Grâce aux données, les outils de data science permettent de construire des indicateurs pour industrialiser les processus de détection, de correction et de sanction. La détection et la gestion des fraudes peuvent toucher des problématiques très vastes, ce n’est pas seulement un sujet de classification binaire. Cette formation permet de comprendre la gestion des anomalies des contrats, des comportements des clients et des intermédiaires d’assurance.
A l’issue de cette formation,
vous aurez une connaissance globale des méthodes de détection de fraudes
vous saurez appliquer les méthodes afin de construire un projet anti-fraudes
vous saurez identifier des situations où des données externes peuvent aider
Points forts
Retour d’expériences sur des applications concrètes
Mise en place des algorithmes avec R
Astuces et bonnes pratiques concernant l’utilisation des modèles dans une entreprise d’assurance
2 Publics concernés
Responsable des risques opérationnels ; Responsable Fraude ; Direction techniques ; Gestionnaire, et plus largement toute personne impliquée dans la lutte contre la fraude cherchant à mieux comprendre les applications de la data-science à la lutte contre la fraude et à les intégrer dans son métier. Toute personne impliquée dans un dispositif de lutte contre la fraude.
Compagnies d’assurance, mutuelles, institutions de prévoyance, sociétés de bancassurance, sociétés de courtage, sociétés d’assistance
3 Programme
Conception des processus
Cadre légal des fraudes en assurance
Type de fraudes, types d’anomalies, et types de risques
Processus anti-fraudes
Actions prescriptives et types d’automisation
Sources de données et nettoyage
Données internes (problématique de qualité de données)
Dark data (problématique de transformation des données)
Utilisation des données externes (problématique de jointure des données)
Construction d’indicateurs
Transformation des données (données tabulaires, textes, images)
Méthodes de détection de fraudes
Construction de preuves de fraudes
Règles déterministes
Détection d’anomalies
Méthodes non supervisées
Classification des fraudes
Cas pratiques
Détection des anomalies avec bases de référence
Classification binaire
Abre de décision
SVM
Régression logistiques
Autres algorithmes de classification
Détection des abberations
Détection des valeurs abberantes
Détection des variables abberantes
Segmentation avec Kmeans
Normalisation des variables
Segmentation et détection d’anomalies
Visualisation des résultat
Tableau de bord de pilotage et de suivi d’indicateurs
Outils de surveillance
4 Informations pratiques
Comment ?
Etude de cas des différentes anomalies
Revue des méthologies statistiques
Cas pratiques concrets
Manipulation des bases de données
Construction des algorithmes avec R
Quels sont les pré-requis ?
Aucun en particulier. L’intérêt et l’utilisation des outils numériques sont cependant fortement recommandés.