Warto się schylić po 600 mln zł

opublikowano: 27-11-2014, 00:00

Przy zastosowaniu analizy predykcyjnej firmy działające na polskim rynku mogą znacząco ukrócić proceder wyłudzania ubezpieczeń — mówi dr Olivier van Parys, senior manager and management scientist for predictive analytics w firmie Accenture

Czy pański model wykrywania oszustw na rynku ubezpieczeniowym może pomóc firmom w osiągnięciu oszczędności?

Olivier van Parys: Ten model jest stopniowo wdrażany. Badania wskazują, że wykrywalność oszustw na polskim rynku jest ekstremalnie niska. Oficjalnie, jak twierdzą same polskie firmy, wynosi około 0,4 proc. zgłoszeń, a media branżowe oceniają ją na 0,8 proc. Przy zastosowaniu naszego modelu wykrywania fałszerstw i oszustw można przewidywać, że wykrywalność natychmiast wzrośnie do około 10 proc. wszystkich zgłoszeń. Jesteśmy w Polsce dopiero na początku krzywej wznoszącej wykrywalności.

Twierdzi pan, że największe polskie firmy ubezpieczeniowe mogłyby zaoszczędzić 600 mln zł, eliminując wyłudzenia.

Możliwe, że nawet dwa razy tyle, gdyż oficjalna wykrywalność jest bardzo zaniżona. To oznacza spory zwrot z inwestycji już w momencie wdrożenia systemu do zapobiegania oszustwom.

Czy ten system pozwala wytypować klientów wysokiego ryzyka dla towarzystw ubezpieczeniowych?

To najważniejsze zadanie tego modelu. Analiza predykcyjna wykorzystuje dane i buduje wzorce zachowań, które pozwalają wykryć nieuczciwych klientów, czego absolutnie nie można zrobić przy użyciu tradycyjnej obserwacji ich zachowań. Potrzebujemy do tego danych o roszczeniach i danych o samych szkodach, ale aby posiadać spójny obraz klienta, analizujemy też dane historyczne. Dysponując pełną ewidencją transakcji klientów, możemy identyfikować ich odbiegające od normy zachowania przy pomocy hiperanalityki predykcyjnej. Wskazuje ona pewien wzorzec, który pozwala wykryć 5-6 razy więcej oszustw, niż robią to inspektorzy dysponujący ograniczonym czasem i zasobami. Zastrzegam natomiast, że przy użyciu analityki predykcyjnej nie uda się osiągnąć 100-procentowej wykrywalności. Nam chodzi jednak o to, by przesunąć szalę wykrywalności na korzyść towarzystw ubezpieczeniowych, by oszustwa przestały się opłacać.

W swoim modelu wykrywania oszustw podkreśla pan rolę sieci społecznościowych. Z których portali pan korzysta?

Portale społecznościowe są istotne, ale nie najważniejsze. Postępując zgodnie z tradycyjnym modelem, badało się roszczenia zgłaszane obecnie i te z przeszłości i szukało elementów odbiegających od normy — lub odwrotnie — powiązanych ze sobą. W ten sposób można było „wyłapać” pojedynczego klienta wysokiego ryzyka, czyli takiego, który byłby potencjalnie zdolny do oszustwa. W tym przypadku jest inaczej. Stworzyliśmy Social Networks Analysis (SNA). Dzięki temu narzędziu szukamy powiązań między osobami i roszczeniami, budujemy siatkę związków między klientami, historiami ich transakcji czy umów z firmami ubezpieczeniowymi. Tworzymy też profile klientów na podstawie ich własnych wpisów na LinkedIn, Facebooku lub portalach branżowych. Okazuje się, że wówczas wykrywalność klientów wysokiego ryzyka rośnie. Nie jest to już jeden klient, ale dwóch, trzech z nim powiązanych. Dla organizacji rządowych tworzymy roboty, które pobierają dane bezpośrednio z sieci i umożliwiają łatwiejsze wykrycie zorganizowanych oszustw finansowych na podobnej zasadzie.

Ale tego typu analiza to raczej Data Mining niż czysta analityka.

Tak, wykrywanie oszustw często oznacza zapełnianie białych plam i poruszanie się w morzu danych, dotyczących klienta, jego zachowań, historii umów czy nawet zwyczajów. Oszustowi chodzi przecież o to, by się jak najlepiej ukryć. Nie da się tego zrobić, stosując metody tradycyjne. W Accenture stworzyliśmy Customer Analysis Record (CAR). To model zachowań klienta oparty na 350 najważniejszych zmiennych, wybranych podczas 10-letniej pracy dla towarzystw ubezpieczeniowych. W wielu przypadkach nasza analiza predyktywna wykazuje, że coś się nie zgadza. Po rozmowie z inspektorem prowadzącym sprawę okazuje się, co budzi nasze wątpliwości. To zwykle rzekome zderzenie ze zwierzęciem, kraksa późną nocą, wypadek, gdzie brakuje świadków, ślady na samochodzie nie są specyficzne, ale jest on bardzo uszkodzony. Nie ma rannych, nie ma nawet zwierzęcia, które brało udział w kolizji. W zwykłych okolicznościach wymagałoby to długotrwałej analizy i byłoby trudne do uchwycenia.

Czy w tym celu używane są sieci neuronowe?

To dobre rozwiązanie. Sieci doskonale naśladują pracę mózgu. Z matematycznego punktu widzenia to bardzo nieliniowa formuła. Oczywiście można stworzyć scoring i podzielić na wysoki, średni i niski, a następnie przypisywać go konkretnej sytuacji. Jednak trzeba zrozumieć, co się za tym kryje — dlaczego dany scoring jest wysoki, średni albo niski. W branży analityki predykcyjnej znajdziemy organizacje, które stosują od wielu lat najbardziej wyrafinowane typy narzędzi opartych na sieciach neuronowych. Firmy, które dopiero zapoznają się z takimi metodami analityki, jak ma to miejsce na rynku polskim, powinny raczej stosować prostsze metody analizy matematycznej, jak regresja logiczna. Klucz do sukcesu nie leży bowiem w tym, jak bardzo wyrafinowane metody analizy matematycznej się zastosuje, lecz w tym, na ile uda sie je zintegrować z biznesowym modelem działania firmy. Na ogół im prostszy model działania, tym łatwiejsze do opanowania narzędzia analityczne można w firmie stosować. Pamiętajmy, że ludzie nie chcą używać tego, czego nie rozumieją. Siła tych narzędzi leży w ich użyteczności.

Dr Olivier Van Parys

Zajmuje stanowisko senior manager and management scientist for predictive analytics. Kieruje Accenture Analytics Innovation Centre w Dublinie w Irlandii. Centrum prowadzi badania nad wykrywaniem oszustw oraz niezgodności w biznesie i działalności finansowej. Ma 15-letnie doświadczenie w stosowaniu głębokiej analizy, modelowania predykcyjnego, ekonometrii i wykorzystywania narzędzi do segmentacji w wykrywaniu oszustw. W ramach Accenture pracuje na zlecenie wielu rządów, wykrywając przestępstwa finansowe przy użyciu zaawansowanych algorytmów matematycznych. Specjalizuje się także w wykrywaniu przestępstw związanych z przestępczością zorganizowaną.

© ℗
Rozpowszechnianie niniejszego artykułu możliwe jest tylko i wyłącznie zgodnie z postanowieniami „Regulaminu korzystania z artykułów prasowych” i po wcześniejszym uiszczeniu należności, zgodnie z cennikiem.

Polecane

Inspiracje Pulsu Biznesu

Puls Biznesu

Banki / Warto się schylić po 600 mln zł