بکارگیری تکنیک‌های داده‌کاوی به‌منظور ارزیابی تخلفات مشتریان بیمه‌های زندگی

عموزادخلیلی, حسین; حسینی شیروانی, میرسعید

doi:10.61186/jii.2.1.56

بکارگیری تکنیک‌های داده‌کاوی به‌منظور ارزیابی تخلفات مشتریان بیمه‌های زندگی

نوع مقاله : مقاله پژوهشی

نویسندگان

حسین عموزادخلیلی ¹

میرسعید حسینی شیروانی ²

¹ گروه مهندسی صنایع، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران

² گروه مهندسی کامپیوتر، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران.

10.61186/jii.2.1.56

چکیده

مساله بروز تقلب در ادعاهای بیمه یکی از مشکلات پیش روی شرکت‌های بیمه است. ازاین‌رو بحث کشف این‌گونه تقلبات در انواع بیمه‌ها یکی از موضوعات موردتوجه کارشناسان حوزه‌های مختلف است. کلاهبرداری بیمه‌ای را می‌توان گرفتن خسارت از شرکت‌های بیمه با توسل به وسایل و اسناد متقلبانه تعریف کرد. زیان‌هایی که از طریق فعالیت‌های کلاهبرداری ایجاد می‌شوند، منافع بیمه‌گران و به‌طور بالقوه ثبات مالی آنان را تحت‌تأثیر قرار می‌دهد. پژوهش حاضر، از تکنیک‌های داده‌کاوی در تشخیص رفتارهای متقلبانه بیمه‌گذاران بیمه‌های زندگی در شرکت‌های بیمه‌ای استفاده نموده تا عوامل مؤثر بر این رفتارها شناسایی گردد. نتایج مقاله نشان می‌دهد که تکنیک‌های درخت تصمیم و ماشین بردار پشتیبان، در شناسایی تقلبات صورت گرفته سودمند بوده و به‌عنوان مرکز اصلی در مدیریت کسب‌وکارها جهت تشخیص تقلب می‌تواند موردتوجه قرار گیرند. نتایج حاصل از پیاده‌سازی روش‌های مختلف بر روی مجموعه داده موردبررسی نشان‌دهنده برتری روش شبکه عصبی نسبت به سایر روش‌ها می‌باشد. روش شبکه عصبی با دقت 90.83 که دقت مناسبی است موفق به دسته‌بندی کلاس‌های موردنظر در این پژوهش شده است. همچنین از درخت تصمیم ایجادشده می‌توان جهت کشف تقلبات و یا احتمال تخلفات را قبل از صدور بیمه‌نامه با استفاده از داده‌های بیمه‌گذاران موردبررسی قرار داد و در صورت اثبات تخلف از صدور جلوگیری کرد.

کلیدواژه‌ها

داده‌کاوی

تقلبات بیمه‌ای

درخت تصمیم

ماشین بردار پشتیبان

عنوان مقاله English

Applying Data Mining Techniques in order to assess the Violations of Life Insurance Customers

نویسندگان English

hossein amoozadkhalili ¹

mirsaeid hosseini ²

¹ islamic azad university sari branch

² Assistant Prof., Department of Computer Engineering, Sari Branch, Islamic Azad University, Sari, Iran.

چکیده English

The issue of fraud in insurance claims is one of the problems faced by insurance companies. Therefore, the issue of discovering such frauds in all types of insurances is one of the topics of interest for experts in various fields. Insurance fraud can be defined as taking damages from insurance companies by resorting to fraudulent means and documents. Losses caused through fraudulent activities affect the interests of insurers and potentially their financial stability. The current research uses data mining techniques to identify the fraudulent behavior of life insurance policyholders in insurance companies in order to identify the factors affecting these behaviors. The results of the article show that decision tree and support vector machine techniques are useful in identifying frauds and can be considered as the main center in business management to detect fraud. The results of the implementation of different methods on the studied dataset show the superiority of the neural network method over other methods. The neural network method has succeeded in classifying the desired classes in this research with an accuracy of 90.83, which is a good accuracy. Also, from the created decision tree, it is possible to detect frauds or the possibility of violations before issuing the insurance policy by using the data of the insurers under investigation, and if the violation is proven, it can be prevented from being issued.

کلیدواژه‌ها English

Data mining

Life insurance

Fraud detection

Decision tree

Support Vector Machine (SVM)

[1] Gooderzi A, Tabatabai Manesh J. Evaluation of the risk of fraud in unemployment insurance benefits of the Social Security Organization. Insurance Journal. 2015;31:89-110. [In Persian]
[2] Firoozi M, Shokuri M, Kazemi L, Zahedi S. Identifying fraud in car insurance using data mining methods. Insurance Journal. 2013;26:103-28. [In Persian]
[3] Sharma M. Data mining: A literature survey. International Journal of Emerging Research in Management & Technology. 2014;3(2):21-37.
[4] Vyas S, Serasiya S. Fraud Detection in Insurance Claim System: A Review. 2022 Second International Conference on Artificial Intelligence and Smart Energy (ICAIS): IEEE; 2022. p. 922-7.
[5] Santos-Pereira J, Gruenwald L, Bernardino J. Top data mining tools for the healthcare industry. Journal of King Saud University-Computer and Information Sciences. 2022;34:4968-82.
[6] Al-Hashedi KG, Magalingam P. Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019. Computer Science Review. 2021;40:100402.
[7] Sadgali I, Sael N, Benabbou F. Performance of machine learning techniques in the detection of financial frauds. Procedia computer science. 2019;148:45-54.
[8] Vadim K. Overview of different approaches to solving problems of data mining. Procedia computer science. 2018;123:234-9.
[9] Kazemi A, Bahadur H. Presentation of a prediction model to identify people with diabetes using decision tree. Iranian Journal of Diabetes and Metabolism. 2022;21:151-64. [In Persian]
[10] Espejo PG, Ventura S, Herrera F. A survey on the application of genetic programming to classification. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2010;40(2):121-44.
[11] Lin L-g, Shen P. An Algorithm of Multi-Variable Decision Tree Based on Genetic Programing. International Conference on Artificial Intelligence and Software Engineering. Phuket, Thailand. 2014. p. 314-8.
[12] Anyanwu MN, Shiva SG. Comparative analysis of serial decision tree classification algorithms. International Journal of Computer Science and Security. 2009;3:230-40.
[13] Ho TK. Random decision forests. Proceedings of 3rd international conference on document analysis and recognition: IEEE; 1995. p. 278-82.
[14] Zaranejad M, H. S. Forecasting the inflation rate in Iran's economy using dynamic artificial neural networks (time series perspective). Quantitative Economics Quarterly. 2008;6:145-67. [In Persian]