которые выполняют распознавание поврежденных элементов по фотографии и определяют стоимость их замены или ремонта. Как технологии распознавания образов используются для спасения жизней, читайте здесь.
  • Расчет затрат на исковое производство по спорным заявкам, чтобы спрогнозировать вероятность выигрыша в суде на основании уже существующих прецедентов.

Как обнаружить и предупредить случаи мошенничества в своем бизнесе с помощью аналитики больших данных и Machine Learning, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

Источники

  1. https://www.gazeta.ru/business/2019/11/12/12809180.shtml
  2. https://www.ingos.ru/incident/fraud/
  3. https://www.sas.com/ru_ua/insights/articles/risk-fraud/the-state-of-insurance-fraud-technology.html
  4. https://searchinform.ru/resheniya/biznes-zadachi/preduprezhdenie-moshennichestva/strakhovoe-moshennichestvo/
  5. https://rg.ru/2019/04/17/sledstvennyj-komitet-zakonchil-delo-strahovyh-moshennikov.html
  6. https://www.sas.com/ru_ua/insights/articles/risk-fraud/insurance-application-fraud.html
  7. https://www.sas.com/ru_ua/insights/articles/risk-fraud/big-data-analytics-improves-claims-processing.html