1 Objectifs

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.

Dates et durée

Durée: 2 jours

Contacter le formateur par mail


Site internet de Kezhan SHI