Comment les assureurs industrialisent la lutte contre la fraude grâce à l’IA

En France, l’Alfa (Agence pour la lutte contre la fraude à l’assurance) estime que la fraude touche 15% des sinistres payés par les assureurs ou 5% des primes perçues, soit environ 2 à 2,5 milliards d’euros par an. Environ 300 millions d’euros seulement seraient détectés et récupérés par les assureurs.

Apports de l’IA

Les progrès réalisés en intelligence artificielle ces dernières années ouvrent des perspectives aux assureurs pour lutter plus efficacement contre la fraude. “Les acteurs financiers doivent passer d’un système à base de règles qui ne sont que la réplication de cas de fraude déjà connus à des systèmes auto-apprenants à base de machine learning et de deep learning, qui permettent de détecter des comportements cachés et non identifiés par l’humain”, indique Philippe Keraël, responsable analytics pour la fraude, le risque et la conformité de Capgemini.

Recourir aux techniques d’apprentissage automatique (machine-learning, deep learning et cognitive computing, voir lexique) en complément du modèle déterministe (règles métiers) “vient améliorer la précision de la détection en identifiant les cas de fraude qui n’ont pas été identifiés grâce aux collaborateurs, aux processus ou aux règles de détection conçues par les assureurs”, ajoute Florence Giuliano, directrice de la stratégie contre la fraude pour la zone EMEA chez l’éditeur SAS.

“Mais cela améliore également la productivité en systématisant les contrôles et permet de diminuer les fausses alertes, limitant la gêne pour le client et les coûts d’investigation”, poursuit-elle. Réduire les faux positifs vise en effet à éviter de bloquer des opérations qui ne sont en réalité pas frauduleuses, mais aussi de réaliser des économies en réduisant les effectifs dédiés à leur analyse. “Actuellement, les assureurs disposent parfois de plus de 2 000 ou 3 000 analystes pour gérer les faux positifs et enquêter sur les alertes”, décrit Philippe Kéraël.

Automatisation

Jusqu’ici, raconte Didier Alleaume, associé du cabinet CGI Consulting en charge des questions réglementaires et de gestion des risques, “la lutte contre la fraude était très artisanale, avec un mélange de solutions d’analyse comportementale et de règles de gestion ; et avec beaucoup d’explorations de données réalisées par des data scientists via des requêtes sur des entrepôts de données, pour dénicher des comportements atypiques en corrélation avec des facteurs de risque”. Un fonctionnement coûteux avec un taux de fausses alertes élevé nécessitant un traitement par des humains. Par ailleurs, déplore Didier Alleaume, “les solutions d’analyse comportementales sont encore trop souvent des boîtes noires avec une faible capacité d’évolution des scénarios : il faut parfois jusqu’à six mois pour en faire évoluer un”.

Désormais, de nouvelles solutions intègrent le back testing des scénarios et des outils en temps réel permettent d’ajuster la production des alertes, de modifier les règles de gestion et d’améliorer la pertinence. Et grâce au machine-learning, les solutions peuvent proposer elles-mêmes des axes d’amélioration des scénarios.

Qualité des données

Le principal prérequis de mise en place de solutions d’IA pour lutter contre la fraude, qu’elles soient développées en interne ou via un prestataire, réside dans la qualité des données. “C’est souvent notre plus gros obstacle sur les projets de déploiement, indique Didier Alleaume, qui accompagne des établissements bancaires et des assureurs sur ces sujets. Sans données de qualité pour identifier les clients, leurs comportements et la vie de leurs contrats, il est difficile de détecter des comportements atypiques.”

Un constat partagé par Philippe Keraël, de Capgemini : “le déploiement de ces solutions est extrêmement complexe car les plateformes reposent sur la composante big data et donc la capacité à intégrer des données multi-format, structurées et non structurées, réutilisables dans le cadres des algorithmes. Le travail de préparation de données représente un énorme défi.”

Des technologies open-source offrent la possibilité de développer l’extraction et le stockage de la donnée et certains acteurs font aussi appel à des solutions de gestion de la donnée comme Saagie. D’autres choisissent des solutions de lutte contre la fraude qui gèrent à la fois le nettoyage, la normalisation et l’analyse des données, comme le français Shift Technology.

Les spécialistes encouragent par ailleurs de plus en plus les établissements financiers à regrouper sur une seule plateforme leurs données et systèmes de lutte contre la fraude mais aussi de lutte contre le blanchiment et le cyber-risque. Le défi organisationnel demeure toutefois important (voir encadré).

Développement interne ou éditeurs

Une fois le travail d’extraction et de nettoyage des données effectué, reste à développer la couche haute, c’est-à-dire la partie analytique. Les assureurs peuvent décider de le faire en interne, en utilisant à la fois des outils open source (Python, R) ou bien “des start-up ayant intégré dans un framework complet les technologies open source pour aider les clients à développer eux-même les cas d’usage sur la plateforme”, indique Philippe Keraël. Cette solution coûte moins cher puisque les algorithmes sont développés de bout en bout par l’assureur et que l’acteur évite les coûts de licence des éditeurs.

