كاربرد يادگيري بدون نظارت در كشف تقلبات بيمه اتومبيل (الگوريتم جنگل ايزوله)

Employing unsupervised learning to detect fraudulent claims in auto insurance (isolation forest)

استراتژي شركت‌هاي بيمه در مقابله با تخلفات و تقلبات، بسيار حائز اهميت مي‌باشد. نداشتن چنين برنامه‌اي براي جلوگيري از تقلبات بيمه‌اي و پرداخت سريع خسارت بيمه‌گذاران، ممكن است در كوتاه مدت موجب رضايت مشتريان و افزايش پورتفوي شركت‌ها گردد؛ اما در بلندمدت عواقب ناگواري را براي صنعت بيمه به همراه دارد. به‌عبارت ديگر، هزينه پرونده‌هاي تقلب خسارت در طول زمان به‌صورت افزايش حق بيمه و غيرمستقيم به بيمه‌گذاران منتقل مي‌گردد. هدف از اين مطالعه، ارائه مكانيزمي به شركت‌هاي بيمه جهت كشف تقلب است. دستيابي به اين هدف از طريق الگوريتم بدون نظارت و جهت كشف ناهنجاري آشكار در مجموعه داده مي‌باشد. استفاده از الگوريتم مزبور به علت تجميعي بودن آن باعث افزايش دقت در تشخيص پرونده‌هاي مشكوك به تقلب و كاهش موارد مثبت كاذب مي‌گردد. بر اساس نتايج مقاله خسارت وارده به راننده مقصر، نوع و كاربري خودرو، جنسيت زيان‌ديده از مهمترين شاخص‌ها در كشف پرونده‌هاي مشكوك به تقلب هستند.

For insurance companies, fraud detection strategies are of significant importance. Lack of such a plan to prevent insurance fraud and making payments quickly to insured in order to compensate for losses will lead to customer satisfaction and increase companies’ portfolio in short term. However in the long run, it will have dire consequences for the insurance industry. In other words, the cost of fraudulent claims would be transferred indirectly to insured in the form of a rise in premiums. The purpose of this study is to provide insurers with a mechanism to detect fraudulent claims. This goal is achieved through an unsupervised algorithm to detect anomalies in the data set. The use of this algorithm, as it is an ensemble learning, increases the accuracy in detecting suspicious cases and reduces false positives. According to the results, the damage to the culprit, the type and use of the vehicle, and the sex of the victim are among the most important indicators in the detection of fraudulent cases.