Présenté par Alaeddine AZIZ

L’année 2014 s’est traduite par plus de 8 millions de sinistres  AUTO indemnisés parmi lesquels environ 27 000 cas frauduleux  identifiés, soit  une fréquence de 0,3  %. Ce taux apparait  néanmoins fortement sous-estimé puisqu’il ne concerne que  les fraudes détectées par les assureurs. La proportion réelle de  fraudes peut être estimée à quelques pourcents en assurance  AUTO.

Outre cette faible fréquence, les cas frauduleux présentent  souvent des caractéristiques relativement similaires aux  cas  non-frauduleux. Il n’existe pas de variable ou de règle particulière  permettant de caractériser les cas de fraude de manière simple  et robuste.

D’un point de vue schématique, détecter la fraude consiste à  chercher une épingle jaune dans une botte de paille. D’un point  de vue technique, cela revient à traquer les signaux faibles  caractérisant la fraude.

Dans cette lutte, les gestionnaires de sinistres se retrouvent en  première ligne. Ces derniers peuvent en effet signaler les cas  suspicieux afin d’engager des investigations. Cette identification  est réalisée sur la base de l’expérience acquise dans l’analyse des  éléments du sinistre, mais également sur le ressenti de l’échange  avec l’assuré. Cet aspect humain constitue une spécificité des  gestionnaires qui ne peut être reproduit dans les modèles de  détection de fraude.

Néanmoins, un assureur couvrant 100 000 contrats doit traiter en  moyenne 20 000 dossiers par an avec une équipe d’une dizaine  de gestionnaires. Ces derniers ne peuvent réaliser une analyse  approfondie de chaque sinistre sans risquer de compromettre  la fluidité de l’ensemble de la gestion. Par ailleurs, la fraude  constitue un phénomène trop complexe pour être complètement  appréhendé par un gestionnaire, aussi expérimenté et  psychologue soit-il.

Le recours à des modèles automatiques de détection constitue  dès lors une nécessité opérationnelle pour lutter de manière  efficace contre la fraude. Ces modèles s’articulent autour de 3  approches distinctes :

 

• approche par règle décisionnelle ;
• approche supervisée ;
• approche non-supervisée.

APPROCHE PAR RÈGLE DÉCISIONNELLE

Cette approche consiste à définir un corpus de règles binaires  caractérisant chacune une situation suspecte. Un sinistre  vérifiant une de ces règles est considéré comme potentiellement  frauduleux et devra en conséquence faire l’objet d’une vérification  voire d’une investigation approfondie.

Les règles retenues correspondent généralement à une  formalisation d’un certain « bon sens » et de l’expérience des  gestionnaires en matière de fraude. Certaines règles quantitatives  peuvent être calibrées sur  la base d’analyses statistiques  (ex : seuil fréquence ou coût atypiques). Néanmoins, cet aspect  quantitatif reste limité à une simple analyse statistique univariée.

Les types de fraude étant intrinsèquement liés à la garantie  considérée, les règles de décision sont généralement définies au  niveau de chaque garantie. Les modèles de place retiennent entre  10 à 20 règles par garantie ce qui aboutit in fine à un corpus d’une  centaine de règles.

 

L’avantage principal de ce type de modèle réside dans sa  simplicité opérationnelle. En effet, la mise en œuvre d’une telle  approche ne requiert ni base de données spécifique, ni travaux  de modélisation complexe. La notion de règle binaire présente  par ailleurs un caractère intelligible pour l’ensemble des acteurs  impliqués qui peuvent ainsi participer à la construction du  modèle, le mettre en œuvre et le faire évoluer.

