Analizzare i big data per prevenire le frodi assicurative
Le frodi in campo assicurativo oltre a diventare sempre più numerose, diventano anche più articolate; elemento che aumenta la complessità del processo di smascheramento da parte delle compagnie. Per far fronte a questa problematicità il digitale, e in particolare l’AI, possono fornire un prezioso aiuto, permettendo un’analisi più veloce e raffinata dei dati a disposizione per snellire il processo di identificazione delle frodi.
Frodi assicurative: aumentano in numero e sofisticatezza
Le frodi assicurative in Italia sono in costante aumento, con particolare incidenza nel settore della Responsabilità Civile Auto (RC Auto). Secondo ANIA, nel 2023 sono stati denunciati 2.490.816 sinistri alle compagnie assicurative, con un incremento dell'1% rispetto al 2022. L'incidenza dei sinistri esposti al rischio di frode ha raggiunto il 26,2% del totale, il livello più alto dell'ultimo decennio, in crescita rispetto al 25,4% del 2022 e al 23,9% del 2021.
Le frodi in campo assicurativo oltre a diventare sempre più numerose, diventano anche più articolate; elemento che aumenta la complessità del processo di smascheramento da parte delle compagnie. Per far fronte a questa problematicità il digitale, e in particolare l’AI, possono fornire un prezioso aiuto, permettendo un’analisi più veloce e raffinata dei dati a disposizione per snellire il processo di identificazione delle frodi.
La sfida per le compagnie assicurative
L’evoluzione delle modalità di frode e l’aumentare della sofisticatezza delle azioni fraudolente mette sempre più alla prova le compagnie assicurative. La sfida oggi verte su alcuni punti ancora critici, ma assolutamente da presidiare:
- controllare i processi secondari, come la perizia e le riparazioni (auto, cristalli, carrozzerie, assistenza auto e abitazione/fabbricati), le valutazioni medico-legali e il contenzioso;
- analizzare i dati di dettaglio, come i ricambi auto, le parti riparate e sostituite, le lavorazioni e i ricambi utilizzati in ambito assistenza abitazione e fabbricati, ovvero in funzione del ripristino dei danni successivo;
- ampliare il processo di analisi antifrode all’On-boarding di nuovi clienti, in fase assuntiva del rischio, e, non ultimo, considerando anche i reclami;
- potenziare l’analisi antifrode ai Rami Elementari.
Le compagnie assicurative sono pertanto alla ricerca di nuove soluzioni dinamiche per contrastare le frodi, attraverso le funzionalità di Big Data e Advanced Analytics. Analizzando il repository di big data l’obiettivo deve essere quello di identificare nuove regole e permettere il monitoraggio della qualità delle regole esistenti al fine di affinare l’attendibilità dell’identificazione delle anomalie. Nel processo vengono incluse regole deterministiche, algoritmi per collegare i soggetti coinvolti nel sinistro all’interno della rete costruita sul portafoglio sinistri, regole predittive e rilevamento delle immagini.
Grazie all’affinamento della fase di analisi si rende possibile rilevare automaticamente le denunce di sinistro con un’alta probabilità di frode. Le compagnie assicurative possono così concentrarsi sull’attività di prevenzione, molto più economica della verifica a frode già avvenuta.
La soluzione di GFT
GFT ha sviluppato una soluzione avanzata che utilizza algoritmi di Machine Learning per migliorare l'identificazione predittiva delle frodi all'interno del vasto repository di Big Data della compagnia assicurativa. Attraverso l'analisi avanzata, la soluzione è in grado di individuare "anomalie" e potenziali frodi, gestendo efficacemente sia dati strutturati che non strutturati provenienti da fonti esterne, incluse basi di dati istituzionali.
Questa tecnologia si integra con i sistemi di gestione dei sinistri e con le piattaforme dedicate ai processi di on-boarding dei clienti e di sottoscrizione delle polizze. Gli utenti possono effettuare analisi self-service rapidamente, sfruttando le potenzialità della soluzione, per identificare insight e correlazioni all’interno di grandi volumi di dati eterogenei.
I risultati ottenuti sono significativi: si è registrata una diminuzione del 10% dei falsi positivi, grazie a regole euristiche e modelli predittivi, insieme a un incremento del 30% nel rilevamento di frodi precedentemente nascoste. Questi risultati dimostrano come l'adozione del Machine Learning possa ottimizzare la gestione dei rischi e migliorare l'efficienza operativa.
