Heeft u vanwege bosbranden of overstromingen vragen over uw reis- en annuleringsverzekering? Wij helpen u graag met onze antwoorden.
Terug naar overzicht

De waarde van artificial intelligence bij fraudedetectie

Marjan Westra Verbond van Verzekeraars.jpg

Data en fraude zijn hot. Dat werd me wel weer duidelijk toen ik eerder deze week tijdens het Insurance Academy Event - de boef de baas! van het Verbond van Verzekeraars iets mocht vertellen over de manier waarop wij machine learning inzetten bij fraudedetectie.

Ik deed dit samen met Bastiaan Sjardin, werkzaam bij Future Facts. We zijn dit project gestart in 2017. Het gebruik van data heeft een enorme vlucht genomen, en ook in ons werk heeft dit tot grote sprongen voorwaarts geleid. Toen ik in 2012 begon als Manager Verzekeringstechniek, waren we voor het opsporen van fraude vooral afhankelijk van onze collega’s op de Schadeafdeling. Bij een vermoeden van fraude deden ze een melding bij ons. Wij startten dan een Deskresearch. In die tijd onderzochten we maandelijks honderden dossiers, die tot enkele tientallen bewijsbare fraudes leidden. Veel werk en weinig resultaat zeg maar.

Toenemende digitalisering


‘Dat moet beter kunnen’ dachten we. Daarom zijn we gestart met het automatiseren van onze fraudedetectie. De eerste stap was het ontwikkelen van zogenaamde fraudeprofielen. Zo’n profiel bestaat uit een combinatie van data waaronder bekende fraude-indicatoren. Je kan hierbij denken aan ‘melding vlak na ingangsdatum polis’, ‘x claims binnen x periode’ en ‘klant maant tot snelheid’.  Door data te combineren en hier een weging aan te hangen, krijg je een score per claim. Van de dossiers met de hoogste scores, en daarmee de hoogste kans op fraude, ontvangen we dagelijks  automatisch een lijst. Dit is een stuk efficiënter dan het was.

“Dankzij de ontwikkeling die we doormaken zijn zowel het aantal gedetecteerde fraudes als de bespaarde schadelast de afgelopen jaren substantieel gestegen. ”

Door dit ‘rule based systeem’ werd vervolgens onze interesse gewekt voor machine learning, en met name het zelf lerende effect hiervan. Met een klein, enthousiast en multidisciplinair team zijn we aan de slag gegaan. Dit heeft geresulteerd in een model waarvan ik je niet kan vertellen hoe dit is opgebouwd. Ieder zijn vak, nietwaar. Wat ik wel weet is dat de resultaten van de ‘proof of concept’ verrassend goed waren. Het model is daarom geoperationaliseerd en onlangs in gebruik genomen. En de eerste resultaten zijn er! Door nieuwe gedetecteerde fraudes toe te voegen zie je dat het systeem ook echt zelflerend is. Je krijgt hits die je eerder niet had én de computer doet grotendeels het werk voor ons.

Meer gedetecteerde fraudes, meer bespaarde schadelast!

Dankzij de ontwikkeling die we doormaken zijn zowel het aantal gedetecteerde fraudes als de bespaarde schadelast de afgelopen jaren substantieel gestegen. Dit is goed voor de klant, goed voor ons en goed voor de branche!  

Zijn we klaar dan? Nee, dat zeker niet. Het echte leren begint pas. Een avontuur waar ik naar uit kijk en vertrouwen in heb. En gezien het grote aantal vragen en geïnteresseerden tijdens de bijeenkomst, verwacht ik dat er vele zullen volgen. Laat de fraudeurs gewaarschuwd zijn!

Unigarant