Суть проекта

  • Улучшение обнаружения мошенничества по сравнению с предыдущими методами на 100%
  • Снижение нарушений на 26%
  • 90% выявленных случаев были связаны со сложными мошенническими схемами
  • Точность алгоритма 72%
  • 320 миллионов счетов обработано за 4 часа

Задача

Наш клиент, Фонд обязательного медицинского страхования, является государственным агентством, созданным для финансирования программ обязательного медицинского страхования и контроля за рациональным использованием средств.

Страховое мошенничество является серьезной проблемой для Фонда. Мошеннические претензии составляют значительную часть из всех, полученных Фондом, что каждый год приводит к серьезным финансовым потерям.

Чтобы предотвратить большие потери, Фонд решил использовать более комплексный подход к выявлению и реагированию на мошенничество. Для достижения этой цели требовались специалисты в разработке решений для автоматического обнаружения мошенничества и именно так Фонд обратился к нашей компании-партнеру.

Этот партнер работал с нами в течение нескольких лет и знал о нашем большом опыте в создании сложных алгоритмов и оптимизации бизнес-процессов. Нам предложили поучаствовать в проекте и взять на себя некоторые трудные задачи.

Типичный сценарий мошенничества в сфере медицинского страхования

В случае с нашим клиентом наиболее частые нарушения были связаны с мошенническими сделками. Они могут происходить следующим образом:

  1. Пациенты посещают медицинские учреждения и получают медицинские услуги.
  2. Раз в месяц медицинские учреждения высылают счета страховым компаниям. На этом этапе возможна мошенническая схема.
  3. Страховые компании представляют статистику по всем счетам, полученным от медицинских учреждений, в Фонд обязательного медицинского страхования.
  4. Фонд обеспечивает возмещение страховым компаниям.
  5. Страховые компании распределяют возмещение между медицинскими учреждениями. На этом этапе также возможна мошенническая схема.

Решение

Работая вместе с нашим партнером, мы разделили функции следующим образом:

  • Компания-партнер отвечала за бизнес-анализ: их команда разработала конкретные правила и проанализировала сценарии.
  • Наши эксперты отвечали за разработку: мы создали алгоритмы машинного обучения, настроили пакетные процессы и создали систему, которая обрабатывает данные в условиях высокой нагрузки в соответствии с разработанными правилами.

Для выявления мошенничества, совершенного страховыми компаниями и поставщиками медицинских услуг, управляемых Фондом, мы разработали комплексное решение на основе машинного обучения.

Оно охватывает следующие шаги:

  1. Создание правил, наборов характеристик, используемых для группировки счетов в сценарии.
  2. Создание алгоритмов правил.
  3. Применение правил к сценариям, требующих дальнейшего анализа, где сценарий представляет собой серию процедур, которым следует медицинское учреждение при лечении определенного заболевания.
  4. Обновления правил, которые приводят к дальнейшему обучению алгоритмов.
  5. Автоматизированное принятие решений для выявления инцидентов или предполагаемых нарушений.

Процесс разработки программного обеспечения

Использование бизнес-правил. Для управления бизнес-правилами мы использовали систему FICO Blaze Advisor. Одной из проблем проекта стало то, что использование бизнес-правил в работе заказчика осуществлялось впервые. Также аналитики нашего партнера не смогли определить коэффициент чувствительности, поэтому мы предложили скорректировать его в процессе, определив минимальное и максимальное значения, и наблюдать за показателями.

Обнаружение мошенничества алгоритмом группировки счетов. Все счета, которые должны были быть проверены с помощью автоматических алгоритмов, приходили из разных каналов и содержали информацию в разных форматах. Благодаря алгоритму группировки счетов, разработчики PST Labs смогли сгруппировать все новые счета в сценарии. Наша команда создала профили медицинских состояний (описания типичных методов лечения), применила их к этим сценариям и проверила величину несоответствия данных. В 72% сценариев мы правильно определили характеристики лечения и наличие каких-либо нарушений.

Клиентоориентированность. Разработчики PST Labs сосредоточились на том, чтобы сделать систему максимально удобной для пользователей. Действия для пользователей были понятными и последовательными, чтобы представители Фонда могли самостоятельно находить ключевые показатели и управлять ими, используя бизнес-правила.

Пример обнаружения мошенничества алгоритмом группировки счетов

  • Пациент обращается к врачу с определенным заболеванием.
  • Врач назначает лечение, которое включает в себя сеансы физиотерапии.
  • Счета пациента передается в Фонд для проверки.
  • Алгоритм группирует счета в конкретный сценарий.
  • К делу прилагается медицинское заключение.
  • Оказывается, что при выявленном заболевании назначенная физиотерапия не нужна.
  • Действия доктора анализируются и выясняется, что назначение таких методов лечения было необоснованным с целью получения большей прибыли для медицинского учреждения.
  • Дело помечено как мошенническое.

Результат

Успешное обнаружение мошенничества.

Согласно годовому отчету Фонда обязательного медицинского страхования за 2017/2018 годы количество выявленных нарушений значительно увеличилось после запуска автоматизированной системы обнаружения мошенничества:

  • 2017 год: 48,07% выявленных нарушений (всего 2 710 316 случаев).
  • 2018 год: 95,3% выявленных нарушений (всего 2 071 188 случаев).

Это показывает, что после внедрения решения по выявлению мошенничества в 2018 году процент обнаруженных нарушений удвоился, а число случаев мошенничества сократилось примерно на 26%.

Выявление сложных случаев.

Углубленный анализ выявил наиболее сложные схемы мошенничества. Аналитики нашего партнера подсчитали, что 90% выявленных мошеннических случаев были связаны со сговором с посредниками. Реализованный алгоритм группировки счетов оказался наиболее эффективным, если не единственным способом выявления этих случаев.

Культура противодействия мошенничеству.

Внедрение системы обнаружения мошенничества имело положительный эффект по двум причинам. С одной стороны, сотрудники Фонда получили эффективный инструмент для выявления мошенничества. С другой стороны, информация о внедрении такого строгого контроля за мошенничеством привела к более законопослушному и дисциплинированному поведению организаций, управляемых Фондом.

Быстрая обработка больших объемов данных.

Для нашего заказчика основным показателем эффективности системы была скорость принятия решения. Разработчики PST Labs предоставили решение, способное обработать 320 миллионов счетов за 4 часа.

Давайте обсудим Ваш проект