Investigating new Machine Learning approaches for financial fraud detection and survival analysis in insurance industries
Les secteurs de la banque et de l'assurance sont mis au défi de traiter de grandes quantités de données pour répondre à des problématiques commerciales et stratégiques. Diverses études ont déjà porté sur le développement d'outils d'aide à la décision pour aider les compagnies d'a...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | , , , , , |
| Médium: | Thèse numérique |
| Jazyk: | Anglais |
| Vydáno: |
2022.
|
| Témata: | |
| On-line přístup: | Accès réservé au texte intégral |
| Poznámka: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Christophe Boucher (Président du jury) ; Denisa-Georgiana Banulescu, Sylvain Benoit (Membre(s) du jury) ; Olivier Darné, Arthur Charpentier (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Nouvelles approches du Machine Learning pour la détection des fraudes financières et l'analyse de la survie dans les secteurs de l'assurance |
| Shrnutí: | Les secteurs de la banque et de l'assurance sont mis au défi de traiter de grandes quantités de données pour répondre à des problématiques commerciales et stratégiques. Diverses études ont déjà porté sur le développement d'outils d'aide à la décision pour aider les compagnies d'assurance à être mieux équipées pour lutter contre la fraude à l'assurance. Par ailleurs, dans un secteur de plus en plus concurrentiel, la connaissance du client est devenue un élément crucial pour les entreprises afin de conserver leur clientèle. L'évolution constante du marché et le grand nombre d'offres rendent également plus facile la résiliation des polices par les assurés. Par conséquent, cette thèse propose quatre articles de recherche qui contribuent à la littérature en étudiant les avantages des nouvelles approches d'apprentissage automatique pour la détection de la fraude à l'assurance et l'analyse de survie dans le secteur de l'assurance et de la banque. La contribution principale est d'utiliser des données réelles et d'appliquer de nouveaux modèles présentant de bonnes performances prédictives permettant d'identifier les facteurs de risque et les comportements. Des modèles économétriques traditionnels ainsi que de nouveaux algorithmes d'apprentissage automatique présentant de bonnes performances prédictives et une grande efficacité opérationnelle sont testés. Chaque méthode est évaluée sur la base de critères de performance appropriés et la question des données non cylindrées est également prise en compte. Les résultats sont interprétés à l'aide de la méthode SHapley Additive exPlanations, d'explications de modèles localement interprétables et de diagrammes de dépendance partielle pour les techniques d'apprentissage automatique. La méthode Natural Language Processing est utilisée pour des variables textuelles et les résultats confirment que la performance des modèles est améliorée lorsque ces dernières sont incluses. Les techniques d'apprentissage au tomatique, basées sur des algorithmes de Boosting, sont la méthode la plus performante pour la détection des fraudes et l'analyse de survie. The banking and insurance sectors are challenged to process large amounts of data to address specific business issues. Various studies have already focused on the development of decision support tools to help insurance companies be better equipped to fight insurance fraud. Also, in an increasingly competitive industry, knowing the customer has become increasingly important for companies to keep their customers. The constant evolution of the market and the large number of offers also makes it easier for policyholders to cancel their policies. Consequently, this thesis proposes four research papers that contribute to the literature in several ways. The objective of our research is to investigate the benefits of new machine learning approaches for insurance fraud detection and survival analysis in the insurance sector as well as in the banking sector. The main contribution is to use real data to apply new models with good predictive performance to identify risk factors and unusual behaviour. In addition to machine learning techniques, natural language processing is also used on textual variables. Traditional econometric models as well as new machine learning algorithms with good predictive performance and high operational efficiency are tested, while maintaining method interpretability. Each methodology is evaluated based on appropriate performance criteria and the issue of unbalanced data is also considered. The results are interpreted using SHapley Additive exPlanations, locally interpretable model explanations and partial dependency diagrams for machine learning techniques. Natural Language Processing is used for textual variables and the results confirm that the model performance is improved when these variables are included. Machine learning techniques, based on boosting algorithms, are the best performing method for fraud detection and survival analysis respectively. |
|---|---|
| Popis jednotky: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Christophe Boucher (Président du jury) ; Denisa-Georgiana Banulescu, Sylvain Benoit (Membre(s) du jury) ; Olivier Darné, Arthur Charpentier (Rapporteur(s)) |