Des règles de décision binaires apparaissent néanmoins trop  rudimentaires pour capter la complexité du phénomène de  fraude. Cette insuffisance peut conduire à un modèle avec une  très faible spécificité qui produira de nombreux faux positifs. Une  proportion élevée de cas identifiés comme suspects, bien qu’en  réalité non frauduleux, peut rendre les résultats peu exploitables  avec un périmètre de sinistres à investiguer trop étendu. Les  coûts d’investigation risquent alors de se révéler globalement  supérieurs au montant de fraude à recouvrer. Une sélection de  règles suffisamment restrictives permet cependant de minorer  ce risque.

Cette approche présente sans doute le meilleur compromis entre  performance et coût opérationnel. Son  caractère sommaire  limite forcément ses performances de détection face aux cas  complexes de fraude. Néanmoins, ce type de modèle permet de  définir un premier périmètre d’investigation ciblé sur les cas les  plus à risque. In fine, bien qu’elle ne se suffise pas à elle-même,  cette approche par règles de décision constitue une première  étape indispensable pour tout assureur souhaitant mettre en  place un système de détection automatique de la fraude. Ce  type de modèle est d’ailleurs implémenté chez une majorité des  acteurs du marché.

APPROCHE SUPERVISÉE

Cette approche vise à construire un modèle d’apprentissage  statistique permettant de prédire l’appartenance des sinistres  déclarés à une des 2 classes suivantes :

 

Ce modèle de classification permet d’estimer la probabilité d’appartenance à la classe « sinistre frauduleux », notée Yˆ, du i sinistre i par rapport à un ensemble de variables explicatives X j :

 

Le modèle est calibré à partir d’une base fraude qui contient pour  chaque sinistre du périmètre historique retenu :

 

• les variables explicatives ;
• la classe à laquelle il appartient.

La complexité du phénomène de fraude impose de considérer  de nombreuses variables explicatives issues de différentes  sources (base sinistre, base assuré,  base  commerciale,…).  La création de cette base constitue la principale contrainte  opérationnelle de l’approche. En effet, l’identification de la  classe d’appartenance des sinistres requiert de disposer d’un  historique des fraudes détectées. L’approche supervisée ne  peut donc être envisagée qu’à partir d’un dispositif de lutte  contre la fraude préexistant.

L’approche supervisée vise à résoudre une problématique de  classification. La démarche à mettre en œuvre reprend donc  celle appliquée par les services de tarification dans le cadre des  modèles de transformation, de rétention ou de propension :

 

• traitement et analyse des données ;
• sélection du modèle ;
• estimation des paramètres ;
• sélection des variables significatives.

Focus sur les algorithmes supervisés

La  modélisation de  la  fraude  présente  néanmoins  2 spécificités majeures qui impactent sensiblement la démarche opérationnelle :

 

• Classes déséquilibrées :

  La classe « sinistre frauduleux »  représente généralement moins de 0,5 % des sinistres de la  base fraude. Les modèles de prédiction voient leur performance  fortement dégradée lorsque la classe cible apparait si faiblement  représentée. Cette problématique peut néanmoins être atténuée  en appliquant des stratégies de sous/sur-échantillonnage et de  création d’observations synthétiques via des algorithmes de  type SMOTE9. Ces techniques permettent de rééquilibrer les  classes afin d’aider le modèle à mieux identifier les patterns les  caractérisant.

• Variables explicatives nombreuses et variées :

  L’apprentissage  des modèles de fraude est réalisé sur une base regroupant  souvent plus de 50 variables issues de différentes sources.  L’expression de ces variables dans le score de fraude présente  une forte complexité avec de multiples effets non linéaires  et interactions. Les approches classiques de type GLM  apparaissent peu adaptées au regard de l’important paramétrage  manuel nécessaire pour prendre en compte cette complexité.  Les algorithmes de type Machine Learning présentent dans  ce contexte une réelle pertinence en raison de leur capacité à  appréhender des données complexes, variées et volumineuses  de manière automatique.

