Fraudedetectie wordt onderzocht met behulp van anomaliedetectie. Bij anomaliedetectie gaat het om het vinden van interessante patronen die afwijken van het verwachte gedrag binnen uw datasets. Hierbij kunt u denken aan uitschieters, uitzonderingen, eigenaardigheden en andere bijzonderheden.

Anomaliedetectie, waar fraudedetectie onder valt, kan een uitdaging zijn vanuit een gegevensperspectief omdat het een beetje lijkt op het vinden van een naald in een hooiberg. Dat wil zeggen, de meeste interacties zijn niet frauduleus, dus om die te vinden is vooraf een stevige bedrijfsstrategie vereist, gecombineerd met een sterk model voor machine-learning, plus een manier om deze twee te operationaliseren.

Zoals bij de meeste data science- en AI-projecten, is het uiteindelijke einddoel of de output van anomaliedetectie niet alleen een algoritme of werkmodel. In plaats daarvan gaat het om de waarde van het inzicht dat uitbijters bieden. In de gezondheidszorg wordt naast fraudedetectie (voor zowel recepten of verzekeringsgevallen) vaak anomaliedetectie gebruikt om sepsis of recidive van patiënten te bestrijden.

  ‘In 2017 is voor 27 miljoen euro aan zorgfraude vastgesteld door zorgverzekeraars. Dat is 8 miljoen euro meer dan in 2016. Vorig jaar hebben zorgverzekeraars in totaal 1146 fraudeonderzoeken afgerond, in 311 gevallen werd er daadwerkelijk fraude vastgesteld.’