다양한 방법으로 보험사기 행위에 대처하는 보험 업계
글쓴이: David West

현재로서는 정확한 금액을 산출해 내는 것은 불가능하지만(북미에서만 약 200~600억 달러 상당의 규모), 보험 사기 행위가 쉽게 해결할 수 없는 엄청난 골칫거리라는 점에 대해 이의를 제기할 사람은 아무도 없을 것입니다. 하지만, 각종 기술적 방법을 동원한다면 보험 사기의 피해를 어느 정도까지 줄일 수 있는 것도 사실입니다.

물론 범죄자의 행동이 통계수치로 남는다면 보험 사기의 패턴을 파악하고 이를 근절하는 것은 매우 간단한 일이겠지만, 불행히도 시스템을 악용하는 집단은 불법 청구 행위를 가려내는 일이 어렵다는 것을 잘 알고 있습니다. 그 결과 다양한 기법들이 개발?보급되고 있고, 이는 허위 청구로 인해 보험사가 부담해야 하는 손해액의 규모를 줄이는 데 상당 부분 일조하고 있습니다.

첫 번째 방법: 음성(voice stress) 분석
일반적으로 사기는 거짓말로부터 시작됩니다. 범죄자들은 거짓말에 능숙하기 때문에 그들의 “사연”은 일견 정당하고 합리적인 청구 행위로 보일 수도 있습니다. 하지만 청구자가 거짓말을 하고 있을 경우, 겉으론 절제되고 진실한 말투를 구사하기 위해 노력하겠지만 실제로는 특정한 음성 패턴이 나타나게 되어 있습니다. 음성 분석은 바로 이러한 패턴의 변화를 측정하는 방법이라 할 수 있습니다.

음성 분석에는 구두 인터뷰 도중 음성 강세의 레벨 측정을 위한 전자녹음장치의 사용이 반드시 필요한데, 청구자가 상황을 설명하는 동안 녹음기는 사전 정의된 강세 임계치와 음성 패턴을 대조합니다.

이 기술은 성별이나 인종?민족의 구분 없이 강세의 레벨이 일정하다는 것과 개인간의 편차로 인해 평가하기 어려운 부자연스러운 억양까지도 판별해낼 수 있다는 장점이 있습니다. 또한, 이 방법은 단순히 강세의 레벨만 측정하는 테스트로써 피험자에 대한 편견을 배제할 수 있습니다.

반면에, 이 기술을 사용하기 위해서는 특정 교육이 필요하다는 점과 청구자가 거짓말을 하는지 실질적으로 증명할 수 없다는 단점이 있습니다. 이 음성 분석 기법은 비교적 최근에 등장한 프로세스로서, 자세한 검사 결과는 공개되지 않는 경우가 보통입니다. 따라서, 회사가 이 방법을 사용하고 있다는 사실을 공개할 경우 과도한 청구 행위를 줄이는 효과는 있겠지만, 자칫 잘못하면 선의의 청구자에게 거부감을 줄 수 있는 부정적인 측면도 지니고 있습니다.

두 번째 방법: 보험사기지표(red-flagging)의 활용
첨단 기술과는 다소 거리가 있는 “보험사기지표(red flags)”는 보험 업계에서 일반적으로 널리 쓰이는 기법으로, 손해사정인이 특정 행위 패턴을 찾아내어 의심이 가는 청구에 플래그를 지정하면 고도로 숙련된 다른 손해사정인이 이 부분을 더욱 심도 있게 조사하는 방식입니다.

보험사기지표는 무엇보다도 단순함에 그 장점이 있습니다. 즉, 실무자나 감독기관은 보유하고 있는 패턴 목록을 계약자와 손쉽게 대조할 수 있으며, 보험사기지표 프로그램이 기본적인 규칙에 기반하고 있다는 점에서 시행에 필요한 투자나 교육을 최소화할 수 있습니다.

