icon

Détection de fraude dans l’assurance automobile

Détecter les fournisseurs frauduleux

Challenge

La plupart des contrats d’assurance comportent une clause de dépannage pour leurs assurés. En cas de panne ou d’accident, les compagnies peuvent proposer plusieurs services tels qu’un taxi, une voiture de location ou un service de remorquage. Ces services sont fournis par des prestataires de services externes et sont relativement coûteux pour les assureurs.

Comme pour tous types de services, il y existe des abus : soit de la part de l’assuré, soit de la part des entreprises externes qui effectuent les prestations pour l’assureur.

La fraude à l’assurance de la part des entreprises de dépannage, des entreprises de location de voitures de remplacement et des taxis s’élève à des centaines de millions d’euros par an.

Ces fraudes peuvent prendre différentes formes : modification du kilométrage, modification de l’itinéraire, modification de la surcharge, etc.

Comment détecter les fraudes en amont et gagner en rentabilité ?

Solution

Trois grandes étapes sont nécessaires avant d’appliquer notre modèle d’IA de détection de fraude :

  • Collecte des données
  • Préparation des données
  • Enrichissement des données.

Ces trois étapes sont appliquées aux trois ensembles de données suivants : Assistance aux taxis, assistance à la location de voiture et assistance au remorquage. À chaque étape, une data visualisation synthétise le résultat intermédiaire.

Les données des différents prestataires de services et des opérateurs de l’assureur sont toutes ingérées dans un Data Lake. Une Data Visualisation intermédiaire permet d’identifier la proportion de données manquantes et erronées. Le véritable défi consiste donc à qualifier toutes ces données afin d’obtenir le meilleur résultat possible.

Les données sont ensuite nettoyées et standardisées pour en assurer la qualité. Des données de mauvaise qualité entraîneraient trop de faux positifs et de bruit en raison de l’utilisation de ces données de mauvaise qualité. Une fois les données préparées, nous les enrichissons pour améliorer les résultats et pour limiter, par exemple, la collusion entre les données des opérateurs et celles des fournisseurs de l’assureur. Les données sont enrichies avec des données externes provenant d’Open Data, des données géocodées… Notre modèle d’enrichissement nous permet d’ajouter plus de 1000 fonctionnalités supplémentaires pour qualifier davantage les données.

Ces données enrichies sont ensuite soumises à notre modèle de détection de fraude. Il s’agit d’un modèle de ML supervisé basé sur des tableaux de bord prospectifs.

Les résultats sont obtenus en temps réel et peuvent être partagés à la direction, à l’équipe réseau, au middle office et à l’équipe leakage.

Après six mois d’utilisation, le modèle a permis à l’assureur d’économiser de l’argent :

Le remorquage : 1 million d’euros // Taxi : 700K€ // Location de voiture : 500K€

Pourquoi Octopeek ?

Les assureurs doivent passer d’une expérimentation Ad Hoc de l’Intelligence Artificielle à une utilisation par tous les collaborateurs pour améliorer l’efficacité opérationnelle et apporter de la valeur ajoutée.

Octopeek démocratise l’Intelligence Artificielle dans l’entreprise : elle permet la création dynamique et le provisionnement d’applications d’Intelligence Artificielle d’entreprise « tout en un », personnalisables par les business analystes.

Cas d'usages

Diminuer le taux d’attrition dans les polices d’assurance habitation

Détecter et éviter l’attrition des clients insatisfaits

En savoir plus

Gestion du risque de crédit bancaire

Amélioration du système d’octroi de crédit chez les jeunes

En savoir plus

Intelligence économique dans le e-commerce

Matching de produit dans le secteur e-commerce

En savoir plus

Connaissance client dans le secteur assurance

Identifier et cibler les clients ayant une deuxième voiture

En savoir plus