L’approche supervisée permet in fine de construire un modèle  de détection automatique des fraudes prenant en compte la  complexité du phénomène d’une part, et reposant sur des  bases objectives d’autre part. Le recours à des algorithmes de  type machine learning permet en effet de capter la complexité  des données selon une approche « data driven ». Le caractère « boite noire » de ces modèles constitue souvent une cause de  disqualification dès lors qu’une certaine traçabilité est requise.  Cependant, dans un contexte de détection de fraude, le besoin de  traçabilité apparait moins prégnant ce qui permet d’envisager ce  type d’algorithme.

APPROCHE NON SUPERVISÉE

Cette approche vise à développer un modèle d’apprentissage  statistique permettant de regrouper les données en différentes  classes homogènes non connues a priori. Le modèle va analyser la  structure des données et classer les observations selon leur degré  de similitude. L’objectif ne consiste plus à déterminer des règles  permettant de prédire l’appartenance à une classe cible, mais à  identifier des règles de regroupement au sein de différentes classes  définies par le modèle lui-même. D’un point de vue schématique,  l’approche non supervisée revient à laisser le modèle analyser les  données sans lui préciser ce qu’il doit trouver.

Cette approche permet notamment d’identifier les observations  présentant une structure atypique au sein d’une base de  données. En formulant l’hypothèse qu’un sinistre affichant des  caractéristiques atypiques dissimule potentiellement une fraude,  cette approche peut être appliquée dans un contexte de détection  automatique des cas frauduleux.

Le modèle réalise son apprentissage sur une base de données  similaire à celle de l’approche supervisée mais limitée aux seules  variables explicatives. L’absence de variable cible présente 2  avantages majeurs :

 

• l’identification préalable des sinistres frauduleux n’est plus  nécessaire. Un modèle non-supervisé peut donc être développé et  mis en œuvre immédiatement sans prérequis.
• les résultats ne sont plus conditionnés par l’identification des  sinistres frauduleux. L’approche permet donc de détecter des  types de fraude jamais observés jusqu’alors.

Les  modèles non supervisés reposent tous sur le  même  principe

: une mesure de la singularité de chaque observation. Cette  mesure peut correspondre à une distance ou une densité, estimée  de manière locale ou globale, selon le modèle considéré. Les  algorithmes non-supervisés se répartissent en 3 grandes familles :

 

• méthodes de distance globale ;
• méthodes de distance locale ;
• méthodes de densité ;

L’absence de variable cible implique qu’il n’existe pas de phase de  paramétrage, de sélection de variable ou de validation du modèle.  Cette spécificité présente l’avantage de la simplicité opérationnelle.  Néanmoins, l’absence de feedback sur la qualité des résultats peut  parfois se révéler déroutante. L’utilisateur en est réduit à accorder  une confiance aveugle à son modèle.

Cet inconvénient peut être atténué selon 2 méthodes :

 

• Valider les résultats sur une base contenant des sinistres  identifiés comme frauduleux :

  L’objectif consiste alors à vérifier  qu’une part de ces sinistres ressort bien comme atypique. Cette  analyse peut également servir à ajuster le modèle. Ces ajustements  doivent néanmoins rester limités sous peine de tomber dans une  approche supervisée.

• Implémenter chaque famille d’algorithmes pour travailler sur  un méta score :

  Cette solution permet de traiter la problématique  du choix du modèle. En outre, cette orientation présente une réelle  pertinence puisque chaque type de modèle performe de manière  différente selon la structure des données considérées.

