Sigorta Sektöründe Sahte Hasarların Tahmini İçin Geliştirilen Makine Öğrenmesi Modellerinin Kıyaslanması

Year 2020, Volume: 13 Issue: 4, 479 - 489, 30.10.2020

Özgür Erkut Şahin Serkan Ayvaz Engin Çalımfidan

https://doi.org/10.17671/gazibtd.543265

Cited By: 1

Abstract

Araştırmanın amacı, sigorta sektöründe kasko sigortası için sahte hasarların tespitinde hasar dosyası incelemelerine yardımcı olabilecek makine öğrenmesi modelleri geliştirmektir. Bu çalışmada özel bir sigorta şirketinin kasko sigortasına ait hasar verileri kullanılmıştır. Model oluşturulmasında k-en yakın komşuluk, karar ağaçları, lojistik regresyon, yapay sinir ağ algoritmaları denenmiştir. Elde edilen sonuçlar doğrultusunda makine öğrenimi yöntemlerinin kullanımının suistimali hasarların tespiti için hasar ekiplerine ve sigorta şirketlerine yardımcı olabileceği düşünülmektedir.

Keywords

Sigorta sektörü, Kasko Sigortası, Suistimal Tespiti, Sahte Hasar Tahmini, Veri Analizi, Makine öğrenmesi, Yapay Sinir ağları

Comparison of Machine Learning Models for Predict Fraudulent Claims in Insurance Sector

Abstract

The aim of this research is to develop machine learning models that can assist in the investigation of automobile insurance claims by detecting counterfeit damages filed in the insurance industry. In this study, automobile insurance claims data belonging to a private insurance company is used for analysis. The k-nearest neighborhood, decision trees, logistic regression, and artificial neural network algorithms have been explored in data modeling. Based on the research results, it is observed that the use of machine learning methods can help claims investigation teams and insurance companies to detect fraudulent activities.

Keywords

Insurance Sector, automobile insurance, fraud detection, fraud prediction, data analysis, machine learning, artifical neural network

References

• L. Šubelj, Š. Furlan, M. Bajec, “An expert system for detecting automobile insurance fraud using social network analysis”, Expert Systems with Applications, 38(1), 1039-1052, 2011.
• S. Erol, Hile Denetiminde Proaktif Yaklaşımlar, Yüksek Lisans Tezi, İstanbul Ticaret Üniversitesi, Sosyal Bilimler Enstitüsü, 2016.
• M. Ö. Dolgun., B.Cenk, A. A. Koç, “Sigortacılık Sektöründe Araç Sigortalarında Suistimal Tespit Sistemi”, 2. Ulusal Sigorta ve Aktüerya Kongresi, Karabük, 28-29 Eylül, 2015.
• E. Kasap, Sigortacılık Sektöründe Müşteri İlişkileri Yönetimi Yaklaşımıyla Veri Madenciliği Teknikleri ve Bir Uygulama, Yüksek Lisans Tezi, Marmara Üniversitesi, Bankacılık Ve Sigortacılık Enstitüsü, 2007.
• D. Muslu, Sigortacılık Sektöründe Risk Analizi: Veri Madenciliği Uygulaması, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2009.
• Y. Kaya, Motokaravan Sigortacılığı Tahmin Modellemesi ve Uygulanan Yöntemlerin Karşılaştırılması, Yüksek Lisans Tezi, Beykent Üniversitesi, Fen Bilimleri Enstitüsü, 2017.
• İ. Şişaneci, Sağlık Sisteminde Veri Madenciliği ile Suistimal Tespiti, Yüksek Lisans Tezi, Gebze Yüksek Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, 2009.
• A. Yılmaz, Sahte Hasarların Lojistik Regresyon Analizi ile Tahmini, Yüksek Lisans Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, 2014.
• R. Bhowmik, “Detecting Auto Insurance Fraud by Data Mining Techniques”, Journal of Emerging Trends in Computing and Information Sciences, Computer Sciences, 2(4), 156-162, 2011.
• A. R. Bauder, M. T. Khoshgoftaar, “The Detection of Medicare Fraud Using Machine Learning Methods with Excluded Provider Labels”, The Thirty-First International Florida Artificial Intelligence Research Society Conference, College of Engineering & Computer Science Florida Atlantic University, FLAIRS-31, A.B.D. 2018.
• T. Martin, J. Biegelman, T. Bartow, Executive Roadmap to Fraud Prevention and Internal Control, John Wiley & Sons, New Jersey, A.B.D. 23, 2006.
• Y. Wang, W. Xu, “Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud”, Decision Support Systems, (105), 87-95, 2018.
• Y. Li, C. Yan, W. Liu, M. Li, “A principle component analysis-based random forest with the potential nearest neighbor method for automobile insurance fraud identification”, Applied Soft Computing, (70), 1000-1009, 2018.
• Internet: S. Aligil, Cumhuriyet Gazetesi Ekonomi Bölümü, https://www.cumhuriyetarsivi.com/monitor/index.xhtml, 11.11.2018.
• İnternet: Sigorta Sahteciliklerini Engelleme Bürosu, Suistimal Yöntemleri Grafiği, https://siseb.sbm.org.tr/tr/istatistikler, 25.10.2018.
• S. Hipgrave, “Smarter fraud investigations with big data analytics”, Network Security, (12), 7-9, 2013.
• S. Subudhi, S. Panigrahi, “Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection”, Journal of King Saud University - Computer and Information Sciences, 32(5), 568-575, 2020.
• M. Artis, M. Ayuso, M. Guillen, “Detection of Automobile Insurance Fraud with Discrete Choice Models and Misclassified Claims”, Journal of Risk & Insurance, (69), 325-340, 2002.
• L. Bai, J. Cai, M. Zhou, “Optimal reinsurance policies for an insurer with a bivariate reserve risk process in a dynamic setting”, Insurance: Mathematics and Economics, 53(3), 664-670,2013.
• S. Şahinler, “En Küçük Kareler Yöntemi ile Dogrusal Regresyon Modeli Oluşturmanın Temel Prensipleri”, Mustafa Kemal Üniversitesi Ziraat Fakültesi Dergisi, (5), 57-73, 2000.
• C. Yan, Y. Li, W. Liu, M. Li, J. Chen, L. Wang, “An artificial bee colony-based kernel ridge regression for automobile insurance fraud identification”, Neurocomputing, (393), 115-125, 2020.
• M. K. Ayyüce, B. Bolat, “Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma”, Bilişim Teknolojileri Dergisi, 11(3), 263-286, 2018.
• M. Emi̇nağaoğlu , A, Vahaplar, “Turnaround Time Prediction for a Medical Laboratory Using Artificial Neural Networks”, Bilişim Teknolojileri Dergisi, 11(4), 357-368, 2018.
• E. Seninç, “The Effect of Hidden Neurons in Single-Hidden Layer Feedforward Neural Networks”, Bilişim Teknolojileri Dergisi, 12(4), 277-286, 2019.
• L. Guelman, “Gradient boosting trees for auto insurance loss cost modeling and prediction”, Expert Systems with Applications 39(3), 3659-3667, 2012.