Выявление мошеннических групп в автостраховании на основе сетевого анализа графов связей ФЛ-автомобиль.

Страховой рынок по ОСАГО и КАСКО показывает устойчивый рост год от года, однако, растёт не только рынок, но и объем выплат, в том числе – по мошенническим выплатам. Вместе с этим, по информации Банка России и Всероссийского Союза Страховщиков, доля мошенничества, организованного в рамках групп физических лиц (ФЛ), достигает 30% от общего объёма. Организованные группы ФЛ систематически используют транспортные средства (ТС) для фальсификации ДТП. Такие практики приводят к необоснованным и завышенным выплатам страхового возмещения. Более того, группы состоят не только из водителей и владельцев ТС, но также могут включать в себя сотрудников страховых компаний и ГАИ.

Виды страхового мошенничества, реализуемые как в рамках групп, так и в индивидуальном порядке, становятся более сложными, гибкими, быстро реализуемыми, используются комплексно в различных направлениях страхования. Используемые ранее методы выявления и противодействия мошенничеству становятся менее эффективными, недостаточными.

По отчётам за 2023 г. ЦБ РФ, который проводит мониторинг мошеннических рисков в сфере ОСАГО, наблюдался рост негативных тенденций, а именно: рост рисков недобросовестных действий, рост частоты страховых случаев на 10%. Несмотря на то, что в 2024 году частота страховых случаев осталась на уровне 2023 года, средняя выплата по ОСАГО выросла на 13%.

В число регионов с самой высокой частотой страховых случаев входят такие крупные субъекты РФ, как Москва и Санкт-Петербург, Новосибирская область, Приморский и Хабаровский края, республики Татарстан и Дагестан.

В КХД страховых компаний накапливается огромное количество информации – о заключенных договорах, убытках, делопроизводствах и др. Причём данная информация может быть достаточно разрозненной и не иметь сквозной идентификации. Например, данные в БД, относящиеся к мониторингу убытков, могут не иметь однозначной связи с БД полисов.

Отдельным фактором стоят агрегаторы данных со всего страхового рынка – РСА и АО «НСИС». Большой объем данных со всего страхового рынка позволяет получить наиболее полный граф связей между участниками мошеннических групп, которые, зачастую, страхуются в различных страховых компаниях.

Компания «Антирутина» в рамках своей разработки «Антифрод» реализует подход, основанный на анализе графов связей между физическими лицами и автомобилями. Основной источник связей между объектами-вершинами графа в страховом бизнесе являются полисы и убытки. Однако, в общем случае источники связей могут быть любые и подход позволяет учитывать в исследовании, например, данные из социальных сетей. Данный подход позволяет не только обогатить признаковое пространство каждого объекта его характеристиками как вершины в графе, но и даёт возможность находить стабильно связанные структуры, возникающие в рамках мошеннической деятельности организованных групп. Выделенные в рамках анализа подграфы – группы в дальнейшем кластеризуются методами кластеризации графов для их классификации по типу взаимодействия участников группы между собой.

Обозначенный выше алгоритм действий хоть и может, на первый взгляд, показаться простым, требует применения широкого спектра подходов статистического анализа больших данных, опыта в применении методов машинного обучения как с учителем, так и без учителя. Анализ исходных данных требует глубокого погружения в базы данных заказчика, очистки этих данных, их анализ, в том числе, текстовый, для обнаружения неявных связей между объектами исследования.

Результатом реализации предложенного подхода является комплексная система риск-ранжирования ФЛ на основе графовых признаков и выделения групп.

Система «Антифрод» разрабатывалась специалистами ООО «Антирутина» с софинансированием (грантовой поддержкой) со стороны «Фонда содействия развитию малых форм предприятий в научно-технической сфере» (Фонд содействия инновациям) по теме поддержки малых предприятий по разработке, применению и коммерциализации продуктов, сервисов и (или) решений с использованием технологий искусственного интеллекта. По результатам гранта эксперты фонда подтвердили качество разработанных алгоритмов и программных модулей.

Для примера приведем результаты выявления групп ФЛ для одной из крупных страховых компаний при анализе исторических данных за 4 года:

· Более 6 000 групп с частотностью страховых случаев не менее 5 внутри группы. Сумма выплат - 4,4 млрд. руб;

· Более 450 групп с частотностью страховых случаев не менее 10 внутри группы. Сумма выплат – 1,9 млрд. руб.

Отдельно обозначим важность не только использования данных, получаемых самой страховой компанией в рамках её прямой работы, но и дополнение этих данных связями, которые можно получить из анализа внешних источников.

Несмотря на то, что результаты риск-ранжирования системы могут быть использованы в автоматическом режиме, окончательно решение о мошеннической природе группы с последующим обращением в правоохранительные органы должно быть принято экспертом Службы Безопасности.

По этой причине, в рамках системы «Антифрод» разрабатываются также модули для помощи сотрудникам СБ в принятии окончательного решения и, возможно, сбора данных для формирования набора документов, позволяющих инициировать судопроизводство в отношении ФЛ.

Одним из таких модулей является модуль визуализации связей между объектами для проведения расследования. Зачастую, структура связей ФЛ может носить достаточно запутанный характер, данный модуль позволяет в визуальном режиме наблюдать необходимые типы связей.