19
Вт, март

Страхование: мошенникам вход воспрещен!

Как выявить, что вас обманывают агенты и страхователи, а также распознать первые признаки будущего мошенничества.

Страховая отрасль перестраивает бизнес-процессы и делает их доступными в онлайн-каналах. Клиентам стало быстрее и удобнее изучать информацию в интернете и отправлять онлайн-заявки. К сожалению, мошенникам это тоже нравится. Цифровые заявки облегчают совершение мошенничества со страховыми услугами.

Это можно сделать тремя неожиданно распространенными способами:

Мошенники открывают страховые полисы для фиктивных пользователей.

Агенты снимают страховые взносы или аннулируют полис, чтобы оформить квоту и бонусы.

Клиенты настраивают и фальсифицируют информацию в заявке для снижения суммы страховой премии.

Однако, в то время как цифровые каналы открывают новые возможности для мошенничества со страховыми заявками, они также предоставляют новые данные для противодействия мошенничеству. Умные страховщики будут использовать данные отпечатков пальцев, IP-адресов, геолокации и многое другое, чтобы выявить мошенничество. Давайте рассмотрим некоторые эффективные стратегии защиты, основанные на аналитике и машинном обучении.

Поскольку риск мошенничества может возникнуть уже в момент подачи заявки на приобретение полиса, имеет смысл обзавестись сильными инструментами для мониторинга процесса цифровой заявки. Узнайте о методах, основанных на аналитике, для аутентификации заявителей.

Эти знания помогут выявить обман агентов, страхователей и в целом распознать возможность потенциального мошенничества на этапе заключения договора.

Проверить подлинность цифровой заявки

У страховщиков масса данных - внутренних и внешних, которые могут помочь определить подлинность заявки и её владельца (если даже за ней стоит настоящий человек). Вот некоторые эффективные подходы, основанные на данных, для борьбы с мошенничеством в сфере страхования:

Мониторинг данных заявки, чтобы узнать, используется ли одна и та же информация или такое же устройство в нескольких заявках. При этом они могут выглядеть несвязанными.

Оценка исторических данных о страхователе и объекте страхования на предмет существующих или отмененных программ, которые совместно используют элемент информации из новой заявки, например, тот же идентификатор устройства, адрес или SSN.

Поиск «доказательств жизни». Подробности, которые можно связать с реальной личностью, например, водительские права, регистрация или собственность.

Анализ данных заявки в интернете. Поиск необычных или подозрительных связей (или их отсутствие) между заявителями, устройствами, полисами и данными заявки.

Предотвратить мошенничество в момент подачи заявления

Что, если бы вы могли остановить мошенничество еще до продажи полиса? Что, если вы могли бы использовать информацию, полученную в процессе поиска?

Это возможно. Сетевая аналитика определяет связи между предыдущими подозрительными заявлениями и новыми заявками. Как выглядели заявки, которые оказались мошенническими в прошлом, и похожи ли они между собой? Соединения могут устанавливаться не только через людей или адреса, номера телефонов, VIN и т. д., но и через атрибуты, такие как IP-адреса, устройства, банковские счета, ремонтные мастерские и медицинские провайдеры.

Вы можете найти что-то новое, применив ключевые сценарии, извлеченные из обработки предыдущих заявок. Благодаря машинному обучению и методам искусственного интеллекта, новая информация, полученная в результате анализа, может быть учтена в моделях для дальнейшего совершенствования.

Определить обман агента

У недобросовестных агентов масса вариантов обмануть систему для личной выгоды. Например, они могут брать взносы от клиентов, не внося данные о полисе в систему, или убеждать клиентов покупать ненужные страховки для получения дополнительных комиссионных.

В хорошо спроектированном антифрод-решении используются многочисленные аналитические методы. Эти методы помогут обнаружить агентов-злоумышленников:

Машинное обучение проверяет паттерны поведения агентов и сопоставляет их со сценариями, которые в прошлом привели к случаям мошенничества.

Экспертные правила кластеризуют агентов с аналогичными атрибутами - уровень карьеры, специализация, регион и т.д.

Методы выявления аномалий вычисляют агентов, которые работают совсем иначе, чем остальные, или которые демонстрируют радикальный изменения в поведении. Это может указывать на обман.

Анализ социальных сетей выявляет связи и совпадения между данными в заявке, например, такими как дом, VIN и застрахованное имущество.

Вместе эти методы могут выявлять необычные модели, одновременно уменьшая вероятность ложных срабатываний и ненужных запросов. Система обучается на своих результатах - позитивных и ложных, постоянно совершенствуясь.

Определить обман страхователя

Страховщики, которые продают в основном по телефону и через интернет, подвержены ряду известных и новых угроз. Клиенты могут фальсифицировать важную информацию, а также давать ложные сведения, например, о том, где транспорт будет припаркован, или же получить возврат денег за отмененный полис, купленный по украденной карте.

Аналитика может определить такую форму мошенничества в режиме реального времени, установив пороговые значения. Они будут определять, насколько заявитель может манипулировать взносом перед подачей заявки. Например, обмен сообщениями, обратные вызовы или блоки. Аналитика также может найти необычные паттерны поведения, такие как множественные отмены страховой программы, в привязке к устройству, IP-адресу и иным атрибутам.

Аналитика мошенничества в заявках на страховые услуги

Страховые компании, которые вложили значительные средства в борьбу с мошенничеством, добились значительных результатов. Например, SAS сотрудничала с крупным американским оператором в проекте внедрения решений для определения агентского обмана и повышения продуктивности страховых услуг, территориальных менеджеров и групп внутреннего аудита.

Решение обнаружило в 10 раз больше недобросовестно работающих агентов - 40% относилось к внутреннему аудиту, по сравнению с только 4% в рамках унаследованного процесса. В то же время эффективность анализа и расследований улучшилась на 13 часов, а эффективность сбора данных позволяет теперь экономить два часа.

Теперь компания может провести 5 расследований за то время, которое она использовала для одного, потому что решение объединяет данные и обеспечивает более существенной информацией. Команда аудита может сосредоточиться на основной работе, а не сборе и подготовке данных.

В конечном счете, надежное решение для борьбы с мошенничеством на этапе оформления заявки или продажи полиса позволит захлопнуть дверь, через которую мошенники могут войти и приступить к совершенно не желательной активности.

Дэвид Хартли, директор по страховому мошенничеству, SAS Global Security Intelligence Practice