La fraude à l’assurance automobile fait souvent l’objet d’une enquête ultérieurement, c’est-à-dire après le dépôt d’une réclamation. Mais la fraude peut survenir bien avant.
Dans cet épisode du balado « Conversations avec CGI », nous explorerons comment les assureurs passent d’une détection réactive à une approche proactive centrée sur la prévention pendant toute la durée de la police d’assurance. De la souscription et la tarification jusqu’à la réclamation et la gouvernance, cette discussion abordera comment les données, l’analytique et une validation renforcée ouvrent la voie à des stratégies plus ciblées et plus efficaces contre la fraude.
Cet épisode est destiné aux leaders en assurance de dommages, notamment dans les domaines de la souscription, de la tarification, des réclamations et de la lutte contre la fraude. Il est particulièrement pertinent pour les membres de la direction informatique et technologique ainsi que les responsables de la souscription, de la lutte contre la fraude, de l’analytique et de la transformation.
- Chapitre 1 : Introduction et transition vers la prévention
-
Introduction
Derek Marinos :
Aujourd’hui, nous examinerons l’approche du secteur de l’assurance automobile face à la fraude et nous expliquerons pourquoi il faut privilégier une prévention précoce. Trop souvent, la fraude est traitée comme un problème lié aux réclamations qui fait l’objet d’une enquête après coup. Pourtant, les risques peuvent se présenter dès la proposition, lors de la modification de la police ou à d’autres étapes.
Dans cet épisode, nous explorerons comment les assureurs passent de la détection réactive à une prévention proactive couvrant l’ensemble du cycle de vie en s’appuyant sur les données et l’analytique. Santiago Villasis et Raman Sharma, experts de CGI, se joignent à moi.
- Chapitre 2 : Source des risques de fraude et répercussions sur la tarification
-
Santiago Villasis :
Les faits sont généralement déformés aux étapes de proposition ou de souscription, bien avant le dépôt d’une réclamation. Par exemple, une fausse déclaration du lieu de stationnement, des conducteurs et conductrices ou de l’usage réel du véhicule peut sembler sans conséquence, mais elle influence directement l’exactitude de la tarification et la segmentation des risques.
Les incohérences présentes dans des milliers de polices entraînent des pertes de revenus de primes et faussent les rapports sinistres-primes. Les modalités financières de la police sont déjà fixées lorsqu’un sinistre est déclaré. C’est pourquoi la prévention à la souscription est si importante : elle protège l’intégrité de la tarification et réduit les problèmes ultérieurs.
- Chapitre 3 : Concentration des risques et contrôles plus intelligents
-
Raman Sharma :
Les pertes découlent seulement d’une petite partie des polices. Un examen manuel général de l’ensemble des polices s’avère donc inefficace et ne reflète pas le profil de risque réel.
Pour être plus efficace, il faut adopter des contrôles fondés sur les risques qui ciblent les cas les plus pertinents. En recourant aux données et à l’analytique pour identifier les polices à haut risque, les assureurs peuvent mieux surveiller celles-ci et accélérer le traitement des polices à faible risque.
Comme il y a moins de problèmes dans le traitement de la majorité des polices et que les cas à haut risque sont mieux surveillés, les pertes de revenus diminuent et l’efficacité opérationnelle est renforcée.
- Chapitre 4 : Complexité des produits et validation lors de la soumission et de la souscription
-
Santiago Villasis :
Comme les produits d’assurance deviennent plus modulaires, avec plusieurs niveaux de franchises et des couvertures facultatives, le nombre de décisions augmente lors de la soumission et de la souscription. Chacune de ces décisions peut donner lieu à des erreurs ou à de fausses déclarations.
Si la flexibilité profite aux titulaires de police, elle nécessite une validation plus rigoureuse du côté des assureurs pour s’assurer que les choix de couverture correspondent au profil de risque réel.
Une solution efficace consiste à fournir davantage de détails lors de la souscription en s’appuyant sur les données historiques pour renforcer l’exactitude des modèles. C’est dans ce contexte que les données, l’analytique et l’intelligence artificielle peuvent être mises à contribution.
Raman Sharma :
Dans un environnement complexe, les assureurs ont besoin de valider l’information en temps réel à la soumission et à la souscription. À l’étape de soumission, il faut prioriser l’intégrité des données et les vérifications de plausibilité. À l’étape de souscription, les contrôles doivent être plus rigoureux, car les assureurs sont sur le point d’assumer les risques liés à la police.
