Le Data Mining aiguillonne la détection des cas de fraude à la Caf : +5% en 2017

La détection des cas de fraude est en hausse de 5% à la Caf (Caisse d’allocations familiales). C’est ce que l’organisme communique ce jeudi 26 avril. Le Data Mining joue un rôle clé dans cette détection. Les chiffres ont été présentés lors d’une conférence de presse par Vincent Mazauric directeur général de la Caisse nationale des allocations familiales depuis novembre 2017.

Cet énarque, spécialiste des finances publiques et ancien des cabinets ministériels de Laurent Fabius et Florence Parly, a été nommé par Agnès Buzyn, ministre des solidarités et de la santé pour sa connaissance du pilotage des grands réseaux et de leur transformation autour des enjeux numériques.

802 millions remboursés par les allocataires

La Caf a effectué 35 millions de points de contrôle en 2017. Résultat, les allocataires ont remboursé 802 millions d’euros pour des sommes indues (sommes perçues sans raison valable), dont une partie correspond à des fraudes. Les fraudes sont des erreurs volontaires des allocataires : omissions de déclarations de plus de 6 mois, fausses déclarations, répétitions de non déclarations.

En 2017, il y a eu une augmentation de 5% des cas de fraude détectés. 45 100 cas de fraudes avérées ont été détectés contre 42 959 cas en 2016. Si l’on compare à 2012, le nombre de cas de fraude détectés a été quasiment multiplié par trois. En valeur, en 2017, cela représente 291 millions d’euros, soit 0,36% de la population des allocataires et une fraude d’un montant moyen de 6455 €.

La Caf déclare que cette progression est essentiellement due aux progrès de la détection. Si la hausse observée en 2017 est moindre que celle observée en 2016, cette tendance s’explique par le fait que le niveau de fraude détectée et qualifiée est élevé. La marge de progression est donc moindre.

Datamlning et professionnalisation des contrôleurs

Le ciblage par datamining, les outils de contrôle tel que le droit de communication des comptes bancaires, ainsi que la professionnalisation des contrôleurs expliquent cette progression, affirme la Caf.

Le data mining est à l’origine d’environ 70% des contrôles sur place. C’est-à-dire des entretiens individualisés avec les allocataires réalisés par les contrôleurs des Caf, aux domiciles, à la CAF ou dans un lieu d’accueil du public. Les contrôleurs vérifient la conformité des dossiers et peuvent aussi conseiller les allocataires sur leurs droits et les orienter vers d’autres services des Caf.

Le Datamining a permis de détecter 284,5 millions d’euros d’indus ou de rappels. Il s’appuie sur le croisement de plusieurs centaines de données statistiques. Ce traitement informatique permet de calculer la probabilité qu’une erreur se produise, en donnant un score de risque prédictif. Généralisé à tout le réseau des Caf, ce dispositif permet ainsi de repérer plus précisément les dossiers à risques.

7,7 millions d’allocataires contrôlés

Dans le cadre du droit de communication bancaire, les Caf peuvent demander les relevés de compte des allocataires directement auprès des banques, s’il existe un doute sur le niveau des ressources d’un allocataire lors d’un contrôle sur place.

La branche Famille de la sécurité sociale s’emploie à sécuriser les données communiquées par les 12,5 millions d’allocataires. Sur ces allocataires, 7,7 millions ont été contrôlés sur au moins 1 élément de leur dossier en 2017.

30,8 millions de contrôles sont automatisés via l’échange de données avec Pôle Emploi, les services des impôts, etc. Et 4,4 millions de contrôles ont eu lieu sur pièce, via des demandes de justificatifs à l’allocataire. Et il y a eu 171 500 contrôles au domicile de l’allocataire par les 600 contrôleurs qui travaillent pour les CAF.

Le datamining, ou littéralement « fouille de données », est une technique permettant de croiser un grand nombre de données statistiques par traitement informatique. Dans le cadre de la politique de contrôle, ce croisement des données a permis de calculer la probabilité des erreurs, en donnant un score prédictif des risques d’indu ou d’erreurs avec des conséquences financières.