Esperienze di soluzioni per la fraud detection in ambiente

Esperienze di soluzioni
per la fraud detection
in ambiente assicurativo
Nicola Pavanelli, Raffaello Giuliani
Convegno AIEA, Orvieto, 20 giugno 2003
[email protected]
[email protected]
© 2002 CRIF Group
CACHE
Case-Application for Claims History
Exchange
© 2002 CRIF Group
OBIETTIVI
• Necessità di conoscere il cliente per una
appropriata gestione del rischio in fase di:
• preventivo
• underwriting
• richiesta rimborso/liquidazione danno
© 2002 CRIF Group
• Capacità di prevenzione e individuazione di
fenomeni fraudolenti
SCENARIO EUROPEO
• Stime ufficiali fissano l’impatto dei fenomeni
fraudolenti sull’importo dei premi assicurativi
nei paesi europei intorno al 5-10%.
• Più approfondite ricerche a campione
effettuate in Europa hanno evidenziato un
impatto delle frodi sull’importo dei premi
assicurativi pari al 20%.
© 2002 CRIF Group
• Il vero impatto dei fenomeni fraudolenti è di
difficile stima.
DA UNA RICERCA IN UK
• La frode assicurativa non è percepita come
una infrazione grave
© 2002 CRIF Group
• Il 66% della popolazione sarebbe disposto ad
effettuare una richiesta di rimborso
fraudolenta.
DA UNA RICERCA IN UK
• L’ABI (l’Associazione delle Assicurazioni
Britanniche) stima che le frodi costino
all’industria assicurativa britannica
1 miliardo di sterline all’anno.
Alcuni analisti indicano la cifra reale in 4
miliardi di sterline.
© 2002 CRIF Group
• Il numero delle richieste di rimborsi in UK
(polizze sanitarie/infortuni) sta crescendo
ad un ritmo del 15% annuo.
TIPI DI FRODE
• Premeditata: stipulare una polizza
assicurativa con il preciso intento di
commettere una frode, con modalità:
• Impersonificazione
• Richieste rimborso multiple
• Falsi incidenti
© 2002 CRIF Group
• Opportunistica: falsificare o aumentare una
richiesta di rimborso relativa ad un incidente
effettivamente avvenuto.
DISTRIBUZIONE PERDITE PER FRODE
FRODE
FRODE
OPPORTUNISTICA
PREMEDITATA
Low
basso
alto
CLAIM SIZE (€)
© 2002 CRIF Group
TOTAL FRAUD LOSS (€)
alta
SOMMARIO OBIETTIVI
• Identificare il profilo del cliente per
individuare il giusto premio assicurativo.
• Verificare la storia del cliente sia in fase di
preventivo che di richiesta di rimborso
• Individuare frodi per precedenti accertati.
© 2002 CRIF Group
• Prevenire/individuare sia i fenomeni di frode
opportunistica che premeditata
LA SOLUZIONE: CACHE
Validazione
storico individuale
Fraud
anomalies
Autenticazione Data-Screening
Auto
Casa,
etc.
Black
list
Application
precedenti
Database
Indirizzi,
documenti
…..
Liste
elettorali
Fraud
mining
Data Mining
© 2002 CRIF Group
Modulo di
identificazione
MODULO DI IDENTIFICAZIONE
Validazione
storico
Fraud
anomalies
Autenticazione Data-Screening
Auto
Casa,
Etc.
liste
nere
Application
precedenti
Database
Indirizzi,
documenti
…..
Liste
elettorali
Fraud
mining
Data Mining
© 2002 CRIF Group
Modulo di
identificazione
MODULO DI IDENTIFICAZIONE
• Interazione con database esterni (indirizzi,
liste elettorali, etc.)