Au Canada, l’évolution de la réglementation, notamment les réformes prévues en Ontario en 2026 qui rendront certaines indemnités d’accident facultatives, accroît la complexité des produits d’assurance et transfère davantage de responsabilité aux consommateurs, qui doivent faire des choix éclairés.
Ces validations doivent être fondées sur les risques et être automatisées autant que possible. Ainsi, les polices à faible risque et cohérentes sont traitées rapidement, tandis que les polices à haut risque ou aux déclarations incohérentes sont signalées pour examen.
L’objectif est de mettre en place un cadre de validation à plusieurs niveaux dès le départ afin de repérer rapidement les problèmes et de recourir le moins possible à des contrôles plus généraux et lourds ultérieurement.
- Chapitre 5 : Repérer les tendances et associer les signaux tout au long du cycle de vie
-
Raman Sharma :
Les réseaux organisés de fraude ont tendance à cibler les secteurs qui sont à la fois les plus rentables et les moins contrôlés. À mesure que les régimes de prestations évoluent, les réseaux organisés de fraude se déplaceront probablement vers les secteurs présentant des remboursements plus avantageux, davantage de zones grises ou des mécanismes de contrôle plus récents, mais moins éprouvés.
Si les types de fraudes bien connus comme les mises en scène d’accidents ou les réclamations en réadaptation font l’objet de contrôles plus stricts, ces réseaux pourraient se réorienter vers les prestations complémentaires comme la physiothérapie ou les services de santé mentale.
Dans une optique de détection précoce, les assureurs doivent surveiller les tendances dans l’ensemble des polices plutôt que traiter chaque cas isolément.
Santiago Villasis :
Les signaux de fraude apparaissent rarement de façon isolée. Par exemple, des tendances suspectes liées à un fournisseur peuvent être associées à un groupe de polices qui présentaient déjà des anomalies à la souscription.
Lorsque les assureurs associent les signaux provenant des données d’une proposition, des validations effectuées à la souscription et des premières réclamations, ils découvrent que des cas isolés sont en fait des fraudes organisées.
- Chapitre 6 : Transformer l’analytique en résultats concrets
-
Santiago Villasis :
Si l’on veut éviter les intégrations lourdes, on peut choisir d’améliorer les processus déjà en place plutôt que de reconstruire les systèmes essentiels.
Cette approche permet aux assureurs de commencer à petite échelle, de valider rapidement les résultats, puis d’élargir progressivement l’intégration. Une rentabilisation rapide est le principal avantage de cette démarche.
Raman Sharma :
La validation en amont provoque une réaction en chaîne dans l’ensemble du cycle de vie de la police. L’un des avantages immédiats est la réduction des pertes de revenus de primes.
De plus, cela se traduit par des économies opérationnelles importantes. Les polices validées dès le départ nécessitent moins de corrections en cours de contrat, moins de contestations lors des réclamations et moins d’enquêtes manuelles.
Santiago Villasis :
L’intégrité des primes constitue un indicateur clé pour la haute direction, car elle reflète l’adéquation entre le risque tarifé et l’exposition réelle.
- Chapitre 7 : Gouvernance et priorités pour adopter une approche de prévention
-
Raman Sharma :
À mesure que l’analytique s’intègre plus tôt dans la souscription et la prise de décision, les assureurs doivent mettre en place un cadre de gouvernance garantissant que les modèles sont exacts, équitables, explicables et vérifiables.
La gouvernance des données est alors fondamentale. Les données saisies doivent être de grande qualité, pertinentes et exemptes de variables susceptibles d’introduire des biais involontaires.
Enfin, la vérifiabilité et la conformité réglementaire sont essentielles. Chaque décision doit être traçable par l’association des données saisies, des versions de modèle et des résultats.
Santiago Villasis :
Il est essentiel d’appliquer la prévention de la fraude à l’ensemble du cycle de vie, car le problème n’est pas seulement lié aux réclamations.
Raman Sharma :
Les assureurs peuvent commencer par des démonstrations de faisabilité ciblées pour démontrer rapidement la valeur ajoutée et mettre en place les cadres opérationnels et de gouvernance nécessaires.
Santiago Villasis :
Une première mesure concrète consiste à déployer des contrôles de validation ciblés aux étapes de soumission et de souscription.
