- AccueilHome
- Cas d’usageUse cases
- Détection explicable de la fraude dans les réclamations d’assuranceExplainable fraud detection for insurance claims
Détection explicable de la fraude dans les réclamations d’assuranceExplainable fraud detection for insurance claims
Les assureurs doivent repérer les réclamations suspectes sans ralentir le traitement des dossiers légitimes. Mirador développe des modèles de détection explicables, qui croisent les réclamations, les intervenants et leurs liens, et soumettent les cas prioritaires à l’examen des enquêteurs.
Insurers need to identify suspicious claims without slowing down the processing of legitimate files. Mirador develops explainable detection models that cross-reference claims, parties and their relationships, and route priority cases to investigators for review.
Le contexte typeThe typical context
Assureurs de dommages et de personnes, mutuelles et organismes publics d’indemnisation qui traitent un grand volume de réclamations. Ils doivent concilier rapidité de règlement, lutte contre la fraude et respect de la Loi 25 dans l’usage des renseignements personnels.
Property and casualty insurers, life and health insurers, mutuals and public compensation bodies handling a large volume of claims. They must balance fast settlement, fraud prevention and compliance with Law 25 in the use of personal information.
Données mobiliséesData involved
- Système de réclamationsClaims system
- Contrats d’assurancePolicy data
- Fournisseurs et ateliersSuppliers and repair shops
- PaiementsPayments
- Notes d’expertsAdjuster notes
- Historique d’enquêtesInvestigation history
Des outils éprouvésProven tools
Databricks
Python
Dataiku
Power BI
Ce qui freineWhat holds les organisations.organizations back.
Volume de réclamationsClaims volume
Les enquêteurs ne peuvent examiner qu’une petite partie des dossiers et risquent de manquer les cas les plus sérieux.
Investigators can review only a small share of files and risk missing the most serious cases.
Règles figéesRigid rules
Les règles de détection existantes génèrent beaucoup de fausses alertes et s’adaptent mal aux nouveaux stratagèmes.
Existing detection rules generate many false alerts and adapt poorly to new schemes.
Réseaux difficiles à voirHidden networks
Les fraudes organisées impliquent des liens entre assurés, fournisseurs et témoins qui échappent à l’analyse dossier par dossier.
Organized fraud involves links between policyholders, suppliers and witnesses that escape file-by-file analysis.
Exigence d’explicabilitéExplainability requirement
Une décision qui touche un assuré doit pouvoir être justifiée, auprès de lui comme des autorités de réglementation.
A decision affecting a policyholder must be justifiable, both to that person and to regulators.
Ce que MiradorWhat Mirador met en place.puts in place.
Score de risque explicableExplainable risk score
Un modèle qui attribue un score à chaque réclamation et présente les facteurs qui l’expliquent.
A model that scores each claim and shows the factors that explain the score.
Analyse de réseauxNetwork analysis
Un graphe des relations entre assurés, fournisseurs, adresses et véhicules qui fait ressortir les regroupements suspects.
A graph of relationships between policyholders, suppliers, addresses and vehicles that surfaces suspicious clusters.
Console d’enquêteInvestigation console
Une file de travail priorisée où les enquêteurs examinent les cas, consignent leurs conclusions et confirment ou rejettent les alertes.
A prioritized work queue where investigators review cases, record their findings and confirm or dismiss alerts.
Gouvernance des modèlesModel governance
Un suivi de la performance, des biais et des dérives, avec une documentation conforme aux attentes réglementaires.
Monitoring of performance, bias and drift, with documentation that meets regulatory expectations.
Les indicateursThe indicators que nous mettons en place.we put in place.
Des définitions partagées, calculées une seule fois et suivies au bon rythme.
Shared definitions, calculated once and followed at the right pace.
- Taux de détection confirméeConfirmed detection rate
- Taux de fausses alertesFalse alert rate
- Délai moyen d’enquêteAverage investigation time
- Délai de règlement des réclamationsClaims settlement time
- Sommes récupérées ou évitéesAmounts recovered or avoided
- Dérive de performance du modèleModel performance drift
Ce que ce cas d’usage changeWhat this use case changes
- Les enquêteurs concentrent leurs efforts sur les dossiers les plus à risque.Investigators focus their efforts on the highest-risk files.
