보험사기 잡아내는 법 (feat.그래프 모델링, 데이터 시각화)

보험사기 잡아내는 법 (feat.그래프 모델링, 데이터 시각화)

최근 역대급 보험사기 논란을 불러일으킨 캄보디아 만삭 아내 사망 사건에 대해 법원이 피고인 이 모(50)씨에게 살인죄 대신 치사죄를 적용해 ‘금고 2년’을 선고하면서 100억 원대의 보험금은 그대로 지급될 가능성이 커졌습니다. 이처럼 보험 사기의 방법은 갈수록 교묘해지고 지능화되고 있습니다. 그 피해 규모 또한 지속적으로 증가하고 있어 2019년 기준 역대 최고액인 8천809억으로 집계됐습니다. 적발되지 않은 보험사기를 고려한다면 그 규모는 더욱 클 것으로 추정됩니다.

 

보험사기에는 위 캄보디아 아내 사망 사건과 같은 고의 사고 유발이나 사고 내용 조작을 비롯해 견적서 위조 등 다양한 수법이 존재합니다. 그중 가장 높은 비중을 차지하는 것은 차량을 이용한 고의 사고 유발 수법입니다. 자동차 보험사기는 보험 계약자 및 피보험자 외에 다수의 관련자가 존재하기 때문에 물적 및 인적 증거의 확보가 쉽기 때문일 것입니다.

 

이런 보험사기를 찾아내기 위해서는 사람, 사건, 위치 및 시간 등을 포함한 데이터의 수집 및 분석이 선행되어야 합니다. 그래서 금융사, 또는 보험사의 데이터 분석 전문가들은 수집한 데이터에 대한 연결점을 찾고, 위험 점수를 측정하는 방법을 사용합니다.

 

일반적인 FDS(이상거래탐지시스템,이상행위탐지시스템, 또는 보험사기탐지시스템)는 탐지 분야에 따라 위험 유무 사항을 구분할 수 있는 규칙이 있습니다. 그 규칙을 기반으로 점수를 매겨 이상행위 및 사기 여부를 판단합니다. 하지만 최근에는 더욱 지능화되고 정교해진 사기 수법에 대응하기 위해 그래프 데이터베이스 기반의 FDS(=그래프 FDS)를 활용하고 있는 추세입니다. 그래프 FDS는 적재한 데이터를 그래프 모델로 표현할 때 사람, 차량 번호, 집 주소는 ‘점(Node)’으로 나타나고 각 점에 대한 관계는 ‘선(Edge)’으로 이어 수많은 관계 네트워크를 형성해내는 방식입니다. 이 모델을 시각화해 나열하면 보험사기에 대한 분석과 탐지가 더욱 용이해집니다.

그래프 모델링+데이터 시각화로 보험사기 찾아내기

그럼 지금부터 그래프 모델링과 시각화를 통해 어떻게 보험사기를 분석, 탐지하는지 알아보겠습니다. 위 방식을 통해 자동차 보험사기의 모의 시나리오를 작성했습니다.

 

※ 아래 시나리오에 등장하는 인물의 이름, 차량번호 및 주소는 실제와 무관한 것으로 허구임을 밝힙니다.

 

Step 1:  계층 구조로 모델링하기

보험금 청구 폴더에 저장된 정보

그래프 DB에 적재한 위 보험금 청구 폴더에는 하나의 사건(2019-09-27)에 대한 3명의 관련자(오재원,강민호,박용택)와 각각의 개별 거주지 및 차량에 대한 정보가 있습니다. 

 

첫 단계에서는 전체적인 사건의 인과관계를 명확하게 정리하기 위해 모든 그래프 모델을 계층 구조로 표현했습니다. 위 그림에는 교통사고와 관련된 두 사람(오재원과 강민호)이 있으며, 사고를 목격한 박용택이라는 증인에 대한 정보도 있습니다.

Step 2:  일치하는 항목 찾기

Step 2:  일치하는 항목 찾기

계층 구조화한 과거 사건들을 펼쳐 일치하는 항목을 찾아보겠습니다. 1단계에서 조회한 특정 차량과 청구자의 주소가 과거 사건에서 중복되는 것을 볼 수 있습니다.

Step 3:  중복 점(Node) 결합하기

중복되는 점을 결합하면 그래프가 단순화되고, 그에 따른 시각적인 개선이 이뤄질 수 있습니다. 그 점들을 한번 결합해 보겠습니다.

