Математика против аферистов: как теория графов помогает выявлять страховое мошенничество в логистике
На российском рынке наблюдается значительное увеличение количества мошеннических схем в логистике и грузоперевозках. По данным платформы цифрового сопровождения страхования логистики Zunami, по итогам 2023 года зафиксирован рекордный – двукратный рост объема выявленных схем страхового мошенничества в грузоперевозках.
Размер среднего ущерба от мошеннических действий в сфере грузоперевозок также растет год от года. Так, по данным сервиса ИМПАКТ, в 2023 году этот показатель увеличился на 1,3-1,6 млн рублей по сравнению с прошлым годом.
Вместе с тем, Всероссийский союз страховщиков (ВСС) отмечает, что ситуация с мошенничеством в страховании в последние годы стабилизируется за счет того, что страховые компании с каждым годом все эффективнее взаимодействуют друг с другом и правоохранительными органами, а также работают с цифровыми информационными базами.
Аналитики Zunami отмечают, что за прошлый год цифровые антифрод-решения помогли выявить на платформе почти 3 тыс. подозрительных операций, благодаря чему страховщики смогли избежать потенциальных потерь на 211 млн рублей. Это 59% от общего объема заявленных убытков по потенциально мошенническим заявлениям, которые получили страховые компании, подключенные к платформе.
Каким образом технологии могут помочь защититься и страховщику, и грузоперевозчику — читайте в этом материале.
Старое не работает, новое не внедрено
Перестройка российской экономики, появление новых транспортных маршрутов и растущее санкционное давление привели к серьезным изменениям в логистических цепочках и стали благодатной почвой для появления новых форм мошенничества. Сегодня страхование практически каждой грузоперевозки может быть сопряжено с рисками недобросовестных действий со стороны злоумышленников.
В основном это происходит из-за колоссального объема данных: обработка и анализ информации о грузах, транспорте, маршрутах, людях и многих других критичных деталях требует значительных человеческих ресурсов и времени. В том же числе — человеческий фактор: мошеннические действия могут быть тонко спланированы и проведены так, чтобы не вызывать подозрений у сотрудника страховой компании.
Такие инструменты противодействия фроду, как использование страховщиками черных и белых списков контрагентов или установление правил для ручной проверки, считаются традиционными, но на практике малоэффективны. Эти методы только замедляют бизнес-процессы страховщика и не успевают за скоростью появления новых мошеннических схем.
Как работают передовые диджитал-антифрод-системы?
В таких условиях готовые ИТ-решения на базе технологий искусственного интеллекта и машинного обучения становятся не просто востребованными, но и необходимыми инструментами для борьбы с мошенничеством.
Искать страховое мошенничество долго и дорого: чтобы выявить незаконную схему, сотрудникам страховых компаний нужно проанализировать множество данных и сравнить сотни страховых случаев. Цифровые решения могут эффективно анализировать огромные массивы данных и автоматизировать ручную работу. В современных антифрод-решениях используются:
Прогнозные модели, которые оценивают вероятность мошенничества на этапе подачи заявления, опираясь на исторические данные, паттерны поведения людей и учреждений. Алгоритмы для мониторинга транзакций и быстрого реагирования на подозрительные действия в реальном времени и своевременного уведомления на электронную почту. Графовые структуры логистических схем для проверки связей между контрагентами и выявления групп мошенников. Построение графов используется как основа для механизмов машинного обучения.
Все эти технологии могут помочь страховщикам приспособиться к новой реальности.
Графы для обнаружения мошенничества
Графовый анализ становится всё более популярным в выявлении мошенничества, особенно в страховой отрасли, где данные часто сильно взаимосвязаны. Графы интуитивно понятны и естественно отражают взаимозависимости между различными сущностями, что позволяет анализировать мошенников в контексте их связей с другими участниками сети, а не изолированно. Кроме того, графы устойчивы к многообразию мошеннических схем, и мошенникам сложнее манипулировать системой без знания обо всей сети, что повышает шансы на их обнаружение.
Выявлению мошенничества в страховании с использованием графов посвящено большое количество научных работ. Так, ученые из иранского университета Tarbiat Modares предлагают метод, основанный на анализе циклов в графах с помощью графовых алгоритмов для идентификации мошеннических групп, который показывает высокую эффективность. Специалисты из университета Рейкьявика разработали стратегию, использующую алгоритм BiRank для извлечения данных о мошенничестве из социальных сетей. Они показали, что результаты модели улучшаются при использовании графовых признаков для обучения.
Исследование данных
Изучив ряд исследований, мы обнаружили, что анализ подозрительных графов и включение графовых признаков в обучающую выборку показывают хорошие результаты в сфере страхования, поэтому поставили своей задачей разработать общую модель данных для обнаружения мошенничества на базе этих методов. Мы подошли к анализу имеющихся данных со следующими предположениями: выявленные случаи мошенничества по претензиям могут быть частью более сложной схемы.
Графовый скоринг и машинное обучение
Граф позволяет быстро определить, как связаны между собой персоны, претензии и накладные в масштабе такой сложной схемы. Зная, что некая перевозка — «мошенническая», мы можем присвоить скоринговые баллы контрагентам, которые находятся с ней в близких отношениях.
Скоринговые баллы присваиваются в зависимости от степени связанности контрагента с подтвержденными мошенниками или мошенническими действиями. Такой подход позволяет создать дифференцированную систему оценки риска, учитывающую как прямое участие в мошенничестве, так и косвенное через графовые связи. Затем эти данные используются для обучения прогнозной модели, используемой в рамках антифрод-модуля.
Оценка контрагента и автоматический контроль сразу по нескольким реестрам с помощью такой модели — это уже реальность: модуль за несколько секунд проверяет грузоотправление или претензию по нескольким десяткам параметров. Если операция выглядит подозрительной, она помечается как потенциально мошенническая. Менеджер получает уведомление, и на базе этого страховая компания может принять решение об отказе в выплате. Обученная модель имеет высокую предиктивную ценность, чему способствует интеграция классических и графовых признаков.
* * *
Внедрение ИИ-технологий и машинного обучения в страховые процессы, безусловно, будут и дальше способствовать противодействию мошенничеству. Страховым компаниям становятся доступны полная автоматизация процессов и автоматический контроль потенциального мошенничества сразу по нескольким реестрам. По данным Zunami, только за два месяца в 2024 году страховщики в рамках платформы смогли сэкономить более 28 млн рублей потенциальных выплат по мошенническим претензиям именно благодаря внедрению технологий машинного обучения.