Sigorta sektöründe sahte hasar tespitinde makine öğrenimi modellerinin kıyaslanması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Beykent Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Suistimal konusu sigortacılıkta oldukça önemli ve üzerinde durulması gereken bir konudur. Suistimal, sigortacılıkta sahte hasar beyanı olarak açıklanabilir. Sahte hasar beyanları sigorta şirketlerinde çok fazla maliyete sebep olmaktadır. Bu olumsuz etkileri yıkabilmek için sigorta şirketlerindeki hasar ekiplerinin yüzlerce hasar ihbarı arasında suistimalli ve suistimalsiz dosyaları ayırabilmesi için çok fazla iş gücü harcamaları gerekmektedir. Ayrıca suistimali yapan kişi farklı teknikler geliştirdikçe suistimali yakalamak bir hayli zorlaşmaktadır. Tüm bu nedenler sigorta şirketleri için maddi ve manevi kayıplara yol açabilmektedir. Bu çalışmada, sigorta sektöründeki hasar ekiplerine sahte hasarların tahmini konusunda yardımcı olmak için makine öğrenmesi modelleri geliştirmek ve makine öğrenimi yöntemlerinden hangilerinin bu problem için daha uygun olduğunu tespit etmek amaçlanmaktadır. Bu çalışmada ülkemizde hizmet veren bir sigorta şirketinin kasko ve trafik sigortasına ait verileri kullanılmıştır. Model oluşturulmasında K-NN, Karar ağacı, Lojistik Regresyon, CART ve Yapay Sinir Ağları algoritmaları kullanılmıştır. Ayrıca bu algoritmaların sonuçları bir de öznitelik seçimi yöntemi kullanılarak daha iyi özellikler kullanılarak tekrar karşılaştırılmıştır. Tüm bu yöntemlerin sonucunda öznitelik seçimi kullanılarak yapay sinir ağları yüzde 86.4 oranında ve CART modeli yüzde 86.1 oranında ve lojistik regresyon modeli yüzde 85.7 ile en başarılı modeller olduğu görülmektedir. Çalışma sonucunda elde edilen sonuçlar ile suistimalli hasar dosyalarının tespiti için sigorta şirketlerindeki hasar ekiplerine yardımcı olabileceği düşünülmektedir.
The issue of fraud is a very important and important issue in insurance. Abuse can be explained as false claim claims in insurance. False damage declarations cause a lot of costs for insurance companies. In order to eliminate these negative effects, damage teams in insurance companies need to spend a lot of workforce to separate abusive and non-abusive files among hundreds of damage reports. In addition, as the person committing the abuse develops different techniques, it becomes more difficult to catch the abuse. All these reasons can lead to material and moral losses for insurance companies. In this study aims to develop machine learning models to assist damage teams in the insurance industry in predicting fraudulent claims and to determine which machine learning methods are more suitable for this problem. In this study, automobile and traffic insurance data of an insurance company serving in our country were used. K-NN, Decision tree, Logistic Regression, CART and Artificial Neural Networks algorithms were used in model creation. In addition, the results of these algorithms were compared again using the feature selection method with better features. As a result of all these methods, it is seen that artificial neural networks are the most successful models with 86.4 percent using feature selection, CART model with 86.1 percent and logistic regression model with 85.7 percent. It is thought that the results obtained from the study may help the damage teams in insurance companies to detect abusive damage files.
The issue of fraud is a very important and important issue in insurance. Abuse can be explained as false claim claims in insurance. False damage declarations cause a lot of costs for insurance companies. In order to eliminate these negative effects, damage teams in insurance companies need to spend a lot of workforce to separate abusive and non-abusive files among hundreds of damage reports. In addition, as the person committing the abuse develops different techniques, it becomes more difficult to catch the abuse. All these reasons can lead to material and moral losses for insurance companies. In this study aims to develop machine learning models to assist damage teams in the insurance industry in predicting fraudulent claims and to determine which machine learning methods are more suitable for this problem. In this study, automobile and traffic insurance data of an insurance company serving in our country were used. K-NN, Decision tree, Logistic Regression, CART and Artificial Neural Networks algorithms were used in model creation. In addition, the results of these algorithms were compared again using the feature selection method with better features. As a result of all these methods, it is seen that artificial neural networks are the most successful models with 86.4 percent using feature selection, CART model with 86.1 percent and logistic regression model with 85.7 percent. It is thought that the results obtained from the study may help the damage teams in insurance companies to detect abusive damage files.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
