De rol van data analyse bij verzekeringsfraude |
close
Share with your friends

Hoe wordt verzekeringsfraude aangepakt door het analyseren van data?

De rol van data analyse bij verzekeringsfraude

Jaarlijks neemt het aantal mensen dat wordt gepakt vanwege verzekeringsfraude toe. Hoe komt dit en welke rol speelt data analyse hier in?

Gerelateerde content

Pen wijzend op grapgist

Het aantal mensen dat verzekeringsfraude heeft gepleegd is het afgelopen jaar sterk toegenomen. Uit een recente publicatie van het Verbond van Verzekeraars blijkt dat er in 2017 meer dan 11.500 fraudeurs zijn gepakt ten opzichte van ruim 10.000 in 2016: een stijging van ongeveer 15%. Dit komt niet in de laatste plaats door het steeds meer inzetten van data-analyse. Automatisering van een onderzoek of screeningproces kan de effectiviteit van de beschikbare middelen sterk verhogen. Bovendien kun je met data-analyse en artificial intelligence gevallen opsporen die je met het blote oog niet zou zien. Maar hoe werkt dat precies?

Leer de computer wat fraude is

Door ervaring en reeds opgeslagen data uit het verleden te benutten kunnen verzekeraars een computer regels aanleren om claims met een verhoogd risico te identificeren. Denk hierbij bijvoorbeeld aan een combinatie van de tijd van het jaar, de locatie van het schadegeval, het type verzekerd product, de prijs en de aankoopdatum. Binnenkomende claims worden dan automatisch getoetst tegen een aantal vaste regels om claims met een verhoogd risico op fraude te kunnen detecteren.

Het voordeel van deze methodiek is dat deze vrij gemakkelijk te implementeren is in een screeningproces. Daarnaast kan de beschikbare mankracht eenvoudig worden ingezet op de meest risicovolle claims. Het nadeel van deze methode is echter dat die alleen gebaseerd is op opgeslagen data uit het verleden. Als er nieuwe trends ontstaan, worden deze niet gedetecteerd door de bestaande rules. Een fraudegeval moet als het ware eerst een keer voorkomen voordat een nieuwe rule wordt toegevoegd die op een specifiek geval controleert.

Een computer die zelf leert wat fraude is

De technische mogelijkheden gaan echter veel verder dan een screeningproces dat gebaseerd is op voorgeprogrammeerde rules. Door gebruik te maken van machine learning-technieken kan het systeem op een zelflerende manier nieuwe patronen van potentiële frauduleuze claims identificeren. Machine learning-technieken hebben de potentie om veel effectiever te zijn dan de op regels gebaseerde systemen. Een computer leert uit bestaande gevallen welke combinatie van factoren tot een verhoogd risico leidt. Verzekeraars gebruiken al dit soort modellen om risicovolle claims naar boven te halen voor verder onderzoek.

Wat is de volgende stap voor verzekeraars?

Door technologische ontwikkelingen zullen de mogelijkheden om fraude te herkennen alleen maar toenemen. Meer geavanceerde technieken zoals neural networks en deep learning zijn veelbelovend als het gaat om de performance om dit soort risicovolle claims te detecteren. Er zijn echter ook kanttekeningen te plaatsen bij steeds complexer wordende technieken: ze werken namelijk als een black box. Hierdoor is de onderliggende reden waarom een claim als fraude wordt aangemerkt lastiger te achterhalen. Dit kan ervoor zorgen dat verantwoording naar bijvoorbeeld klanten en toezichthouders erg ingewikkeld wordt.

Daarnaast is er ook steeds meer data openbaar beschikbaar die meegenomen kan worden bij het bepalen van het risico van een claim. Denk hierbij aan social media. Maar ook wisselen verzekeraars onderling steeds meer gegevens uit in de strijd tegen verzekeringsfraude. Zo zijn er bijvoorbeeld zwarte lijsten van personen die in het verleden hebben gefraudeerd. Het gebruik van dit soort data brengt echter wel met zich mee dat de privacy goed moet worden gewaarborgd. Zeker na de invoering van de GDPR-regelgeving moeten ook verzekeraars nauwkeurig in de gaten houden welke data gebruikt en gedeeld mogen worden in de fraudeopsporing.

Verzekeraars worden steeds beter in het opsporen van verzekeringsfraude door het inzetten van data-analyse. Technologische ontwikkelingen bieden ontzettend veel mogelijkheden, maar gaan ook gepaard met uitdagingen zoals het waarborgen van privacy. Desondanks begint het inzetten van data-analyse in de strijd tegen fraude zijn vruchten af te werpen.

Wilt u meer weten over de rol van data-analyse bij het detecteren verzekeringsfraude? Neem dan contact op met Jiri Brummer of Chris Hoekmeijer, consultants Forensic Technology.

Neem contact met ons op

 

Offerteaanvraag (RFP)

 

Bevestig