하지만 불행히도 보험사기지표 시스템은 수동적 특성을 지니고 있다는 점에서 많은 단점이 지적되고 있습니다. 한 예로, 손해사정인은 사기 적발을 위해 과도한 업무를 감당해야 하며, 대규모의 지표를 조사하다 보면 많은 시간이 낭비되고 오판을 내리는 경우가 발생하기도 합니다. 더군다나 이 방식은 과거의 사기 기록을 토대로 지표 설정에 대한 규칙을 세우기 때문에 신종 사기 수법을 탐지해 내는 능력은 극히 제한될 수밖에 없습니다.

세 번째 방법: 예측 모델링
최근 몇 년간 많은 보험사들이 보험사기 적발을 위해 예측 모델링 프로세스를 도입하고 있습니다. 이 방법은 가입자 관리를 위해 수작업을 동원할 필요가 없다는 장점이 있으며, 경험이 풍부한 분석가가 통계 자료에 의존, 데이터 마이닝 툴과 빌드 프로그램을 이용하여 사기 성향 평점을 매기는 방식으로 진행됩니다. 또한 손해사정인이 데이터를 입력하기만 하면 청구 내용이 자동으로 기록되어 검토가 가능해집니다.

예측 모델은 다른 방법에 비해 정확도가 상당히 높은 편이며, 수많은 리소스에서 수집된 정보를 전후 참조(cross-referenced)하는 것이 가능합니다. 이 방법은 또한 노동 집약적인 레드 플래그(또는 보험사기지표) 시스템보다 데이터간의 조화가 더욱 쉽다는 장점이 있습니다.

하지만 예측 가능 모델의 신뢰도는 구축된 데이터에 의해 좌우되기 때문에 초기 모델 설정의 성패가 매우 중요하게 작용한다는 단점이 있습니다. 만약 사기 행위 분류의 정확도가 떨어질 경우 그 결과의 질 또한 영향을 받게 되며, 양질의 정보를 이용할 때조차도 여러 가지 요인으로 인해 긍정적인 결과(사실은 잘못된)가 나올 우려가 있습니다.

뿐만 아니라 모델의 성능이 시간이 갈수록 저하된다는 점도 간과할 수 없는 부분인데, 만약 범죄자가 새로운 수법을 적용할 경우 분석가는 프로그램을 업데이트해서 새 패턴을 즉각 반영해야 합니다. 비록 몇 가지 결함이 있긴 하지만 예측 모델링은 보험사기 적발에 탁월한 효과가 있는 것으로 평가되고 있습니다.

네 번째 방법: 데이터베이스 검색
또 다른 방법인 데이터베이스 검색은 더욱 세분화된 수사 기법으로, 기업들이 다양한 벤더들이 제공하는 서비스에 가입하여 심사가 완료된 주요 데이터를 제출하고 나서 다른 서비스의 가입자가 제출한 데이터를 액세스하여 활용하는 방식입니다.

이렇게 수집된 방대한 데이터는 검색 인터페이스를 갖추게 되며 손해사정인이 다양한 리소스에서 파생된 대량의 정보를 열람할 수 있도록 합니다. 이 방법은 검색 기준과 관련된 청구내역을 찾아내기 쉽다는 장점이 있는 반면, 그 결과가 보험사기 적발에 필요한 것이 아닐 수도 있다는 단점이 있습니다. 또한 손해사정인은 이 서비스를 효율적으로 사용하기 위해서 뛰어난 데이터 검토?분석 능력을 보유할 필요가 있습니다.

앞선 네 가지 방법과는 달리, 나머지 세 가지 사기 적발 기법은 심사된 청구건에 대한 소급분석(retrospective analysis)과 관련된 것입니다. 처음의 네 가지 방법은(올바로 사용하는 경우에 한해서) 보험금의 누수를 막는데 효과가 있고, 다음의 세 가지 방법은 특히 사기 행위, 내부 부정 행위 또는 누설 적발에 유용합니다.

다섯 번째 방법: 예외 보고
가장 기본적인 방법이라 할 수 있는 예외 보고(exception reporting)는 구현하기가 매우 용이합니다. 업무와 관련된 주요 성과 측정 지표를 토대로 한도를 설정하고 이벤트의 특정 측정치가 한도를 초과할 경우 시스템이 이벤트에 대한 보고를 실시합니다.

