Graphes et détection de fraude : exemple de l'assurance

Détection de fraude à l'assurance avec Neo4j et Linkurious

SAS founded in 2013 in Paris | http://linkurio.us | @linkurious

CEO

Fondateur de Gephi

Phd en Informatique et Systèmes Complexes

CMO

>5 ans dans le conseil

Sciences-Po et Intelligence Economique

HELLO WORLD

Linkurious est une startup fondée en 2013

Jean Seb Romain

CTO

Ingénieur (Microsoft, Spotify)

Machine Learning (Georgia Tech)

QU’EST CE QU’UN GRAPHE?

Father Of

Father Of

Siblings

Ceci est un graphe

QU’EST CE QU’UN GRAPHE : NOEUDS ET RELATIONS

Un graphe est un ensemble de noeuds liés par des relations

Father Of

Father Of

Siblings

Ceci est un noeud

Ceci est une relation

Antennes, serveurs, téléphones, clients

Dépanner plus rapidement des réseaux

Noms, adresses, téléphones, transactions

Identifier des transactions et individus suspects

Fournisseurs, routes, entrepôts, produits

Diminuer le temps et coût de transport

Quelques domaines dans lesquels nos clients utilisent les graphes

CAS D’UTILISATION

Logistique Sécurité Telco

La compagnie d’assurance analyse les déclaration et indemnise ses clients. Les

fraudeurs n’ont qu’à toucher l’argent !

Sur la base du scénario, les fraudeurs remplissent leurs déclarations d’assurance

(blessures et dégâts matériels).

Quelques fraudeurs se réunissent. Ils définissent un

scénario d’accident et le réalise.

Organiser de faux accidents pour recevoir de vraies indemnités

COMMENT FONCTIONNE LA FRAUDE A L’ASSURANCE AUTOMOBILE

Organiser un faux accident

Encaisser de l’argent

Faire appel à son assureur

$80 milliards par an de coûts liées à la fraude pour les compagnies d'assurances

$144 de coût supplémentaire par conducteur au RU

LE COUT DE LA FRAUDE

Source : http://www.insurancefraud.org/80-billion.htm#.U4iTFxV9SuY

Mais pourquoi est-il si difficile de détécter les fraudeurs?

POURQUOI EST IL DIFFICILE D’IDENTIFIER LES FRAUDEURS

Les criminels demandent des sommes modestes, coordonnent leurs déclarations et ont

des “blessures” impossibles à vérifier

PROBLEME 1 : LES CRIMINELS SAVENT ETRE DISCRETS

PROBLEME 2 : DIFFICILE DE VOIR UNE ANOMALIE DANS UN GRAND VOLUME DE DONNEES

D’un accident à l’autre, le véhicule, les personnes, and leurs rôles changent : difficile de

voir un schéma émerger

Comment les graphes peuvent aider?

LES GRAPHES ET LA DETECTION DE FRAUDE

Un accident unique n’a pas l’air suspect

UN MODELE DE DONNEES POUR UN ACCIDENT UNIQUE

IS_LAWYERIS_DOCTOR

Udo(Person)

Monroe(Person)

Robrectch(Person)

Skyler(Person)

Euanthe(Person)

Jasmine(Person)

Chelle(Person)

Sousanna(Person)

Focus(Car)

Corolla(Car)

Accident 1(Accident)

IS_INVOLVEDIS_INVOLVE

D

PASSENGER DRIVERDRIVER PASSENGER PASSENGER PASSENGER

3 accidents séparés (en haut) implique 8 personnes différents (en bas) qui sont connectées entres elles : suspect?

En regardant les déclarations sous forme de graphes, on voit les groupes de fraudeurs

A QUOI RESSEMBLE UN GROUPE DE FRAUDEURS

En tant qu’analyste fraude, nous utiliserons Neo4j pour analyser les déclarations d’assurance et voir si nous pouvons identifier quelque chose de suspect

COMMENT DEMASQUER UN GROUPE DE FRAUDEURS : POINT DE DEPART

L’enquête commence par un accident...

1. Est-ce que les personnes impliquées dans l’accident sont aussi dans d’autres accidents?

2. S’ils le sont, avec qui sont-ils impliqués? Ces personnes sont-elles connectées à d’autres

accidents?