 

Step 3:  중복 점(Node) 결합하기

 

오재일과 오재원은 둘 다 ‘용산구 한남동 46-3’에 살고 있어 결합했습니다. 비슷한 이름으로 볼 때 둘은 형제일 가능성도 충분합니다. ‘53호 2381’ 차량도 조인성과 강민호가 각각 운전했기 때문에 결합할 수 있습니다. 마찬가지로 ‘송파구 잠실동 2-3’ 또한 조인성과 박용택, 두 사람의 거주지이기 때문에 결합했습니다. 

Step 4:  분석

중복 점들을 결합해 보니 뭔가 이상한 부분들이 보이는데.. 눈치채셨나요?

 

<오재일, 오재원 형제(?)의 거주지는 한남동>

 

<조인성 당신은 대체..>

 

조인성은 왜 ‘2019-09-27’ 사건의 증인인 박용택과 동거하고 있는 걸까요? 심지어 조인성은 해당 사건에 연루된 강민호의 차량 ‘53호 2381’을 운전한 적도 있습니다.

 

또한, 조인성은 과거 오재원의 형제로 추측되는 오재일을 치료했던 정형외과 전문의 심수창에게 치료를 받은적이 있습니다. 좀 이상합니다. 그러나 아직 이 의사를 보험사기의 연루자로 의심하기는 이릅니다. 단순히 우연일 수도 있으니까요. 물론 계속해서 지켜는 봐야겠습니다.

 

한편 조인성은 2019년 3월 16일, ‘53호 2381’을 타고 이대호의 차와 접촉 사고를 내 보험금을 타낸 이력도 있습니다. 이어 같은 해 9월 27일에는 ‘53호 2381’에 자신이 아닌 강민호를 운전자로 이용해 사고를 냈고, 동거인인 박용택을 증인으로 내세워 보험금을 수령한 것으로 파악되고 있습니다. 나름대로 치밀하게 계획된 보험사기 범죄일 가능성이 높은 것이죠.

 

위 사례와 같이 시각화를 통해 도출해낸 인사이트를 하나의 범죄 가능성으로 인식하고, 그로부터 사건을 확장해 나간다면, 더욱 더 심층적인 사건 분석이 가능해집니다. 즉, 그래프 모델링과 시각화라는 일련의 과정을 통해 사건을 좀 더 빠르고 정확하게 이해할 수 있게 되는 것입니다.

FDS 구축과 그래프 데이터베이스

보험사기는 보험 상품의 손해율을 높여 평범한 보험계약자가 지불해야 하는 보험료를 인상시켜 다수의 계약자들에게 피해를 입히는 악질 범죄입니다. 보험사는 보험사기에 대한 선제적 대응을 강화하고, 보험사기를 적발해 부당보험금을 환수하는 등 그 수단을 마련해야 할 의무가 있습니다. 그에 따른 FDS의 구축은 필수적이며, 그래프 DB에 기반한 그래프 FDS의 구축이 그 해답으로 주목받고 있습니다.

 

특히 데이터 간 상관관계와 그 중요도를 분석해야 하는 FDS의 특성상, 그래프 DB의 활용은 필수적입니다. 보이는 그대로 데이터를 저장할 수 있는 그래프 DB는 FDS의 탐지 속도를 획기적으로 줄일 수 있습니다. 위 예시와 같이 사건의 발생부터 보험금 수령까지의 과정을 도식화로 나타내 정상 패턴과 예외 패턴에 대한 탐지를 가능하게 해주며, 이를 통해 정보를 빠르게 공유하고 적시에 올바른 결정을 내릴 수 있도록 돕는 역할까지 해주기 때문입니다.

 

이처럼 그래프 DB와 그 시각화 프로그램은 보험사 및 금융기관들의 당면 과제인 FDS 구축을 위한 가장 이상적인 방법입니다. 보험사들은 이를 적극 활용해 나머지 선량한 고객들의 피해를 최소화하고, 올바른 보험금 수급의 정착을 위해 노력해야 할 것입니다.

---

코로나19로 얻게된 많은 교훈 중 하나,

바로 '데이터 시각화'의 중요성입니다! 

 

코로나 19(COVID-19)로 보는 데이터 시각화의 중요성