• Mantiene collegamenti con:
• Indirizzi precedenti
• Soggetti con ruoli diversi nella polizza
© 2002 CRIF Group
• Gestisce:
• Diverse definizioni di un indirizzo (es: nome
edificio anzichè numero civico)
• Normalizzazione nomi e indirizzi
VALIDAZIONE STORICO
Validazione
Storico
Fraud
anomalies
Autenticazione Data-Screening
Auto
Casa,
etc
Black
list
Application
precedenti
Database
Indirizzi,
documenti
…..
Liste
elettorali
Fraud
mining
Data Mining
© 2002 CRIF Group
Modulo di
identificazione
SOMMARIO OBIETTIVI
• Identificare il profilo del cliente per
individuare il giusto premio assicurativo.
• Verificare lo storico del cliente sia in fase di
preventivo che di richiesta di rimborso
• Individuare/prevenire sia i fenomeni di
frode opportunistica che premeditata/
Individuare frodi per precedenti accertati.
The Full Solution:
Total Risk Management
CACHE PI
Address,
I.D.
Databases
…..
Electoral
lists….
Disclosure
Validation
Fraudster
Checking
Fraud
Anomalies
Authentication
Data-Screening
Data Mining
Motor
Home
Black
list
Previous
Applications
CACHE MOTOR
CACHE HOUSEHOLD
CACHE TRAVEL
© 2002 CRIF Group
Identity
Validation
9
VALIDAZIONE STORICO
Database di claims condiviso.
© 2002 CRIF Group
Utilizzazioni:
In fase di preventivo, underwriting :
La ricerca del soggetto dà luogo a:
• Produzione di un report on-line
• Scoring on-line del soggetto
VALIDAZIONE STORICO
Database di claims condiviso.
Utilizzazioni:
© 2002 CRIF Group
In fase di richiesta di rimborso:
• Produzione di un report on-line
• Scoring on-line del soggetto
• In caso di richiesta multipla, ranking
degli interrogati
VALIDAZIONE STORICO
DEMO
© 2002 CRIF Group
LA SOLUZIONE: CACHE
Validazione
storico
Fraud
anomalies
Autenticazione Data-Screening
Auto
Casa
Etc.
Black
lists
Application
precedenti
Database
Indirizzi,
documenti
…..
Liste
elettorali
Fraud
mining
Data Mining
© 2002 CRIF Group
Modulo di
identificazione
SOMMARIO OBIETTIVI
• Prevenire/individuare sia i fenomeni di
frode opportunistica che premeditata
• Individuare frodi per precedenti accertati.
The
TheFull
FullSolution:
Solution:
Total
Risk
Management
Total Risk Management
13
Address,
Electoral
Address,
I.D.
Electoral
lists….
Databases
I.D.
lists….
Databases
…..
…..
CACHE PI
CACHE MOTOR
CACHE HOUSEHOLD
CACHE TRAVEL
Disclosure
Disclosure
Validation
Validation
Authentication
Authentication
Motor
Motor
Home
Home
Fraudster
Fraudster
Checking
Checking
Data-Screening
Data-Screening
Black
list
Black
list
Previous
Applications
Previous
Applications
Fraud
Fraud
Anomalies
Anomalies
Data Mining
Data Mining
© 2002 CRIF Group
Identity
Identity
Validation
Validation
13
FRAUD ANOMALIES
Da usare in fase di preventivo, underwriting e
richiesta di rimborso
© 2002 CRIF Group
• Data Screening effettuato su:
• Black list
• Database contenente anomalie registrate in
application precedenti
LA SOLUZIONE: CACHE
Validazione
storico
Fraud
anomalies
Autenticazione Data-Screening
Auto
Casa,
etc
Black
list
Application
precedenti
Database
Indirizzi,
documenti
…..
Liste
elettorali
Fraud
mining
Data Mining
© 2002 CRIF Group
Modulo di
identificazione
SOMMARIO OBIETTIVI
• Identificare il profilo al cliente per
assegnare il giusto premio assicurativo.
• Validare lo storico del cliente sia in fase di
application che di rimborso
• Individuare/prevenire sia i fenomeni di
frode opportunistica che premeditata/
Individuare frodi per precedenti accertati.