- Les réclamations légitimes sont réglées sans délai supplémentaire.Legitimate claims are settled without additional delay.
- Les stratagèmes organisés deviennent visibles grâce à l’analyse des liens.Organized schemes become visible through link analysis.
- Chaque alerte s’accompagne d’une explication compréhensible et vérifiable.Every alert comes with an understandable, verifiable explanation.
- Les modèles sont suivis et documentés selon les exigences de conformité.Models are monitored and documented according to compliance requirements.
Le modèle décide-t-il seul de refuser une réclamation?Does the model decide on its own to deny a claim?
Non, le modèle priorise les dossiers et explique ses alertes, mais la décision revient toujours à un enquêteur. Cette validation humaine est au cœur de la démarche.
No, the model prioritizes files and explains its alerts, but the decision always rests with an investigator. This human validation is central to the approach.
Comment les renseignements personnels sont-ils protégés?How is personal information protected?
Les données sont traitées selon les principes de la Loi 25, avec un accès restreint et une évaluation des facteurs relatifs à la vie privée. Seules les données nécessaires à la détection sont utilisées.
Data is handled according to Law 25 principles, with restricted access and a privacy impact assessment. Only the data needed for detection is used.
Du premier échangeFrom the first conversation au tableau de bord utilisé.to a dashboard people use.
Une démarche en cinq temps, la même pour chaque cas d’usage, pour livrer vite sans sacrifier la qualité des données.
A five-step approach, the same for every use case, to deliver quickly without compromising data quality.
Échange initialInitial conversation
Nous écoutons votre contexte, vos données et vos priorités, sans engagement.
We listen to your context, data and priorities, with no commitment.
Cadrage et faisabilitéScoping and feasibility
Nous validons les sources, les indicateurs et la valeur attendue, puis proposons une démarche par étapes.
We validate sources, indicators and expected value, then propose a step-by-step approach.
Conception et réalisationDesign and build
Pipelines, modèles de données et tableaux de bord sont construits par itérations, avec vos utilisateurs.
Pipelines, data models and dashboards are built iteratively, with your users.
Mise en serviceGo-live
Nous déployons, documentons et formons les équipes pour une adoption réelle.
We deploy, document and train teams for real adoption.
Accompagnement continuOngoing support
Nous suivons l’usage, ajustons les indicateurs et faisons évoluer la solution.
We monitor usage, refine indicators and evolve the solution.
Les expertises mobiliséesThe expertise involved
Ils l’ont faitThey did it avec nous.with us.
#InnovationDétection de fraude explicableExplainable fraud detection
Un modèle de détection de fraude dont chaque alerte est expliquée, pour soutenir les enquêteurs sans remplacer leur jugement.
A fraud detection model where every alert is explained, supporting investigators without replacing their judgment.
Découvrir le projetExplore the project
#InnovationRequêtes citoyennes acheminées par l’IAAI routing for citizen requests
Un modèle de classification bilingue qui achemine les requêtes citoyennes vers la bonne équipe, sous la supervision des agents et avec une transparence assumée.
A bilingual classification model that routes citizen requests to the right team, under agent supervision and with deliberate transparency.
Découvrir le projetExplore the project
#DataGrand projetFlagshipValoriser les données des compteurs intelligentsUnlocking the value of smart-meter data
Une plateforme capable d’absorber les flux massifs des compteurs intelligents, de repérer les consommations anormales et d’alimenter les prévisions, sous une gouvernance stricte des renseignements personnels.
A platform able to absorb massive smart-meter data streams, flag abnormal consumption and feed forecasts, under strict governance of personal information.
Découvrir le projetExplore the projectD’autres casMore use cases qui pourraient vous parler.you may relate to.
Prévision de la demande et des stocks par magasin et produitDemand and inventory forecasting by store and product
Prédiction de l’attrition et actions ciblées de fidélisationChurn prediction and targeted customer retention actions
Automatisation des rapports de fin de mois et de l’analyse des écartsAutomated month-end financial reporting and variance analysis
Votre situation ressemble à l’un de ces cas ?Does your situation look like one of these?
Parlons de vos données et de vos priorités : nous vous proposons une première démarche concrète, adaptée à votre contexte.
Let’s talk about your data and priorities: we will suggest a concrete first approach tailored to your context.