L'offre R-OPS

Exemple de mise en œuvre appliqué à la détection de fraudes

1) Analyse du besoin, étude de faisabilité  (1 à 2 semaines), chiffrage.

La société d’assurances X analyse environ 100 000 demandes de remboursement par an. La fraude coûte cher ; le taux de dossiers frauduleux est estimé entre 3 et 5 %, et chaque fraude fait en moyenne perdre 4000 euros. Faute de temps, les experts détectent actuellement entre 30 à 50 % des fraudes.
La société X souhaite automatiser un premier filtre d’analyse pour concentrer son expertise sur les dossiers à risques.

Les objectifs de performance de la chaîne de traitement, les benchmarks, les modalités de mise en œuvre, les contraintes de confidentialité, sont définis dans cette première phase et serviront de fil rouge pendant toute la durée de vie de la chaîne.

2) Prototypage de la chaîne de traitement, calibration et validation (1 à 3 mois)

Après concertation avec les experts « métiers » l’architecture de la chaîne est définie ; elle comportera un module de pré-traitement, qui fusionnera les données des dossiers avec des données socio-économiques disponibles sur le site open-data. La détection d’anomalies sera effectuée conjointement par un module « règles métier », par un module « machine-learning » et par un module statistique. Un dernier module sera chargé de synthétiser les résultats et de trier les dossiers par niveau de risque décroissant.

Un historique de 170 000 dossiers est mis à disposition, il est scindé en un jeu d’apprentissage et un jeu de test. Les règles « métiers » sont formalisées avec les experts, différents algorithmes de "machine-learning" sont évalués, …

Après trois itérations de mise au point / validation, les performances sur le jeu de test sont satisfaisantes, la préparation au déploiement est entamée.

3) Mise en production.

La chaîne de traitement peut ensuite, pour des raisons de confidentialité, être déployée dans les locaux de l’entreprise. L’analyse est hebdomadaire. L’exploitation et la maintenance sont assurées par R-OPS. L'apprentissage du module « machine learning » est affiné au fur et à mesure que de nouveaux dossiers sont analysés, le retour d'analyse des experts permet d'enrichir la base de règles métier.