The
TheFull
FullSolution:
Solution:
Total
Risk
Management
Total Risk Management
16
CACHE PI
Address,
Address, Electoral
I.D.
lists….
Electoral
Databases
I.D.
lists….
Databases
…..
…..
CACHE MOTOR
CACHE HOUSEHOLD
Disclosure
Disclosure
Validation
Validation
Authentication
Authentication
Motor
Motor
Home
Home
Fraudster
Fraudster
Checking
Checking
Data-Screening
Data-Screening
Black
list
Black
list
Previous
Applications
Previous
Applications
Fraud
Fraud
Anomalies
Anomalies
Data Mining
Data Mining
CACHE TRAVEL
© 2002 CRIF Group
Identity
Identity
Validation
Validation
16
• Attività di Data Mining per identificare e
analizzare relazioni nascoste tra le parti
• Assicurati
• Conducenti
• Passeggeri
• Mezzi
• Testimoni
• Periti, Officine
• Medici
• …..
© 2002 CRIF Group
FRAUD MINING
FRAUD MINING
Interfaccia di
navigazione
per individuare
collegamenti nascosti
tra le parti
l
dei risultati
grafica
© 2002 CRIF Group
lVisualizzazione
“Questo approccio innovativo dà un contributo
rilevante di particolare valore aggiunto.
Tecnologicamente, in quanto flessibile e poco
costoso.
In termini di efficacia per il maggior supporto
decisionale dovuto all’integrazione delle
informazioni”
(Fraser Fundell, ABI)
© 2002 CRIF Group
COMMENTO
ESTENSIONE AD ALTRE REALTA’ NAZIONALI
• La soluzione è adattabile ad altre realtà
nazionali;
• La rimodellazione all’Italia ha previsto un
ulteriore arricchimento della base informativa
(file nominativi/stringhe di indici territoriali
socio-economici)
© 2002 CRIF Group
• L’applicabilità è immediata a livello di singolo
Gruppo o Compagnia;
MODULO ITALIANO DI FRAUD ANOMALIES
© 2002 CRIF Group
E’ possibile l’utilizzazione di un modulo di
fraud analysis già realizzato e utilizzato nel
settore finanziario, dopo aver analizzato
molte soluzioni straniere
COME FUNZIONEREBBE IL MODULO FRAUD
ANOMALIES
+
© 2002 CRIF Group
• Il sistema incrocia i dati inseriti dall’
Utente sia con quelli presenti nella banca
dati ‘Validazione Storico’ dell’approccio
Cache, che con quelli presenti nelle
banche dati specifiche.
QUALI BANCHE DATI SPECIFICHE?
• LISTE ELETTORALI
• DOCUMENTI SMARRITI E RUBATI
© 2002 CRIF Group
• FILE TELEFONICO
CONTENUTO DELLE BASE DATI
Liste elettorali:Nome, Cognome, Data e
Luogo di nascita, Indirizzo di residenza
di ogni Elettore.
Documenti smarriti e rubati: Numero e
tipo documento, Data e provincia della
denuncia, tipo di denuncia.
© 2002 CRIF Group
File telefonico: Nome e Cognome/
Denominazione, numero di telefono,
indirizzo dei soggetti intestatari di un
contratto di telefonia fissa.
ESITO DEI CONTROLLI
Il modulo evidenzia eventuali discrepanze tra
dati inseriti e dati presenti nei database e
genera uno o più alert
Esempio: su una applicazione finanziaria:
con almeno un alert:
con più di un alert:
con più di un alert
da più banche dati:
41,8%
34,7%
27,7%
© 2002 CRIF Group
Anagrafiche
Anagrafiche
Anagrafiche
provenienti
ULTERIORI CONTENUTI
© 2002 CRIF Group
Il modulo potrebbe prevedere anche
l’integrazione di un indice di qualità
della cella censuaria di appartenenza
di ogni singolo indirizzo, costruito sul
comportamento finanziario dei residenti.