구성된 시스템은 자동적으로 그 기능을 수행하며 손해사정인의 활동을 모니터하고 문제 파악과 해결을 돕는데, 이는 개인의 성과를 평가하고 직원의 교육 기회를 파악하는데 있어 매우 유용한 방법입니다.

물론, 이 방법은 측정 대상, 사용 시간대 및 한도 설정에 대한 결정이 어렵다는 단점이 있지만 내부 관리에 여전히 효과적인 위력을 발휘하고 있습니다.

여섯 번째 방법: OLAP 리포팅
또 다른 사기방지 툴로는 다차원적으로 요약된 데이터베이스를 생성하는 비정형 질의(ad hoc query)와 온라인 분석 프로세싱(OLAP)의 조합이 있는데, OLAP 리포팅은 급변하는 환경에서 분석가가 심사 완료된 방대한 양의 청구 내역을 검색?비교한 다음 예외 사항을 파악하여 비정상적인 상황을 발견할 수 있도록 도와줍니다.

현재, 여러 벤더들에서 OLAP 기능을 지원하는 솔루션을 제공하고 있습니다. 이 방법은 숙련된 분석가가 데이터를 이용하여 잠재적 문제점에 대한 보고서를 신속히 생성하고 후속 조사를 더욱 효율적으로 지휘할 수 있다는 장점이 있습니다.

한편, OLAP는 상호작용적 특성을 지니고 있어 데이터를 심도 있게 이해할 수 있는 분석가의 개입이 요구된다는 것과 OLAP 데이터베이스의 구축이 매우 까다롭다는 단점이 있습니다. 또한, 데이터베이스 설계자는 보험 청구 절차를 숙지하고 있어야 하며 어떤 특성이나 요인이 요구되는지 파악할 수 있어야 합니다.

일곱 번째 방법: 링크 분석(Link analysis)
마지막으로 소개할 사기 행위 적발 수단은 링크 분석으로, 조직적인 사기 행각을 찾아내는 매우 효과적인 방법입니다. 링크 분석은 청구 데이터상의 개체들이 서로 지니고 있는 관계를 모델링하여 비정상적인 패턴을 발견해 내는 프로세스로, 장소, 서비스 공급자, 전화번호 또는 차량번호 등 수많은 항목이 개체로 정의될 수 있습니다.

관련 툴은 겉보기에는 관련이 없어 보이는 수많은 청구건을 체크하여 관계의 빈도가 설정된 한도치보다 높은 경우에 이를 화면에 표시해줌으로써 패턴과 문제점의 파악을 가능하게 합니다. 링크 분석은 비교적 자동화 기법을 채용하고 있으나 모든 관계의 조각들을 짜맞추기 위해서는 역시 전문 분석가의 개입이 필요하다는 단점이 있습니다.

보험사는 이 링크 분석 기법을 이용해 사기단의 불법 행위를 찾아낼 수 있으나, 이 프로세스는 주로 ‘소급(retrospection)’에 중점을 두고 있기 때문에 사기 예방에 활용되지는 않습니다. 대신, 조직적인 범죄 행각을 찾아내고 적절한 대응책을 강구하기 위한 기회는 제공합니다.

기업은 상기의 일곱 가지 기술을 개별적으로 또는 조합하여 활용함으로써 사기성 청구 행위를 발견?예방할 수 있습니다. 더군다나 이런 방법들 중 일부만 도입해서 활용해도 부당 또는 과다 청구가 사기 행각으로 이어지는 상황을 방지할 수 있습니다.

사기 행위는 기업의 수익을 저하시키며 허술한 사기 적발 기법은 오히려 기업의 경쟁력을 약화시키는 원인이 됩니다. 또한, 사기 문제 해결에 많은 노력과 리소스, 시간의 투자가 뒤따른다고 해서 이를 무시해버릴 수도 없는 노릇인 것이, 그 대가가 너무나도 크기 때문입니다.

*본 기사는 National Underwriter Property & Casualty 매거진에 개제되었던 내용으로, 2007년 4분기 SASCOM 매거진에도 게재되었습니다

글쓴이 소개
David West는 TowerGroup의 보험실무 총괄 연구이사로, 보험사기 행위는 첨단 기술을 이용해 예방할 수 있는 범죄 유형이라고 설명합니다