Shift Technology recueille 60 millions de dollars pour détecter la fraude à l’assurance
La société Shift Technology, basée à Paris, a levé 60 millions de dollars de fonds supplémentaires. Bessemer Venture Partners est en tête du tour et les investisseurs existants Accel, General Catalyst, Iris Capital et Elaia Partners y participent également.
La technologie Shift consiste à détecter les demandes de règlement frauduleuses en matière d’assurance. Il y a 70 compagnies d’assurance dans le monde qui font confiance à son produit, comme MACIF en France, Axa en Espagne, Assurant, Chubb, CNA et HyreCar aux États-Unis. Et vu la taille de ces compagnies, cela signifie que Shift Technology traite chaque jour une tonne de réclamations.
Lire également : Le prochain service de streaming de Disney tuera le Disney Vault
Il est facile de vendre ce genre de produits car les réclamations frauduleuses coûtent une tonne d’argent. Si la technologie Shift peut vous aider à détecter davantage de demandes frauduleuses, vous pouvez dépenser un peu d’argent pour économiser beaucoup d’argent.
Le démarrage a déjà pris beaucoup d’ampleur depuis sa précédente ronde de financement. Ils comptent aujourd’hui 200 employés et clients dans le monde entier. En plus de son siège social à Paris, Shift Technology possède également des bureaux à Boston, Londres, Hong Kong, Madrid, Singapour et Zurich.
A lire en complément : YieldStreet recueille 62 millions de dollars pour démocratiser les investissements alternatifs dans le transport maritime, l'immobilier et plus encore.
Avec la ronde de financement d’aujourd’hui, l’entreprise prévoit d’embaucher plus de gens à Boston, y compris des scientifiques et des développeurs de données. L’entreprise joue également avec une solution automatisée de traitement des réclamations.
La technologie Shift crée une forte barrière à l’entrée. Grâce à son énorme ensemble de données, il peut créer un modèle de détection alimenté par l’IA qui devient de plus en plus précis. Une nouvelle entreprise aurait du mal à rattraper son retard.