Par exemple, Allianz “utilise des technologies Big Data sur une infrastructure private cloud gérée par le groupe, avec des outils comme Python et Spark”, nous révèle Jean Boucher, directeur expérience client, intelligence artificielle et big data d’Allianz France, qui dirige l’équipe d’une vingtaine de collaborateurs créée il y a trois ans par le groupe et dédiée au big data et à l’IA. La plateforme, mutualisée au sein du groupe, stocke, collecte de la donnée et génère de la valeur. Une équipe de trois data scientists, deux data engineers et plusieurs chefs de projets travaillent sur des outils de scoring pour détecter la fraude, à la fois à la souscription et à l’indemnisation, depuis deux ans.

“Cela nous a permis de mettre en évidence des variables dont nous n’avions pas conscience qu’elles étaient discriminantes pour la fraude et d’améliorer la pertinence du ciblage grâce au machine-learning”, assure Jean Boucher. “Ce qui change, c’est notre capacité à traiter des volumes de données bien plus importants et à créer des nouvelles règles.” Pour l’instant, seuls des modèles internes sont en production, mais l’assureur n’exclut pas totalement de faire appel à un partenaire dans le futur. Par contre, souligne Jean Boucher, “nous avons aujourd’hui la main sur ces algorithmes car ces sujets sont au coeur de notre métier”.

Éditeurs généralistes

Le cas d’Allianz n’est pas le plus répandu. Comme l’explique Philippe Keraël, “à peine 5% des assureurs choisissent la voie du développement interne car ils sont dépendants de la capacité des équipes en interne à développer sur des langages open source et à maintenir un ensemble cohérent de plusieurs technologies”. De nombreux acteurs préfèrent faire appel à des éditeurs pour les accompagner.

Les éditeurs traditionnels transverses (qui adressent tous types de fraude dans l’assurance) comme SAS, SAP ou IBM assurent avoir intégré les dernières évolutions technologiques et notamment des techniques d’intelligence artificielle poussées. Leurs solutions sont souvent déployées on-premise, chez l’assureur. Chez SAS, qui travaille par exemple avec Admiral au Royaume-Uni, le logiciel est acheté via un contrat pluriannuel (souvent entre trois et cinq ans) avec des coûts de renouvellement chaque année et le projet est facturé à la tâche.

Solutions SaaS spécialisées

D’autres acteurs uniquement spécialisés sur le secteur de l’assurance ont aussi fait leur entrée sur le marché. C’est le cas de Shift Technology en France, qui commercialise une solution SaaS baptisée FORCE pour lutter contre la fraude à l’indemnisation (sans couvrir toutefois la fraude à la souscription). Avantage : “les solutions SaaS peuvent être déployées rapidement et leur souplesse est inégalée”, commente Frédéric Nguyen Kim, consultant, ancien responsable de la lutte contre la fraude chez Allianz France et ancien directeur de l’Alfa. Le ticket d’entrée est moins élevé que celui des éditeurs traditionnels. Shift gère le nettoyage des données de l’assureur, les analyse en local puis renvoie les résultats.

Les points forts de Shift : un modèle analytique ultra-performant qui mêle données de l’assureur et données externes et la connaissance fine des processus métiers – le CEO Jeremy Jawish a par exemple effectué son stage de fin d’études en 2011 chez AXA et y a travaillé sur des modèles mathématiques pour la détection de la fraude. Shift revendique 75% de pertinence sur ses alertes, assure Dan Donovan, ancien de SAS et Verisk recruté par le nouveau bureau américain de Shift,  “contre 30 à 40% chez la plupart de ses concurrents”, nous indique Philippe Keraël.

AG2R a choisi Shift Technology en santé

La solution a été choisie par AG2R La Mondiale pour lutter contre la fraude en santé. “Quand nous avons réfléchi au sujet en 2016, nous voulions un opérateur qui puisse nous apporter de l’agilité”, se souvient Philippe Quique, directeur santé chez AG2R La Mondiale. Jusque là, AG2R La Mondiale utilisait un logiciel permettant d’alerter sur certains contrats “mais cela restait artisanal et nous voulions joindre à la compétence métier acquise de la compétence IA”. La société a réalisé un PoC avec Shift Technology, qui travaillait alors déjà avec AXA sur l’IARD au niveau international et qui adopte une stratégie tarifaire très agressive. Objectif : détecter la fraude mais surtout réduire les faux positifs.

Les partenaires sont désormais en train d’industrialiser la solution, facturée au nombre d’assurés. “Nous visons une rentabilité dans un délai de 12 à 18 mois, une fois les scénarios élargis et toutes les professions couvertes puisque nous avons commencé sur l’optique, le dentaire et l’audioprothèse”, révèle Philippe Quique. Le déploiement sera terminé fin 2018. Si AG2R compte une vingtaine de data scientists, ce sont ceux de Shift qui travaillent sur le projet. “Nous demandons aux assureurs de ne mettre à disposition qu’un chef de projet et un expert de la fraude ainsi que des ressources IT pour extraire les données, détaille Dan Donovan. De notre côté, deux data scientists et un chef de projet sont dédiés au client.” Shift assure que les clients atteignent un ROI en un an (quatre mois pour le plus rapide).

