Mémoires d'Actuariat
Modélisation de la fraude en assurance IARD : Application à l’assurance automobile
Auteur(s) BARHOUMI K.
Société Covéa
Année 2020
Confidentiel jusqu'au 16/06/2022
Résumé
La lutte contre la fraude est devenue aujourd'hui un enjeu majeur dans la gestion des risques des compagnies d'assurance. Le cout total des fraudes à l'assurance IARD est estimé à plus de 2.5 milliards d'euros. La détection de la fraude constitue alors une problématique de premier plan pour faire face aux exigences en matière de modélisation et prédiction dues au faible ratio de fraudes connues dans les échantillons. La stratégie de la lutte contre la fraude de Covéa s'appuie historiquement sur l'expertise des centres de gestion et des cellules spécialisées. Cette approche traditionnelle, basée sur le développement de scénarii et règles métiers, a montré ses limites du fait de sa faible vélocité et de son manque d'adaptabilité. Afin de pallier à ces défauts, les assureurs portent désormais un intérêt particulier aux algorithmes d'apprentissage automatique dans l'objectif de disposer des systèmes de détection de fraude automatisés et industrialisables. Ce mémoire présente un éventail de ces techniques d'apprentissage automatique utilisables dans le cadre de la détection des réclamations frauduleuses en assurance automobile. Ces modèles sont calibrés en utilisant différentes bases de données incluant des cas de fraudes identifiées et avérées. Une étude est également menée afin d’améliorer les performances de ces modèles par l'intermédiaire de la sélection, le traitement et l'identification des variables significativement discriminantes. Mots clés : Assurance automobile, Fraude, Apprentissage automatique, Apprentissage supervisé
Abstract
Nowadays, the fight against fraud has become a major issue in risk management in insurance companies. The total cost of P&C insurance fraud is estimated at more than 2.5 billion euros. The fraud detection is therefore a challenging problem in terms of modeling and prediction requirements due to the low known fraud ratio in the samples. Covéa's anti-fraud strategy has historically relied on the expertise of management centers and specialized cells. This traditional approach, based on the development of scenarios and business rules, has shown its limits due to its low velocity and its lack of adaptability. In order to overcome these shortcomings, insurers are now taking particular interest in machine learning algorithms with the aim of having automated and industrializable fraud detection systems. This thesis presents a range of these machine learning techniques that can be used in the context of detection of fraudulent automobile insurance claims. These models are calibrated using different databases including cases of identified and proven fraud. A study is also conducted to improve the performance of these models through the selection, preprocessing and identification of significantly discriminating variables. Key words: Automobile Insurance, Fraud, Machine Learning, Supervised Learning
Mémoire complet
Auteur(s) BARHOUMI K.
Société Covéa
Année 2020
Confidentiel jusqu'au 16/06/2022
Résumé
La lutte contre la fraude est devenue aujourd'hui un enjeu majeur dans la gestion des risques des compagnies d'assurance. Le cout total des fraudes à l'assurance IARD est estimé à plus de 2.5 milliards d'euros. La détection de la fraude constitue alors une problématique de premier plan pour faire face aux exigences en matière de modélisation et prédiction dues au faible ratio de fraudes connues dans les échantillons. La stratégie de la lutte contre la fraude de Covéa s'appuie historiquement sur l'expertise des centres de gestion et des cellules spécialisées. Cette approche traditionnelle, basée sur le développement de scénarii et règles métiers, a montré ses limites du fait de sa faible vélocité et de son manque d'adaptabilité. Afin de pallier à ces défauts, les assureurs portent désormais un intérêt particulier aux algorithmes d'apprentissage automatique dans l'objectif de disposer des systèmes de détection de fraude automatisés et industrialisables. Ce mémoire présente un éventail de ces techniques d'apprentissage automatique utilisables dans le cadre de la détection des réclamations frauduleuses en assurance automobile. Ces modèles sont calibrés en utilisant différentes bases de données incluant des cas de fraudes identifiées et avérées. Une étude est également menée afin d’améliorer les performances de ces modèles par l'intermédiaire de la sélection, le traitement et l'identification des variables significativement discriminantes. Mots clés : Assurance automobile, Fraude, Apprentissage automatique, Apprentissage supervisé
Abstract
Nowadays, the fight against fraud has become a major issue in risk management in insurance companies. The total cost of P&C insurance fraud is estimated at more than 2.5 billion euros. The fraud detection is therefore a challenging problem in terms of modeling and prediction requirements due to the low known fraud ratio in the samples. Covéa's anti-fraud strategy has historically relied on the expertise of management centers and specialized cells. This traditional approach, based on the development of scenarios and business rules, has shown its limits due to its low velocity and its lack of adaptability. In order to overcome these shortcomings, insurers are now taking particular interest in machine learning algorithms with the aim of having automated and industrializable fraud detection systems. This thesis presents a range of these machine learning techniques that can be used in the context of detection of fraudulent automobile insurance claims. These models are calibrated using different databases including cases of identified and proven fraud. A study is also conducted to improve the performance of these models through the selection, preprocessing and identification of significantly discriminating variables. Key words: Automobile Insurance, Fraud, Machine Learning, Supervised Learning
Mémoire complet
