ПО для выявления страхового мошенничества: сокращение фальсификаций на 26%

Суть проекта

  • Случаи мошенничества сократились на 26%.

  • Точность алгоритмов — 72%. 

  • Система обрабатывает 320 миллионов запросов за 4 часа.

  • 90% идентифицированных случаев обмана связаны со сложными мошенническими схемами.

О клиенте

Заказчиком проекта был Московский городской фонд обязательного медицинского страхования. Это государственная организация, созданная для финансирования программ по обязательному страхованию здоровья и контроля за рациональным использованием денежных средств.

История проекта

Страховое мошенничество стало серьёзной проблемой для Фонда. Фальсифицированные запросы по выплатам составляли значительную часть всех запросов, что ежегодно приводило к огромным финансовым потерям.

Для предотвращения финансовых потерь Фонд решил использовать более эффективный подход для обнаружения и реагирования на действия мошенников. Для реализации этой цели руководство Фонда стало искать специалистов по разработке автоматизированных решений по обнаружению мошенничества в страховом бизнесе

В результате Фонд обратился за помощью в организацию, которая уже много лет является партнёром ПСТ Лабс. Эта компания знала о нашей экспертизе в области разработки сложных алгоритмов и оптимизации бизнес-процессов. Поэтому партнёр пригласил ПСТ Лабс участвовать в проекте и возложил на нас выполнение сложных задач.

Решение

Работая совместно с партнёром, мы разделили обязанности следующим образом:

  • Партнёр отвечал за бизнес-анализ: его команда разрабатывала правила и проводила анализ случаев мошенничества (см. ниже).
  • Наши эксперты отвечали за разработку: мы писали алгоритмы машинного обучения, создавали пакетные процессы и разрабатывали систему, способную обрабатывать данные в условиях высокой нагрузки в соответствии с требованиями разработанных правил. 

Для распознавания мошенничества со стороны страховых компаний и поставщиков медицинских услуг, которые подчиняются Фонду, мы разработали комплексное решение на основе машинного обучения. 

Решение охватывает следующие этапы:

  1. Создание правил, набора характеристик, используемых для группировки счетов в страховые случаи.
  2. Алгоритмизация правил.
  3. Применение правил к случаям с их дальнейшим анализом, где случай – серия процедур, которые выполняет медицинское учреждение для лечения определённого заболевания.
  4. Обновление правил для дальнейшего усовершенствования алгоритмов.
  5. Автоматизация принятия решений для обнаружения подозрительных действий.

Разработка ПО для обнаружения мошенничества в страховом бизнесе

Адаптация бизнес-правил. Для управления бизнес-правилами мы использовали систему FICO Blaze Advisor. Одной из проблем проекта стало то, что эти правила применялись в работе Фонда впервые, и аналитики нашего партнёра не могли определить коэффициент точности. Поэтому мы предложили скорректировать правила в процессе работы над проектом путём определения нижних и верхних пороговых значений и наблюдения за индикаторами.

Обнаружение махинаций с помощью алгоритма  группировки счетов. Все счета, которые верифицируются автоматизированными алгоритмами, поступают по разным каналам и содержат информацию в разных форматах. 

Благодаря алгоритму группировки счетов специалисты ПСТ Лабс смогли объединить эти счета в случаи. Наша команда разработала систему профилей медицинских заболеваний (описания типичных процедур лечения), применила их к случаям и проверила величину расхождения данных. 

В 72% случаев мы верно определили характеристики лечения и идентифицировали, имеет ли случай какие-либо нарушения.

Клиентоориентированность. Для специалистов ПСТ Лабс было важно, чтобы система была как можно более удобной для пользователей. Наша команда создала понятный и последовательный функционал программы. Представители Фонда могут самостоятельно управлять программным обеспечением с помощью бизнес-правил.

Как алгоритм группировки счетов помогает обнаружить мошенничество. Пример страхового мошенничества.

  1. Пациент консультируется с доктором по определённому заболеванию.

  2. Доктор назначает лечение, которое включает сеансы физиотерапии.

  3. Счета пациента направляются в Фонд для верификации.

  4. Алгоритм группирует счета в случай.

  5. Профиль, связанный с лечением, применяется к случаю.

  6. Оказывается, что назначенная физиотерапия не является необходимой для лечения при этом заболевании.

  7.  Действия врача анализируются и оказывается, что предписания подобного лечения ничем не обусловлено. Физиотерапия лишь увеличивает стоимость лечения и выплаты в адрес медицинского учреждения.

  8. Случай маркируется как мошеннический.

Результат

Успешное обнаружение мошенничества. По результатам годового отчёта за 2017/2018 год, Московский городской фонд обязательного медицинского страхования отметил значительный рост выявленных случаев махинаций со счетами благодаря запуску автоматизированной системы обнаружения признаков страхового мошенничества.

  • 2017 год: обнаружено 48,07% от общего числа нарушений (2.710.316 случаев).
  • 2018 год: обнаружено 95,3% от общего числа нарушений (2.071.188 случаев).

Эти цифры показывают, что внедрение решения по обнаружению мошенничества в 2018 году помогло удвоить количество выявленных нарушений по сравнению с предыдущим годом. 

В то же время количество мошеннических случаев снизилось примерно на 26%.

Идентификация сложных случаев. Глубокий анализ показал наличие более изощрённых схем обмана. Аналитики нашего партнёра выявили, что в 90% случаев мошенничества вовлечены третьи стороны. Внедрённый алгоритм группировки счетов доказал свою эффективность в идентификации подобных схем.

Корпоративная культура в отношении мошенничества. Внедрение системы обнаружения мошенничества было успешным по двум причинам. С одной стороны, работники Фонда получили эффективный инструмент для определения попыток обмана. С другой стороны, новость о вводе в эксплуатацию решения для жёсткого мониторинга вынудило подотчётные Фонду структуры стать более законопослушными и дисциплинированными. 

Быстрая обработка больших объёмов данных. Для нашего клиента главным индикатором эффективности системы было количество принимаемых ею решений. Специалисты ПСТ Лабс создали решение, которое способно обрабатывать до 320 миллионов счетов за 4 часа.

Получить консультацию

Оставить заявку
Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound