Détection fraude assurance santé

Contexte

Mutuelle santé (3M adhérents) avec un budget fraude en hausse de 20% par an. La fraude aux prestations santé est estimée à 5% du montant total des remboursements (soit 150M€/an). Les contrôles actuels par échantillonnage détectent 20% des fraudes : 80% passent inaperçues. Les schémas frauduleux impliquent souvent des réseaux (praticiens, officines, assurés complices). Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.

Problème & Défi

Fraude aux prestations estimée à 5% soit 150M€/an dont 80% non détectée. Contrôles par échantillonnage : seuls 3% des dossiers sont vérifiés manuellement. Schémas de réseau non détectés : les fraudes organisées (praticiens + officines + assurés) sont invisibles aux contrôles unitaires. Équipe anti-fraude de 8 personnes saturée par les faux positifs des règles statiques actuelles. Temps de détection moyen : 8 mois après le remboursement, rendant la récupération difficile.

Solution & Livrables

Modèle ML de détection de fraude combinant machine learning classique et graph analytics (analyse de réseau). Scoring de risque par prestation, praticien et assuré mis à jour en temps réel à chaque remboursement. Graph analytics : détection des réseaux frauduleux (liens praticien-officine-assuré anormaux). Priorisation des investigations : les 8 analystes se concentrent sur les cas à plus haute probabilité. Dashboard anti-fraude : cartographie des réseaux, tendances, montants récupérés, ROI du dispositif. Co-construit avec les équipes métier - autonomie complète transférée.

Technologies