3. Est-il possible de détecter la fraude automatiquement?

COMMENT DEMASQUER UN GROUPE DE FRAUDEURS : QUESTIONS

QUESTION 1 : EST CE QUE LES PERSONNES IMPLIQUES DANS L’ACCIDENT SONT DANS D’AUTRES ACCIDENTS

MATCH (accident)<-[]-(cars)<-[]-people-[]->(othercars)-[]->(otheraccidents:Accident)

WHERE accident.location = 'New Jersey'

RETURN DISTINCT otheraccidents.location as location, otheraccidents.date as date

Une simple requête Cypher pour Neo4j

location date

Florida 23/05/2014

Florida 27/05/2014

QUESTION 1 : EST CE QUE LES PERSONNES IMPLIQUES DANS L’ACCIDENT SONT DANS D’AUTRES ACCIDENTS

Nos suspects sont impliqués dans 2 autres accidents

Avec un simple “*” on élargit la recherche à tout le graphe

QUESTION 2 : AVEC QUI SONT-ILS IMPLIQUES

MATCH (accident)<-[*]-(potentialfraudtser:Person)

WHERE accident.location = 'New Jersey'

RETURN DISTINCT potentialfraudtser.first_name as first_name, potentialfraudtser.last_name as last_name

first_name last_name

Udo Halstein

Robrecht Miloslav

Monroe Maksymilian

Skyler Gavril

Euanthe Rossana

Jasmine Rhea

Sousanna Pinar

Chelle Jessie

QUESTION 2 : AVEC QUI SONT-ILS IMPLIQUES

On a 8 personnes impliquées dans 3 accidents

Peut-on détecter automatiquement ces comportements suspects?

QUESTION 3 : EST IL POSSIBLE DE DETECTER LA FRAUDE

Rechercher en temps réel des “victimes” suspectes

QUESTION 3 : EST IL POSSIBLE DE DETECTER LA FRAUDE

MATCH (person1:Person)-[*..2]->(accident1:Accident)<-[*..2]-(person2:Person)-[*..2]->(accident2:Accident)<-[*..2]-(person3:Person)-[*..2]->(accident3:Accident)

RETURN DISTINCT person1, person2, person3

Une requête Neo4j est utilisée pour vérifier un pattern de fraude

Identifier des comportements suspects à grande échelle

QUESTION 3 : EST IL POSSIBLE DE DETECTER LA FRAUDE

Nouveau client

Nouvelle voiture enregistrée

Nouvel accident

On identifie les fraudeurs éventuels

Un événement déclenche une vérification

Les équipes de fraude sont plus rapides et les pertes

peuvent être limitées.

Linkurious aide les équipes de fraude à étudier les

données et enquêter sur les cas suspects.

Linkurious aide à verifier les alertes pour s’assurer que les

vrais clients ne sont pas traités comme des criminels.

Enquêter sur les cas sérieux

Traiter les faux positifs

En cas d’alerte, un analyste peut utiliser Linkurious pour rapidement évaluer la situation

CE QU’APPORTE LINKURIOUS

Economiser de l’argent

DEMO

Aller sur linkurio.us et essayez !

Prêt pour le cloud et basé sur l’open-source

TECHNOLOGIE

Les graphes sont partout

AUTRES CAS D’UTILISATION

CONCLUSION

Contactez-nous pour discuter de vos projets sur contact@linkurio.us

Presentation on fraud and whiplash for cash by Philip Rathle and Gorka Sadowski (the inspiration for this presentation) : https://vimeo.com/91743128

Article on whiplash for cash :

- the article : http://linkurio.us/whiplash-for-cash-using-graphs-for-fraud-detection/

- the dataset : https://www.dropbox.com/s/6ipfn4paaggughv/Whiplash%20for%20cash.zip

GraphGist on whiplash for cash :

- the article : http://gist.neo4j.org/?6bae1e799484267e3c60

Whitepaper on fraud detection by Philip Rathle and Gorka Sadowski :

- the whitepaper : http://www.neotechnology.com/fraud-detection/

SOME ADDITIONAL RESOURCES TO CONSIDER