Detección del fraude en los accidentes de tráfico y análisis de datos

Algo más del 60% de los intentos de fraude a seguros detectados se da en el ramo del automóvil. Al ser el seguro más extendido (dada su obligatoriedad para circular), es normal que concentre el mayor número de fraudes, según recoge el último informe de la asociación empresarial del seguro (UNESPA). En consecuencia, las aseguradoras concentran buena parte de sus esfuerzos en la lucha contra el fraude en este sector. Para ello, han encontrado un nuevo aliado en el análisis avanzado de datos.

El fraude en los accidentes de tráfico

En los últimos años, se ha detectado un incremento de accidentes simulados e, incluso, provocados. La mayor parte de estos intentos de fraude tienen detrás a grupos organizados expertos en diferentes tipos de timos, como simulación de atropellos o colisiones provocadas con vehículos de alquiler. Uno de los más populares es el timo de la rotonda y sus variantes. Un tipo de fraude en el que se busca la colisión intencionada dentro de las rotondas.

Durante la última edición de la Semana del Seguro, Willis Towers Watson presentó el caso del fraude de la rotonda de Eden Point en Manchester. A lo largo de tres años, un grupo organizado contrató conductores para que, mediante diferentes engaños (el más común era desconectar las luces de freno), involucrasen a terceros vehículos en accidentes. Aunque la colisión era leve, todos los integrantes del vehículo que buscaba la colisión declaraban daños corporales.

Tras detectarse una cifra desorbitada de accidentes en esa rotonda, la policía y varias aseguradoras iniciaron una investigación coordinada. Así se destapó el engaño. El conductor detenido reconoció su participación en 93 accidentes deliberados. Esto generó un coste de casi 1,9 millones de euros para los seguros.

Análisis avanzado: text mining y topic modeling

Las aseguradoras manejan grandes conjuntos de datos asociados a los siniestros y sus riesgos. Muchos de ellos son estructurados, es decir, etiquetados para que sean comprensibles para las herramientas informáticas. Pero muchos otros son desestructurados como, por ejemplo, las notas del tramitador de siniestros, el feedback del cliente o las notas del agente.

Los sistemas tradicionales para extraer información de estos datos desestructurados en forma de texto se dejaban información de alto valor por el camino. La existencia de palabras con poco significado, la relación entre los términos, la existencia de polisemias o las abreviaturas dificultaban la utilización de estas fuentes de datos mediante herramientas digitales.

Procesos como el text mining logran extraer información de valor de estos textos. Información que, una vez procesada, puede ser utilizada para el análisis avanzado y el apoyo en la toma de decisiones. Las herramientas de text mining son capaces, mediante algoritmos que trabajan de forma autónoma, de identificar patrones y tendencias en cualquier tipo de texto.

Data science y detección de fraude

Las tecnologías de análisis y la ciencia de datos permiten, hoy por hoy, contar con herramientas para detectar fraudes y predecir sus consecuencias. Estas herramientas tienen en cuenta desde informes de mercado y tendencias hasta los datos desestructurados del tramitador de siniestros, pasando, claro, por los datos estructurados del siniestro y la póliza.

Para integrar todas las fuentes de datos y trabajar con ellas, Willis Towers Watson ha desarrollado Radar Live. Esta herramienta aplica text mining, técnicas de machine learning para la modelización y el análisis predictivo e incorpora un social network analysis (SNA) para estudiar las relaciones interpersonales entre los sujetos implicados. Todo esto consigue aplicarse en tiempo real para que el encargado de gestionar el siniestro disponga, en el momento justo, de la información precisa sobre la probabilidad de fraude.

En definitiva, la analítica avanzada de datos y el machine learning permiten medir aspectos que antes se escapaban al control de las aseguradoras, incluir en los procesos de detección de fraude datos e información de valor antes inalcanzable, mejorar la eficiencia del sistema y, como resultado, detectar un mayor número de fraudes a tiempo.