Data Science et Détection de Fraude en Assurance

Projet scientifique

La détection de fraude automatique est un domaine très particulier de la modélisation statistique. Contrairement à la détection d’anomalies dans le domaine industriel par exemple, elle vise à détecter des transactions frauduleuses issues de comportements rationnels d’agents. Dès lors, la détection des cas de fraude requiert non seulement des compétences en data science et en économétrie (connaissance des modèles statistiques et de leurs propriétés), mais aussi des compétences économiques et juridiques permettant de comprendre les motivations et les comportements stratégiques des fraudeurs. Les motivations de l’IdR « Data Science et Détection de Fraude en Assurance » sont principalement liées (i) à la modélisation du comportement stratégique des fraudeurs dans le domaine de l’assurance ; (ii) à la nécessité de mettre en place des systèmes de détection efficaces compte tenu des pertes financières énormes liées à la fraude ; (iii) à l’exploitation de nouvelles bases de données permettant d’identifier les mécanismes de la fraude à l’assurance.

Le projet s’organise autour de plusieurs actions :

Objectif :
Améliorer la détection de fraude en assurance grâce à des outils de data science, tout en prenant en compte les aspects stratégiques, économiques et juridiques des comportements frauduleux.

Axes de recherche :

1. Méthodologies de détection :
   • Développement d’algorithmes spécifiques à la détection de fraude en assurance.
   • Optimisation du traitement des cas suspects (signaux positifs) pour une meilleure gestion des ressources.
2. Analyse des comportements frauduleux :
   • Modélisation des stratégies des fraudeurs et des mécanismes derrière les fraudes.
   • Élaboration d’une typologie des fraudes et des fraudeurs en assurance non-vie.
3. Liens avec d’autres risques financiers :
   • Étude des connexions entre la détection de fraude et d’autres domaines de risque comme le risque de crédit.
4. Gouvernance et stabilité :
   • Réflexion sur la robustesse et la gestion des modèles de détection dans un contexte évolutif.

Ambitions :

• Réduire les pertes financières liées à la fraude en assurance.
• Former des experts en data science spécialisés dans la détection de fraude.
• Diffuser des connaissances et méthodologies via des publications académiques, des séminaires/conférences et des formations académiques.

Formation :
Des écoles d’été et des formations sur l’apprentissage automatique et le traitement du langage naturel ont été organisées pour les chercheurs et les professionnels du secteur.

Production scientifique & revues :
Les travaux du projet explorent principalement la détection de la fraude financière dans le domaine de l’assurance. Ils traitent également des problématiques liées à la fraude aux cotisations sociales, aux données déséquilibrées et à l’évaluation financière et économique de la fraude. Ces recherches combinent des approches en économétrie, apprentissage automatique et économie. Pour une liste complète et mise à jour des publications et travaux, consultez le site web du projet.

Vulgarisation :
Le projet promeut ses recherches via des conférences, des appels à projets, des articles scientifiques et des événements de formation (summer schools, formations ponctuelles).

Responsable scientifique :
Denisa Banulescu-Radu
Laboratoire d’Économie d’Orléans.

Partenaires :

• Académique : Laboratoire d’Économie d’Orléans.
• Économique : Thélem Assurances.

Résumé :
L’initiative « Data Science et Détection de Fraude en Assurance » réunit des experts en économétrie, science des données et économie pour développer des techniques innovantes de prévention et de détection des fraudes en assurance. Un doctorant recruté explore ces problématiques complexes, intégrant des dimensions économiques et de data science. Le projet aborde plusieurs défis majeurs : modélisation du comportement stratégique des fraudeurs, gestion des bases de données déséquilibrées, et développement d’outils techniques pour la détection en temps réel. La diffusion des résultats est soutenue par conférences, publications et formations.

Site web :
Projet Data Science et Détection de Fraude en Assurance