1. La détection de la Fraude
par la connaissance des données
Carte Blanche Partenaires

2. 2
SOMMAIRE
Qui sommes-nous ? 3
La donnée au cœur 7
DataScience: Le Conseil 32
De l’analyse à la prédiction 14
La détection de la Fraude
par la connaissance des données

3. 3
Qui sommes-nous ?

4. 4
CARTE BLANCHE PARTENAIRES
Spécialisé dans la Santé, la Prévention, et la Protection sociale
L’ACCOMPAGNEMENT SANTÉ
Prévention, conseil & information
→ Apporter au bénéficiaire des informations et conseils pour
l’aider à gérer sa santé au quotidien
→ Améliorer son parcours de santé par la mise en place
de services innovants
→ Faciliter l’accès à des soins de qualité, à proximité, au juste prix
→ Accéder à des services spécifiques et des avantages qualitatifs et
tarifaires exclusifs
→ Adapter l’orientation vers un professionnel ou établissement de santé selon
les besoins

5. 5
CARTE BLANCHE PARTENAIRES
3,5M de données personnelles de santé depuis 2015
Chiffres clés
160 000
professionnels de santé
7,2 M
de bénéficiaires
39
complémentaires Santé
7600
opticiens
6600
chirurgiens-dentistes
3400
audioprothésistes
renouvellement du réseau audio en cours

6. 6
LE RESEAU OPTIQUE
Chiffres clés
14
enseignes optique
partenaires
27
verriers
partenaires
+58 000
références
de verres / lentilles
jusqu’à 40%
de remise
100%
de PEC dématérialisées
9 achats / 10
dans le réseau

7. 7
La donnée au cœur

8. 8
LE TRAITEMENT DES DONNEES
Que fait-on de ces données ?
 Les consommations en
interne et en externe
(croisement avec les
données des gestionnaires
d’assurance )
 Parcours de santé intra-
réseaux et inter-réseaux
(optique, dentaire,
audio,…)
SANTÉ
Analyser les comportements
 Système expert
pour le traitement
de la fraude
complété avec des
algorithmes
 Services d’informations
(Guidhospi) et de
préventions ciblés
RÉSEAU
Optimiser la gestion
 Aide à la tarification
 Aide à la conception
d’offres et de services
spécifiques
ASSURANCE
Collaborer
1 2 3

9. 9
LE TRAITEMENT DES DONNEES
Volume et Variété
plus 100
tables de données
pour le modèle de base
500
variables
prise en
charge
Convention Open data
CataloguesCRM Web
Permet d’avoir une vision transverse et riche
des comportements

10. 10
LE TRAITEMENT DES DONNEES
Dans le respect du RGPD
Règlement
Général sur la
Protection
des
Données
Au niveau
européen
Un cadre
commun
en matière de
protection
des données
personnelles
Entrée en
application
le 25 mai
2018
Droits des personnes et consentements renforcés
La finalité des traitements est primordiale pour utiliser les données.

11. 11
Les données personnelles de santé sont
confinées et sécurisées au sein d’un
hébergeur agréé données de santé pour une
période de 3 ans.
Les données pseudonymisées puis les
agrégats sont conservés dans une plateforme
sécurisée sur une période de 6 ans pour les
besoin de suivi statistiques.
LE TRAITEMENT DES DONNEES
Archivage et sécurité
La sécurité et la conservation des données
sont des enjeux majeurs.
Responsable de traitement vis-à-vis de la CNIL
Agrémentation HDS en cours auprès de l’ASIP

12. 12
LE TRAITEMENT DES DONNEES
Pour quoi faire ?
→ À la bonne personne
→ Au bon endroit
→ Au bon moment
Uniquement pour apporter des avantages
Rendre Service
Collecter les données et les analyser pour
créer de nouveaux services adaptés et
personnalisés dans un parcours de
santé accompagné
SERVICES PERSONNALISÉS SANS ÊTRE INDIVIDUALISÉS

13. 13
LE TRAITEMENT DES DONNEES
Satisfaction et Fraude
La satisfaction des assurés ne doit pas être
diminuée par la fraude.
Ni la qualité des soins ou des équipements

14. 14
De l’analyse à la prédiction

15. 15
FRAUDE A L’ASSURANCE
La dernière action menée au niveau européen sous forme d’un
livret intitulé « L’impact de la fraude » chiffre le montant des
pertes liées à la fraude en Europe à 10 % du coût total des
sinistres.
« UFC que choisir » a estimé que 19,5% des opticiens du
territoire français proposent spontanément une fraude à la
complémentaire santé.
les chiffres
10 % du coût total des sinistres.
19,5 % des opticiens

16. 16
CONTRÔLES
A POSTERIORI
Les contrôles sont
réalisés en sortie du
système de gestion des
prises en charge
Etablir de nouvelles règles pour
enrichir les contrôles a priori en
entrée du système de gestion.
SERVICE CONTRÔLES
Deux méthodes complémentaires
CONTRÔLES
A PRIORI
Les contrôles sont
réalisés en entrée du
système de gestion des
prises en charge.
500 000
prises en charges refusées par an
4 300
contrôles par an

