متغیر جایگزین، رویکردی نوین در جهت افزایش کیفیت کشف تقلبات بیمه‌های ‌اتومبیل با استفاده از الگوریتم‌های ‌با نظارت

در سال‌های ‌اخیر تمایل صنعت بیمه به تجهیز شرکت‌ها به سیستم‌های ‌کشف تقلب افزایش یافته است. با توجه به هزینه زیادی که اینگونه پرونده‌ها به صنعت وارد می‌‌‌‌کند، الگوریتم‌های ‌کشف و شناسایی تقلب می‌‌‌‌بایست بخش جدایی‌ناپذیری از شرکت‌های بیمه باشند. لیکن مشکل اساسی، کیفیت خروجی سیستم‌های ‌کشف تقلب است. از طرفی الگوریتم‌های ‌با نظارت نسبت به الگوریتم‌های ‌بدون نظارت دقت بالاتری دارند. از طرف دیگر در حوزه کشف تقلب، داده‌های ‌برچسب‌گذاری شده محدودند و بنابراین به‌کارگیری الگوریتم‌های ‌با نظارت و دقت و کیفیت آنها با چالش مواجه می‌‌‌‌شود. در این مقاله برای رفع این چالش، با استفاده از رویکرد متغیر جایگزین، از متغیر دیگری که مقادیر آن در دسترس بوده و شاخص مناسبی برای پرونده‌های ‌مشکوک می‌‌‌‌باشد استفاده شده است. این رویکرد، باعث بهبود کارایی و کیفیت سیستم شده و به شرکت‌های ‌بیمه این امکان را می‌‌‌‌دهد که با اطمینان بیشتر و خطای کمتر نسبت به پرونده‌های ‌مشکوک اقدام کنند.

Target replacement , a new approach to increase the performance of fraud detection system in auto insurance utilizing supervising learning

Recent years, the insurance industry has been experiencing an increase in equipping insurance companies with fraud detection systems. Furthermore due to the significant cost imposed on the insurance industry by the rise in such claims, the role of data mining techniques in detecting fraudulent claims has become widespread. However an essential issue with such systems is the quality of their outputs. On one hand, supervised algorithms are more accurate comparing to unsupervised counterparts. On the other hand, as data labeled fraud is really limited, the efficiency of supervised algorithms is severely challenged. Within this regard, a novel approach is introduced as “alternative feature” to overcome the challenge. Basically, alternative feature is a variable whose values are available and can be considered a suitable indicator to detect suspicious cases. This approach improves the efficiency of the system and allows experts and insurance companies to investigate suspicious cases with more confidence and less error.