TECNICHE DI MACHINE LEARNING PER L’IDENTIFICAZIONE DELLE FRODI NELL’ASSICURAZIONE AUTO
“Road testing: machine learning and the efficiency of fraud detection” (ARTICOLO, 2 giugno 2021)
Nefeli PAMBALLI, Phanis IOANNOU, Yiannis PARIZAS
THE ACTUARY
https://www.theactuary.com/
THE ACTUARY – Link all'ARTICOLO
I sinistri fraudolenti rappresentano un costo significativo per il settore dell’assicurazione r.c. auto, provocando in media un aumento del combined ratio delle imprese del 5%-10%.
Tradizionalmente, le aziende utilizzano valutazioni di esperti per decidere quali sinistri debbano essere oggetto di indagine per sospetta frode. Gli Autori del presente lavoro, pubblicato nel numero di giugno 2021 della rivista The Actuary, hanno creato una pipeline di apprendimento automatico per aiutare a ottimizzare i processi nell'Unità aziendale di gestione delle frodi (FMU), al fine di ridurre il costo dei sinistri fraudolenti.
Utilizzando tecniche di data science, si sono concentrati sulla riduzione dei costi e sull'aumento dell'efficienza dei processi di rilevamento delle frodi, puntando sui sinistri che hanno maggiori probabilità di rivelarsi fraudolenti. Le imprese trarrebbero vantaggio da:
- una riduzione delle spese operative, poiché la liquidazione dei sinistri con bassa probabilità di frode risulterebbe accelerata;
- una migliore esperienza del cliente, che porterebbe a una maggiore soddisfazione e a più elevati livelli di fidelizzazione;
- un aumento del tasso di rilevamento delle frodi, che ridurrebbe il combined ratio.
Nello studio, ai sinistri è assegnato un punteggio di probabilità di frode, con due soglie di intervento. La soglia inferiore è interpretata come il limite per i sinistri a liquidazione accelerata, mentre qualsiasi sinistro al di sopra della soglia superiore è interpretato come richiedente un'azione antifrode; tutto ciò che si trova tra le due soglie è trasmesso per la valutazione della FMU. Il numero di richieste che rientrano tra le due soglie è stato determinato dalla capacità mensile della FMU di indagare sui sinistri.
I dati provengono da casi di frode passati e sono stati testati vari modelli statistici (logistic regression, classification tree e gradient boosting) e di apprendimento automatico per prevedere i sinistri fraudolenti.
La conclusione è che tre modelli particolari, in combinazione, producono le migliori previsioni. Il monitoraggio futuro è un elemento importante del processo, in quanto garantisce la sostenibilità del lavoro in modo che il quadro rimanga aggiornato e adatto allo scopo.