17. 17
LES PROCESS DE DETECTION
L’expertise se construit sur l’expérience.
Importance de l’historique de l’activité
Deux étapes
DETECTION
Le décisionnel Santé
 Intuitivité et simplicité d’utilisation
 Rapidité de restitution
 Rapidité de traitement des informations
INVESTIGATION
Expertise et gestion
 Expertise métiers
 Outil interne de gestion de courriers
 en interactions avec le décisionnel
INVESTIGATION
DETECTION

18. 18
DETECTION - EXPERTISE
Nos experts Conseil
Utilisation du décisionnel santé pour
enrichir les analyses et disposer d’une
vision transverse
Une connaissance enrichie
EXPERTISE
METIER
En lien permanent avec les professionnels
de santé pour le traitement de dossier
nécessitant une expertise
Une connaissance actualisée
Des professionnels de santé
(opticiens, chirurgien-dentiste, audioprothésiste)
Une connaissance des pratiques
du métier

19. 19
RGPD & FRAUDE
Le règlement européen appliqué à la Fraude
RGPD et profilage
Le RGPD exige un consentement
spécial lorsqu’un profilage existe. Dans
ce contexte, le profilage est axé sur les
Prises en Charge, non les
professionnels de santé.
Autorisation CNIL
La CNIL nous a autorisés à mettre en
place notre traitement. L’ensemble
des informations de consentement
pour les professionnels et les assurés
ont été mises à jour.

20. 20
DATAVISUALISATION
L’outil Décisionnel
Permet une meilleure compréhension
par la visualisation des données

21. 21
UN COMPLEMENT NECESSAIRE
Afin d’améliorer ce taux de détection, le recours à
des techniques de DataScience est nécessaire.
La logique DataScience
50 %
TAUX DE
DETECTION
10 règles
REGLES DETERMINISTES

22. 22
DATASCIENCE
AU SERVICE DE LA DETECTION
La mise en production
Trois étapes
La préparation des données
Deux formes d’algorithmes
Algorithme non supervisé
Algorithme supervisé

23. 23
LE PROJET DATASCIENCE
Limiter le nombre de champs libres pour éviter les
problèmes de chargement de données.
Eviter les variables avec beaucoup de modalités (>500)
Un traitement spécifique est réalisé pour que les données
puissent entrer dans les algorithmes.
Etape 1 : LA PREPARATION DES DONNEES
Pour garder des champs libres, il est
mieux de normaliser ces champs
(espaces en trop,….)
Pour préparer les données, il faut :

24. 24
LE PROJET DATASCIENCE
Etape 1 : LA PREPARATION DES DONNEES
La règle à suivre
Toute donnée doit faire l’objet de retraitements et de contrôles avant
son utilisation dans les modèles statistiques.
Détection des
anomalies
Tests de cohérence,
Requêtes,
Data visualisation
Traitement
Suppression des
données,
Gestion des valeurs
extrêmes,
Discrétisation des
variables continues
Analyse des
données
Data visualisation,
Données statistiques

25. 25
LE PROJET DATASCIENCE
Etape 2 : LES ALGORITHMES
R est à la fois un logiciel de statistique et un langage de
programmation de référence chez les actuaires et plus
largement dans les domaines de la banque et de l’assurance.
Multiplier les approches pour avoir une vision plus large
Algorithme non supervisé
Modèle de clustering
sans prise en compte de
l’expérience
Pour détecter les atypismes
Algorithme supervisé
Modèle prédictif
avec prise en compte de
l’expérience
Pour scorer les PECs
Programmer les algorithmes avec R

26. 26
LE PROJET DATASCIENCE
Recherche des similarités
dans les demandes
et non des phénomènes de fraude.
Etape 2 : LES ALGORITHMES
Permet une qualification de fraude par les experts métiers à
partir des regroupements de PEC atypiques.
Et par défaut, d’identifier des failles dans la qualité de données.
Algorithme Non supervisé
Un modèle de clustering qui complète les techniques
de détection en capitalisant sur tout l’historique de
données (contrôlées ou pas)

27. 27
Algorithme supervisé
LE PROJET DATASCIENCE
L’OBJECTIF
Déterminer un % de fraude potentielle sur chaque PEC, qui évolue avec
l’autoapprentissage.
OUI, MAIS…
Etape 2 : LES ALGORITHMES
Un modèle prédictif basé sur les fraudes avérées
pour capitaliser sur l’historique des contrôles effectués
Le machine learning

28. 28
Algorithme supervisé
LE PROJET DATASCIENCE
L’apprentissage doit se faire sur de bonnes bases
(données), sinon l’algorithme apprend mais mal.
Pour éviter ce phénomène, on a choisi de faire des
algorithmes qui apprennent progressivement.
Etape 2 : LES ALGORITHMES
En raison de la sensibilité à la qualité des données en entrée,
un autoapprentissage progressif est plus adapté.
1 algorithme de référence
qui autoapprend qui n’apprend pas
Comparaison des 2

