Augmentation de 80 % de la détection des réclamations suspectes grâce aux algorithmes de ML

Pour l’un des plus grands assureurs de Pologne, qui crée des solutions innovantes pour le marché, nous avons réalisé un projet dans lequel nous avons appliqué des algorithmes d’apprentissage automatique. Ce projet s’est soldé par un succès considérable et des récompenses prestigieuses pour le client.

Les demandes d’indemnisation surviennent généralement en cas d’accident réel. Malheureusement, il y a aussi des tentatives d’extorsion. Dans une telle situation, vous devez décider, dans un bref délai, si vous devez refuser le paiement. Une analyse doit être effectuée avant de refuser de payer une indemnité en raison d’une suspicion de fraude.

Jusqu’à présent, les décisions étaient prises par des experts, avec l’aide partielle d’algorithmes. Ils effectuaient la première étape à l’aide de règles d’experts ou d’un modèle, mais la dernière étape consistait toujours en une vérification en personne par l’expert. Toutefois, en raison de la faiblesse des algorithmes, les experts devaient examiner de nombreux cas pour lesquels le pourcentage d’escroqueries réelles était faible. La difficulté d’identifier finalement les bons et les mauvais clients a rendu le processus inefficace.

L’équipe du client avait besoin de spécialistes pour élaborer de bons algorithmes. Un algorithme qui ne transmettrait pour un examen plus approfondi que les cas ayant une forte probabilité d’être des escroqueries. En se concentrant uniquement sur ces cas soigneusement sélectionnés, les experts pourraient mieux les cerner et décider de retenir ou de payer les indemnités.

Le projet a impliqué 9 personnes, dont 3 spécialistes de l’équipe du client. Pour créer un modèle solide, nous avons utilisé des algorithmes d’apprentissage automatique basés sur des données historiques et une analyse approfondie des processus.

Le processus de création du modèle d’IA s’est déroulé selon les étapes suivantes :

• Analyse des processus sous la forme d’ateliers sur les produits
• Fourniture de données et analyse de leur qualité/correction
• Construction, livraison et intégration des premiers modèles
• Retour d’information sur les résultats fournis
• Itérations qui permettent des améliorations progressives de la solution : données, modèles, intégrations avec le système existant.

• Les économies réalisées par les clients ont augmenté de 30 % (par rapport aux modèles simples précédents). L’amélioration du taux de détection au cours des premiers mois a été de 60 %.
• Le pourcentage d’extorsion réelle dans le groupe de demandes de retrait suspectées d’être extorquées est supérieur à 80 %.  
• L’indicateur qui détermine l’efficacité de l’investissement (ROI) est inférieur à 2 mois.
• Les modèles prédictifs sont responsables de 30 à 40 % des résultats financiers finaux.