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.