29. 29
La quasi-totalité des langages de
programmation sont des langages
« in-memory » : tous les objets sont
stockés dans la mémoire vive (RAM).
LE PROJET DATASCIENCE
Etape 3 : LA MISE EN PRODUCTION
La phase d’industrialisation
Prévoir des mises en production agiles
Procéder à de nombreux tests
comparatifs de modèles
Préparer l’infrastructure

30. 30
LE PROJET DATASCIENCE
Un meilleure ciblage des Professionnels de Santé en
sanctionnant les plus fraudeurs et en dissuadant les autres.
Bilan
50%
Taux de détection des contrôles non
conformes par rapport à la totalité
des contrôles effectués.
TAUX DE
DETECTION
70%
Quel bilan ?

31. 31
LE PROJET DATASCIENCE
Bilan
Les atypismes issus des contrôles poussés par
les algorithmes permettent de mettre en place
de nouvelles règles.
L’explication des contrôles enrichit l’expertise.
CAS DE FRAUDE DETECTEE
Les algorithmes ont fait ressortir des prises en charges
« trop normales ». Suite à l’investigation de l’expert,
l’opticien renseignait toujours les mêmes corrections,
tandis qu’il proposait des équipements de correction
différente pour le même prix.

32. 32
DataScience : le conseil

33. 33
CONSEIL EN DATA SCIENCE
Constat
Du Big Data au Machine Learning
Les tendances de recherche des mots clés « Big Data » et « Machine Learning » sur Google
La fin du « Big Data » ?
En tous cas, détrôné par le
« Machine Learning »
= algorithmes auto-apprenants

34. 34
CONSEIL EN DATA SCIENCE
Il y a 20 ans …
La connaissance de la donnée
→ « Base de données clients »
→ « Datawarehouse »Le « HYPE »
Les entreprises investissaient alors
dans des POC puis des projets de
DataWarehouse
« Base de données clients »
« Datawarehouse »
« Big Data »
« Data Lake »
En miroir avec aujourd’hui
=
=

35. 35
CONSEIL EN DATA SCIENCE
Un usage largement limité des données
Une centralisation des données effective MAIS amenant à du
FACTUEL uniquement = Reporting et tableaux de bord
Constat post tendance DataWarehouse
L’usage intelligent et sophistiqué des données
peu mis en œuvre
Une forte expertise métiers est nécessaire pour une culture
d’entreprise orientée « Données ».
La clé ?

36. 36
CONSEIL EN DATA SCIENCE
Un constat
L’automatisation des tâches d’analyse simplifie grandement la
vie des utilisateurs.
La DataScience n’est pas une fin
Une tendance lourde
Automatiser tout ce qui est
automatisable
L’automatisation des algorithmes diminue le besoin
de ressources en DataScientists au sein des
entreprises.
Capacité de multiplication des analyses dans un temps contraint

37. 37
CONSEIL EN DATA SCIENCE
L’automatisation de la data est un déclencheur pour entrer
de plain-pied dans l’ère de l’optimisation par la data.
Vers le traitement intelligent des données
Seul le traitement intelligent de ces données, le smart data,
permettra à l’entreprise d’améliorer son efficacité.
Les gisements d’efficacité et de croissance ne passeront pas
exclusivement par le big data.
Du Big Data au Smart Data …
Une opportunité
Le rôle du Business Analyst

38. 38
CONSEIL EN DATA SCIENCE
Les 5 V du big data (Volume, Variété, Vitesse, Véracité et
Valeur) sont à recouper avec les 5 S
Les ingrédients du Smart Data
Stratégie
Sélectionner
Signifier
Symboliser
Définir les bénéfices à venir grâce à une réflexion sur les
usages concrets attendus par les opérationnels
Sourcer
Identifier les sources de données en interne et en
externe
Sélectionner des données réellement utiles et
rationaliser les systèmes d’informations
Transformer les données brutes en indicateurs plus faciles
à manipuler
La datavisualisation

39. 39
CONSEIL EN DATA SCIENCE
Miser sur le Smart Data
Le Smart Data accorde + d’importance à la précision de
la valeur des données en rapport au but et à la
problématique ciblés.
! La connaissance de la donnée n’est pas le
stockage !
L’expertise de l’analyse métiers est essentielle.
C’est le moteur de Carte Blanche Partenaires.
Se centrer sur l’usage intelligent des
données pour arriver à un but concret.+

40. MERCI DE VOTRE ATTENTION
Nous contacter
Sarah GICQUEAU, Chargée d’Affaires
sarah.gicqueau@carteblanchepartenaires.fr
+33 (0)6 40 79 18 96
Hélène BURY, Responsable Communication
helene.bury@carteblanchepartenaires.fr
+33 (0)6 31 69 43 08
www.jean-francois-tripodi.com
www.carteblanchepartenaires.fr