Pas d’accès aux algorithmes

Mais avec Shift Technology, “l’assureur n’a pas la main sur les algorithmes et externalise donc le savoir-faire”, souligne Frédéric Nguyen Kim. Le moteur de Shift est une boîte noire à laquelle l’assureur n’a pas accès, contrairement à des déploiements on-premise avec SAS par exemple.

Avec ce type de solutions, les clients ont tout de même accès à un décryptage du score obtenu. “Les clients ont la possibilité de gérer leur niveau de risque et nous pouvons les aider à ajuster les modèles, ou bien ils peuvent décider de les gérer eux-mêmes”, indique ainsi Ruud Van Gerwen, dédié au marketing produit chez FRISS. La société néerlandaise spécialisée sur la lutte contre la fraude en assurance s’est lancée dans l’activité software en 2011. Sa solution, qui mêle règles métiers et machine learning, utilise à la fois des données internes de l’assureur et des données externes. Elle peut être déployée dans le cloud ou on-premise (plus rarement et à la demande du client). Elle est facturée via une licence selon la taille de l’assureur ou la data consommée.

FRISS propose un module pour détecter la fraude au moment de la souscription

Maxime Mandin

Directeur d’investissement chez BlackFin Capital Partners

FRISS revendique plus de 150 déploiements dans plus de 25 pays, notamment avec Allianz, Generali, Aegon, Atlas… Surtout, la solution couvre à la fois la détection de fraude à la déclaration de sinistres, mais également deux autres modules : “l’un, en amont, pour détecter la fraude au moment de la souscription à une police d’assurance, et l’autre en aval, qui est un module d’investigation et de collecte des preuves autour d’un cas de fraude détecté afin de constituer un dossier judiciaire”, indique Maxime Mandin, directeur d’investissement chez BlackFin Capital Partners, dont le fonds fintech a investi dans la société. FRISS promet un déploiement en moins de six mois et un ROI atteint en moins de douze mois.

Le britannique BAE Systems commercialise également une solution contre la fraude en SaaS pour l’assurance dommages. “Les clients ont accès à une explication de chaque score ainsi qu’aux détails des algorithmes et ils ont la possibilité de tester et modifier le scoring dans la solution”, assure Dan Gumpright, directeur du produit assurance.

La limite de ces solutions spécialisés, selon Didier Alleaume : “elles parcellisent la vision de la fraude, empêchant ainsi la compréhension de certains schémas complexes, et elles limitent la capacité de l’assureur à mutualiser les moyens techniques et humains.” Les solutions généralistes comme SAS mettent au contraire  en avant leur capacité à couvrir la lutte contre la fraude, le blanchiment ou les abus de marché avec un socle technologique commun.

Clé en main

Toujours est-il que les besoins des acteurs évoluent vers des solutions agiles, au déploiement rapide. “Dans les derniers appels d’offres du marché, nous observons une volonté de plus en plus forte des acteurs de recourir à des solutions prêtes à l’emploi qui vont prouver tout de suite leur efficacité, observe Didier Alleaume de CGI Consulting, qui s’apprête à proposer en France sa propre solution de lutte contre la fraude. Ils sont moins enclins à s’engager dans de longs projets avec la construction sur mesure d’une solution. Le temps de conception et de déploiement doit être réduit au minimum et le socle de départ doit déjà être doté en scénarios, case management et reportings, qui seront continuellement enrichis.”

Se regrouper pour lutter contre la fraude groupée

En parallèle de leurs projets internes, les assureurs tentent de mutualiser leurs efforts pour répondre aux évolutions des techniques de fraude. Selon Florence Giuliano, détentrice d’un doctorat d’économie statistique sur la fraude à l’assurance, si les fraudes individuelles et opportunistes, qui représentent des montants faibles (exagération de sinistres par exemple) restent stables, les modes opératoires de la fraude organisée évoluent. Ces fraudes en bande organisée qui représentent de très gros montants se professionnalisent, s’internationalisent et deviennent de plus en plus complexes. D’où la nécessité de créer des alliances entre assureurs et d’échanger des données pour détecter les fraudes.

En France, l’Alfa a décidé de faire appel à Shift Technology pour bâtir un front commun dans la lutte contre la fraude sur l’assurance automobile. S’allier permet notamment de repérer les fraudes en réseau, les multi assurances… et d’améliorer les algorithmes de Shift en les nourrissant de bases de données importantes. “Un pilote a été mené en 2016 sur la base de 40% du marché français et nous a permis de valider le projet”, se souvient Hervé Juteau, directeur qualité, contrôle et anti-fraude chez Aviva France. Le déploiement est en cours : 40% du marché sera en production d’ici la fin de l’année et la totalité en 2019. “Nous nous attendons à un équilibre dès la première année compte tenu de l’investissement réalisé”, ajoute Hervé Juteau.