Shift Technology explore le traitement automatisé des demandes d’indemnisation

Shift Technology, qui développe une solution technologique de détection de la fraude à l’assurance basée sur l’automatisation et le traitement statistique des données, a dévoilé le 24 octobre une levée de fonds en Série B de 28 millions de dollars (près de 24 millions d’euros). A cette occasion, le fonds de capital-risque américain General Catalyst fait son entrée au capital. Il rejoint les actionnaires historiques Accel, Iris Capital et Elaia Capital (détenant à eux trois près de 42% du capital avant cette opération), qui ont réinvesti.

Cette dernière levée porte à près de 40 millions de dollars les fonds levés par la société depuis 2014. Shift Technology indique compter 45 clients assureurs en portefeuille, dont AG2R La Mondiale en France. “En Europe, nous avons déjà fait économiser à nos clients plus de 30 millions d’euros”, annonce Jérémy Jawish, CEO de la société.

La technologie développée par l’équipe de cofondateurs issus de Polytechnique a permis d’analyser plus de 100 millions de déclarations de sinistres en assurance dommages à travers le monde. Comme mind Fintech l’évoquait en juin dernier, la start-up cite un taux de pertinence de 75% sur les déclarations suspectes, contre une moyenne de 30% à 35% dans le secteur.

Un algorithme pour saisir le sens

Si Shift Technology s’est fait une place sur le marché de la lutte contre la fraude, la start-up oriente aussi ses efforts dans une seconde direction : le traitement automatisé et intelligent des demandes d’indemnisation. Un chantier que le CSO, Eric Sibony, détaille dans un post de blog particulièrement instructif. Le responsable révèle avoir supervisé le développement d’un premier prototype pour le traitement automatisé des demandes d’indemnisation basé sur des documents numérisés. Ce processus est habituellement assuré par des gestionnaires sinistres ; il implique la manipulation de multiples documents (factures et certificats médicaux, billets d’avion…) et se retrouve en conséquence exposé à des erreurs.

Shift Technology a décidé de se saisir de cet enjeu au début de l’été 2017. Eric Sibony explique que le traitement de documents numérisés pour évaluer une couverture d’assurance va bien au-delà d’un simple dispositif OCR (reconnaissance optique de caractères). Ce dernier est comparé à un enfant qui peut lire le document mais ne comprend ni sa signification ni ses implications. Il fallait donc développer un algorithme qui permette de saisir le sens des différentes données sur des documents de qualité disparate.

Une fiabilité de 97%

L’algorithme de deep learning développé au bout de trois mois “repose sur la rétropropagation du gradient (backpropagation) pour optimiser la classification avec une option de rejet. Cela signifie que le modèle peut dire “je ne sais pas” s’il n’est pas assez confiant dans sa prédiction, ce qui lui permet d’être beaucoup plus efficace dans son apprentissage sur des cas où il prédit”, détaille Eric Sibony. Sa performance est évaluée à travers deux KPIs : la fiabilité en cas de prédiction et le taux de prédiction.

Ce module baptisé “Luke” permet en conséquence une prise de décision automatisée sur l’indemnisation ou non (et son montant) basée des critères paramétriques et des règles de gestion propres à l’assureur. Il est complété par la solution anti-fraude de la société dénommée “Force”. Les premiers tests ont notamment porté sur l’assurance perte de revenus. Sur un premier échantillon de plus d’un million de documents, le module a obtenu un taux de prédiction de 81% avec une fiabilité de 97%.

“Pour un volume de 1 million de demandes d’indemnisation par an, cela représente une économie de charge de travail de 50 millions de dollars et permet de réduire les coûts liés aux erreurs de traitement (leakage) de plus de 20 millions de dollars par an”, évalue Eric Sibony. Shift Technology annonce un lancement commercial début 2018.