L’approche non supervisée apparait encore peu considérée par les  assureurs dans le cadre de la détection de fraude. Cette dernière  présente pourtant des avantages certains, à commencer par son  absence de prérequis permettant une mise en œuvre immédiate,  ainsi que sa capacité à identifier des types de fraudes encore jamais  détectées. Néanmoins, l’hypothèse sous-jacente à l’approche, qui  lie les caractères frauduleux et atypique, peut s’avérer inexacte.  L’impossibilité de paramétrer et de valider le modèle ne permet  pas de confirmer cette hypothèse pourtant fondamentale. Le  risque consiste dès lors à engager des investigations couteuses  sur les cas considérés comme atypiques par le modèle bien qu’en  réalité non frauduleux. Cette faille pousse à considérer l’approche  non supervisée comme un simple complément de l’approche  supervisée

Focus sur les algorithmes non-supervisés

 

 

 

La fraude à l’assurance est un problème répandu qui ne montre pas de signe de ralentissement. Elle est souvent vue, à tort, comme un crime sans victime. Pourtant, au-delà des importantes pertes d’argent et de réputation subies par les compagnies d’assurance, ces crimes entraînent une augmentation des primes et un ralentissement du traitement des demandes d’indemnisation pour les consommateurs.
L’utilisation d’outils IA est devenue primordiale pour renforcer la détection des fraudes. Il est essentiel de détecter les fraudes à temps, puisqu’il existe peu de moyens de dissuasion pour les fraudeurs.

A cet effet, la question de l’approche gagnante pour lutter contre la fraude a été le sujet principal du webinaire organisé par Hydatis et SPG le mardi jeudi 3 juin 2021 sous format table ronde avec la Participation de :

Slim Zghal : Managing Partner Hydatis

La fraude n’est pas un nouveau sujet dans le secteur des assurances. Il a toujours été un risque plus ou moins préoccupant pour les assureurs.

 

DÉFINITIONS ET ENJEUX

 

Tous les produits d’assurance sont concernés et la problématique de la fraude est présente dans tout le cycle de vie du contrat… en se manifestant principalement :

 

• Au moment de la souscription par l’assuré
• Au moment de la déclaration du sinistre

Il se trouve que les nouvelles pratiques : digitalisation du parcours client et la numérisation rendent le passage à l’acte plus simple et donne au fraudeur une impression d’agir sans risque, ces nouvelles pratiques ouvrent malheureusement des opportunités de frauder de plus en plus nombreuses.

En France, 41 % des assureurs contrôlent moins d’un quart des dossiers assurés

Le coût de la fraude en Europe est estimé à 10% du montant total des sinistres.

Et ce pourcentage est nettement plus élevé dans les pays où le contrôle des assurances est plus faible, notamment en Afrique.

En effet Le coût supporté par ces actes entraîne une augmentation de la sinistralité, ce qui peut mettre en danger le ratio S/P et donc le développement ou la création des produits  Dans plusieurs pays d’Afrique entre autre la Tunisie, la fraude à l’assurance maladie rend le produit individuel santé  très peu développé par les assureurs …

L’Assureur peut se montrer très méfiant et restrictif au risque de tomber dans l’antisélection et la surutilisation,

Les assurances multiplient les outils, les équipes et les actions pour lutter contre la fraude

 

• Une modélisation prédictive au niveau de la souscription,
• Des actions anticipatives au niveau de la gestion des sinistres.
•  …

Le défi actuel serait de

 

• Accélérer le traitement antifraude et maitriser le volume ,
• Essayer aux mieux de stopper la fraude avant de s’engager avec le client,
• Détecter la fraude avant le règlement des sinistres, …
• Utiliser tous les types données interne et externe, tenant compte des règlementations en vigueur et le respect des personnes

En effet, Une gestion intelligente de la fraude peut diminuer les remboursements des sinistres non-fondés et dissuadé les souscripteurs mal intentionnés.

SOLUTION

 

Pour gagner les défis actuels de la lutte contre la fraude. , les nouveaux leviers  de l’intelligence artificielle  peuvent intervenir pour améliorer ce dispositif

3 leviers complémentaires émergent autour de l’intelligence artificielle:

 

1. L’Agilité dans la conduite de projet,

Dans un contexte où les formes de fraude évoluent rapidement et sont de plus en plus imprévisible et sophistiqué. L’approche projet classique n’est plus adéquat. Pour être efficace dans la démarche de lutter contre la fraude il faut adopter des cycles d’amélioration agile.Des périmètres de projets de 6 mois maximum.

