|
Проблема мошенничества в сфере страхования является одной из наиболее острых на сегодняшний день. Как отмечают эксперты, по отдельным видам страхования, например, автострахованию — как обязательному, так и добровольному, — уровень мошенничества достигает 20-25%. В сложившейся ситуации многие страховые компании находятся в поиске технологий, которые бы позволили им выявлять подозрительные обращения о возмещении страховых убытков. Такие технологии помогают обнаружить закономерности и скрытые связи между не связанными на первый взгляд случаями — по едва уловимым тенденциям и признакам, которые могут укрыться от внимания даже самого опытного специалиста по урегулированию убытков. Использование системы мошеннического скоринга, в которой сочетаются различные аналитические технологии, в том числе автоматизированные бизнес-правила, поиск по базе данных, отчеты по аномалиям и исключениям из правил, прогнозное моделирование, текстовый анализ и сетевой анализ, — позволило бы определять вероятность мошенничества в каждом конкретном случае. И все же возникает странная ситуация: компании нуждаются в системах для борьбы с мошенниками и в то же время ищут причины и объяснения, почему не могут пользоваться такими инструментами.
Ниже представлены 7 основных отговорок, из-за которых страховые компании не используют инструменты прогнозной аналитики для предотвращения мошенничества, а также пояснения, почему эти отговорки несостоятельны.
Вот эти отговорки: «У нас недостаточно данных», «Качество наших данных оставляет желать лучшего», «Наши данные разрознены», «Наши данные не структурированы», «Нам не хватает ресурсов для проведения расследований», «Это для нас очень дорого» и «Коррупция и пробелы в законодательстве делают внедрение бессмысленным».
Отговорка № 1 — У нас недостаточно данных
Прогнозное моделирование для обнаружения мошенничества в сфере страхования включает в себя анализ уже зафиксированных подозрительных требований о выплате страхового возмещения с целью создания определенного набора прогнозных индикаторов для обнаружения подобных случаев в будущем. Это мощный и хорошо работающий метод, но чтобы им пользоваться, нужно накопить базу уже известных подозрительных обращений, на основе которых будет построена аналитическая модель. Когда в компании история подобных обращений невелика, то зачастую ее специалисты считают, что не смогут успешно использовать программу по противодействию мошенничеству.
Что можно сделать?
Для построения обстоятельного прогнозного аналитического решения может быть использовано несколько статистических методов, даже если в прошлом было выявлено лишь небольшое количество мошеннических требований. К примеру, гибридный метод, сочетающий в себе бизнес-правила, обнаружение аномалий и анализ социальных сетей, может выявить мошеннические случаи, даже если до этого не было никакой истории по мошенническим обращениям.
Рассмотрим пример из медицинского страхования. Проанализируем среднюю стоимость лечения у каждого из трех врачей в зависимости от вида заболевания. Средняя стоимость лечения для врача-3 значительно выше средней стоимости лечения у других докторов. Поскольку это вызывает подозрение, случай может требовать более детального расследования.
Врач 1 Врач 2 Врач 3
Заболевание 1 35 37 45
Заболевание 2 23 20 40
Заболевание 3 15 17 35
Отговорка № 2 — Качество наших данных оставляет желать лучшего
Перегруженные работой регуляторы и специалисты по обработке страховых требований идут по пути наименьшего сопротивления для достижения собственных целей. Вы когда-нибудь видели выгодоприобретателя с номером паспорта 99 99 9999 99 или адрес, «не известный» вашей системе? Проблемы качества данных являются одной из основных проблем в каждой большой организации. При этом все понимают, что, когда речь идет об анализе, качество данных на входе обеспечивает качество результатов на выходе. Многие аналитики и исследователи разочарованы плохим качеством данных в транзакционных системах.
Что можно сделать?
Проблемы качества данных не препятствуют успешному внедрению технологии. Надежное решение по противодействию мошенничеству в страховании включает в себя настройку системы управления качеством данных и подготовку информации, которая подразумевает интеграцию и тщательную очистку данных для устранения возможных проблем.
Отговорка № 3 — наши данные разрознены
В страховых компаниях внедрено множество никак не связанных между собой систем, которые используются для обслуживания клиентов, ведения административной политики, работы с претензиями, обработки платежей, управления человеческими ресурсами… Поскольку информация разрознена и фрагментирована, проекты по противодействию мошенничеству часто откладываются, потому что воспринимаются как очень сложные в реализации.
Что можно сделать?
Чтобы внедрить решение по противодействию мошенничеству, не нужно полностью перестраивать корпоративную ИТ-инфраструктуру. Поставщики решений могут использовать инструменты интеграции данных, которые позволяют сопоставить элементы данных из различных внутренних систем, объединить их и собрать картину воедино. Объединение информации из разрозненных источников данных позволит найти новые методы обнаружения мошенничества и противодействия ему.
Отговорка № 4 — наши данные неструктурированы, половина информации — это заметки и комментарии
Исследования показывают, что примерно 80% данных российских страховщиков состоят из неструктурированной текстовой информации. Опытный эксперт по расследованию случаев мошенничества скажет вам, что наиболее ценная информация о страховых возмещениях содержится не в полях формы для заполнения, а в заметках и комментариях. Невозможно иметь отдельное поле для каждой детали, которая может иметь значение, в результате поле для комментариев становится богатым источником информации. К сожалению, текстовые поля обычно не используются для отчетности, они не формализованы, недоступны в хранилищах данных и не используются для построения прогнозных моделей.
Что можно сделать?
