Detekcija prijevara u osiguranju motornih vozila

professional thesis

• Title (english): Motor insurance fraud detection
• Author: Dijana Hajdarović
• Mentor: Zvonko Kostanjčar (mentor)
• Committee member: Stjepan Begušić (predsjednik povjerenstva)
• Committee member: Zvonko Kostanjčar (član povjerenstva)
• Committee member: Azra Tafro (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2023, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering

Abstract

U radu se analiziraju metode za detekciju prijevarnih šteta na podacima o nastalim štetama na motornim vozilima u periodu od dvije godine u jednom osiguravajućem društvu u Republici Hrvatskoj.
Cilj rada je ispitati dvije metode za nadzirano i jedne za nenadzirano učenje te na temelju dobivenih rezultata preložiti najbolju metodu i korake za poboljšanje dobivenih rezultata.
Ispitivanje metoda napravljeno je na podacima koji se prikupljaju u procesu prijave i obrade odštetnih zahtjeva. Prije ispitivanja je napravljena analiza dostupnih varijabli i priprema za korištenje u prediktivnom modelu. Ispitivani su modeli logističke regresije i slučajnih šuma na 21 varijabli koja opisuje štete. Dodatno je implementirana k-means metoda kako bi se korištenjem metode lakta i metode siluete ispitalo koji bi bio optimalan broj klastera na korištenom uzorku podataka.

Abstract (english)

This paper analyzes methods for detecting fraudulent claims on data for motor claims in a period of two years in one insurance company in the Republic of Croatia.
The aim of this paper is to test two methods for supervised and two methods for unsupervised learning and based on the obtained results to detect the best method and propose steps to improve it.
Data used in this paper were collected during the first notice of loss and claim handling process. Before implementing predictive methods, data were analyzed and prepared for use. In this paper were tested logistic regression and random forest utilizing 21 variables as inputs for the models.
Additionally, the k-means method was used to find an optimal number of clusters using the elbow and silhouette method.

• Keywords: metode za detekciju prijevarnih šteta; štete; nadzirano i nenadzirano učenje; logistička regresija; slučajne šume; k-means; metoda lakta; metoda siluete
• Keywords (english): methods for detecting fraudulent claims; claims; supervised and unsupervised learning; logistic regression; random forest; k-means; elbow method; silhouette method
• Language: croatian
• URN:NBN: urn:nbn:hr:168:929741
• Study programme: Title: INSURTECH; Study programme type: university; Study level: postgraduate specialist; Academic / professional title: sveučilišni/a specijalist/specijalistica digitalnih inovacija i tehnologija u osiguranju (sveučilišni/a specijalist/specijalistica digitalnih inovacija i tehnologija u osiguranju)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-05-03 11:09:13