Le processus agile de conduite de projet appliqué à la problématique d’amélioration du dispositif de lutte contre la fraude , se déroule en  4 phases :

 

• Diagnostic : Identifier et lister avec le métier les schémas de fraude existants, ainsi que  les sources de données disponibles internes et externes, exploitable a cette fin
• Quick wins : Définir les zones d’amélioration et dimensionner le gain potentiel tenant compte des différentes contraintes, opérationnelles et règlementaires, ce qu’on appelle les quick wins.
• Développement :  préparer les données enconcevant les outils de collecte et d’’extraction nécessaire, puis modéliser les indicateurs de fraude selon les règles de détection
• Implémentation : Evaluer les nouvelles règles et outils de détection de fraude et les déployer dans les plateformes techniques et opérationnelles existantes

 

• Les Nouveaux métiers

Dans les 10 dernières années des Nouveaux métiers ont apparu qu’il faut pas hésiter à exploiter dans le parcours de lutte contre la fraude : des Data analyst , data scientist, spécialistes de la science des données et des Devops, finops qui se trouvent au carrefour de deux fonctions indépendantes.

Ces nouveaux profils de compétence devraient travailler côte à côte avec à les gestionnaires, auditeurs, contrôleurs et les actuaires de l’assurance pour définir la solution gagnante et puis la déployer dans un environnement technique stable et sécurisé

En effet Les spécialistes métiers en collaboration avec les nouvelles compétences peuvent créer une synergie et générer des opportunités d’amélioration rapide de taux de détection de fraude.

 

• Les Nouvelles technologies

À l’heure actuelle, plusieurs solutions ont été développées sur le marché pour détecter et prévenir les fraudes en assurance :

Ces solutions sont basées sur des techniques d’automatisation et d’analyse propres à l’IA : Machine learning, Deep learning, robotisation, reconnaissance des caractères et des langages naturelles, etc…

Des solutions permettant de faire remonter d’une manière préventive les déclarations identifiées comme probablement frauduleuses qui s’appuient sur des algorithmes d’Intelligence Artificielle, ces algorithmes peuvent détecter rapidement les dossiers les plus suspects. il sera aussi possible que ces derniers soient entraînés sur des bases de données spécifiques par type de produit.

Coté plateforme d’exécution, L’IA fait appel a beaucoup de données d’où l’importance de préparer le terrain favorable pour l’accueillir à travers des plateformes et des technologies et de outils de clowdification : MsAzure, Hadoop…etc

Les données sont très précieuses, il faut bien les sécuriser et doivent être accessibles en temps réel et de partout

3 approches appliqués par l’intelligence artificielle sont exploitées dans le processus de lutte contre la fraude : approche par règle décisionnelle, approche supervisée et approche non-supervisée.

Selon une étude publiée par KPMG faite en France en 2020 , 1 à 1,4 milliard d’ euro des prestations versées aux fraudeurs pourrait être économisées grâce aux programmes d’intelligence artificielle… soit entre 0.5 et 0.8% du montant total des charges de prestations versés par an , sachant la rentabilité du marché de l’assurance tourne  autour de 8% ce qui veut dire que  l’intelligence artificielle ,appliquée,  rien que sur le domaine de la lutte contre la fraude pourrait augmenter la rentabilité des assurances jusqu’à 10% !

 

La digitalisation et les nouvelles technologies ont radicalement modifié l’activité et l’environnement de l’assurance. Le foisonnement de ces technologies invite les assurances à redoubler d’efforts quant à leur offre digitale afin de renforcer leur activité traditionnelle et diversifier leur offre de produits. Cette orientation stratégique est un impératif pour répondre aux besoins et exigences d’une clientèle dont les habitudes financières sont entrain de muter et le comportement a profondément changé depuis l’avènement de la révolution digitale.