Инструменты анализа текстовой информации (Text Mining) позволяют работать с неструктурированной информацией, вплоть до постов в соцсетях, и являются важным элементом решения для борьбы с мошенничеством. Любой опытный следователь захочет сначала прочитать важную информацию, которая находится в комментариях к требованию о выплате страхового возмещения. Поэтому предиктивные модели должны обязательно использовать этот элемент неструктурированных данных. В некоторых решениях по выявлению мошенничества около половины элементов данных, используемых в аналитической модели, приходят из неструктурированных источников данных.
Отговорка № 5 — Нам не хватает ресурсов для проведения расследований
Службы безопасности, которые занимаются расследованием случаев мошенничества, очень часто имеют ограниченные бюджеты. При этом сотрудники перегружены работой. Решения для противодействию мошенничеству позволяют выявлять больше подозрительных случаев, а это означает еще большее увеличение нагрузки по расследованию подозрительных заявок на возмещение. Поэтому если спросить сотрудников компании, отвечающих за расследования, об их желании внедрить решение прогнозной аналитики для выявления случаев мошенничества и мошеннических схем, то многие из них ответят: «Нет, спасибо, мы уже и так потонули в работе».
Что можно сделать?
Решение для борьбы с мошенничеством позволяет не только выявлять больше случаев мошенничества, но и расставлять приоритеты и расследовать наиболее опасные и масштабные случаи, раскрытие которых наиболее целесообразно с экономической точки зрения, то есть такие, где наблюдается наилучшее соотношение между предполагаемой экономией и примерными расходами на расследование. Большинство компаний сейчас работают по системе «первым пришёл — первым обслужили», то есть расследуют страховые случаи просто по мере их поступления. Бизнес-правила, инструменты отчетности и управления расследованиями, входящие в решение для противодействия мошенничеству, помогут директорам по безопасности более эффективно управлять своими ограниченными ресурсами. Даже если компания будет расследовать такое же количество мошеннических случаев, что и раньше, специалисты смогут повысить эффективность своей работы за счет оптимальной расстановки приоритетов и правильного выбора подозрительных требований для проверки. Кроме того, модель позволяет выявлять факты оппортунистического мошенничества (то есть «по случаю», или «бытового»), где не требуется привлечение службы безопасности, поскольку достаточно разговора со страхователем и получения от него отказа от претензии. Согласитесь, бессмысленно расследовать случай, если система зафиксировала факт 100%-ного мошенничества и доказательства выявлены автоматически.
Отговорка № 6 — это для нас очень дорого
Во многих российских компаниях, причем не только страховых, ИТ-подразделения считаются затратными, и внедрение любого ИТ-решения рассматривается как расход. Если с решениями для автоматизации процессов маркетинга менеджеры оправдывают затраты последующим ростом выручки, то решения для противодействия мошенничеству не принесут компании дополнительных доходов, по крайней мере — напрямую.
Что можно сделать?
Внедрение решения для противодействия мошенничеству должно быть экономически целесообразным, и целесообразность эта измеряется количеством сэкономленных на страховых выплатах средств. Учитывая те убытки, которые российские страховые компании терпят из-за неэффективного выявления подозрительных случаев и неправильного распределения ресурсов на проведение расследований, расходы на решения по противодействию мошенничество быстро себя окупят и будут обеспечивать значительную экономию средств. Использование таких решений положительно скажется на таких показателях компании, как прибыльность, финансовая устойчивость и инвестиционная привлекательность, отразится на деловой репутации компании, а также позволит снизить стоимость полисов для добросовестных страхователей.
Отговорка № 7 — коррупция и пробелы в законодательстве делают внедрение бессмысленным
Когда речь идет об организованном групповом мошенничестве, очень часто соучастниками преступлений выступают сотрудники не только самих страховых компаний, но и правоохранительных органов и силовых ведомств. Растет количество случаев с участием «купленных» судей. Во многих видах страхования серьезной помехой являются пробелы в нормативно-правовой базе. Так, например, в ДМС у мошенников много лазеек благодаря отсутствию единых стандартов медицинского обслуживания.
Что можно сделать?
Непротивление мошенничеству и коррупции, по сути, является попустительством. Решения для противодействия мошенничеству позволят страховой компании получать доказательства в причастности к преступлению тех или иных участников каждого конкретного случая. Выявляя нечистых на руку полицейских, замешанных в мошенничестве с полисами ОСАГО и каско, вы, как минимум, покажете, что не намерены мириться с обманом и способны быстро и точно принимать меры к пресечению в том числе и таких преступных действий — вплоть до требования в увольнении из органов (в судебном порядке). Имея на руках доказательства случая мошенничества, вы всегда можете подать кассационную жалобу в суд высшей инстанции, если судья вынес объективно несправедливый приговор. Что же касается пробелов в законодательстве, то здесь важно собирать критическую массу инцидентов и на их основе доказывать необходимость тех или иных нормативно-правовых актов и стандартов.
С развитием и расширением страховых операций учащаются случаи и мошенничества. При этом, хотя непосредственной жертвой такого рода преступлений является страховая компания, в конечном счете, больше всего страдают добропорядочные клиенты страховщиков, поскольку именно из средств уплаченных ими взносов осуществляются выплаты мошенникам. С учетом увеличения количества мошеннических претензий, для страховых компаний является крайне важным использование современных методов углубленной аналитики, которые позволяют выявить не только отдельные случаи мошенничества, но и целые мошеннические группы. Организованное мошенничество по своей природе — активное и чрезвычайно гибкое. Анализ как структурированных, так и неструктурированных данных позволит компаниям определять с наибольшей вероятностью, является ли та или иная заявка мошеннической или нет, правильным образом распределить усилия и значительным образом сократить свои расходы по выплатам.
|