A cet effet, la question de l’approche gagnante pour concilier le monde de l’assurance et celui de la transformation digitale et plus spécialement l’intelligence artificielle mérite amplement d’être posée et a été le sujet principal du webinaire organisé par Hydatis le mardi 06 avril 2021 sous format table ronde et qui a rassemblé des experts des deux domaines sous le thème « L’intelligence artificielle au service des assurances tunisiennes ».

Cet événement a été modéré par Mehdi Mahjoub, Docteur en Finance et Business Management Expert. Son expertise en management de l’innovation ou dans le secteur financier lui ont permis d’assurer un très beau webinaire qui a durée plus qu’une heure avec des speakers multidisciplinaires.

« Nous sommes sur un petit marché avec des acteurs historiques qui ont choisi de développer leur empreinte territoriale. »

Avec quelques chiffres clés, Alaeddine AZIZ, Expert en transformation digitale et CEO de Hydatis, a fait le tour pour mettre en face de la situation actuelle du marché de l’assurance en Tunisie et son positionnement dans le marché mondial des assurances.

« La Tunisie regorge de talents inexploités »

Alaeddine AZIZ a considéré la Tunisie est un pays de paradoxe, reconnu pays africain le plus innovant occupant la première place pour la qualité de son environnement entrepreneurial et un des écosystèmes start-up africains les plus actifs, intéressant dans sa diversité et son approche.

« L’IA : la clé de la transformation dans le secteur de l’assurance »

Pour Slim Zghal, Managing Partner à Hydatis et ex-Directeur des opérations de Nextcare & Allianz Partner en Tunisie, l’IA a longtemps été mal comprise et considérée comme une simple tendance, l’IA gagne rapidement du terrain dans le secteur. Les compagnies d’assurance commencent à comprendre comment cette technologie peut optimiser leur activité. Elles évaluent les aspects qui seront les plus impactés et mettent en œuvre des stratégies pour générer une véritable valeur ajoutée.

« Augmenter l’expérience humaine, plutôt que la remplacer »

Pour Imed Hannana, Président de l’ATIA acronyme de l’Association Tunisienne pour l’Intelligence Artificielle, l’IA cherche à reproduire, amplifier et améliorer le processus de prise de décision humaine à l’aide de machines. Souvent attribuées aux tâches triviales et répétitives, cette approche s’applique désormais à des postes requérant de plus grandes capacités de synthèse des données et impliquant une prise de décision autonome.

« Fraudes, tarification et déclarations de sinistres : les prémices seulement »

Slim Zghal a également fait un zoom sur les champs d’application de l’intelligence artificielle pour l’assurance et a principalement cité : La détection de fraudes, la tarification et l’automatisation des dossiers qui sont trois exemples de domaines naturellement propices à l’IA. Mais l’IA peut être utilisée de nombreuses autres façons pour aider les compagnies d’assurance à gérer le cycle de vie global des polices (souscription, renouvellement des polices, prospection, traitement des déclarations de sinistres) et leur permettre ainsi de mieux connaître leurs clients et de prendre de meilleures décisions concernant les dossiers en cours.

« Digitarif : la conciliation entre les mondes de l’intelligence artificielle et de l’actuariat »

Pour conclure le webinaire, Alaeddine AZIZ, CEO de Hydatis, a dévoilé la nouvelle plateforme « Digitarif » de Hydatis qui couvre tout le processus de tarification de l’assurance et qu’il considère la seule solution du marché conciliant les mondes de l’intelligence artificielle et de l’Actuariat.

Digitarif est dédié à la fois aux gestionnaires de tarification et aux actuaires dans les départements de l’assurance. Elle automatise et améliore toutes les phases du processus de tarification de l’assurance à savoir :

• Prétraitement des données
• Modélisation des risques
• Optimisation de la tarification
• Déploiement et surveillance de modèles