Économétrie et data science pour la détection de la fraude à l'assurance – InsurFraud

InsurFraud est un projet de recherche interdisciplinaire à la frontière de l'économétrie et de l'apprentissage automatique, qui vise à contribuer au développement et à la diffusion (dans les domaines académique et professionnel) des avancées récentes en Data Science appliquées au domaine de la détection de la fraude à l'assurance. Surtout, cette fraude n'est pas un phénomène récent, mais elle continue d'avoir un énorme impact financier, économique et social. De nos jours, la fraude à l'assurance enregistre des montants impressionnants et affiche toujours une tendance à la hausse en raison de l'expansion de la technologie. L'objectif du projet InsurFraud sera d'identifier les principales spécificités de la fraude à l’assurance et de proposer des solutions appropriées pour la détecter. Par ailleurs, le partenariat avec une compagnie d'assurance nous permettra d'utiliser des bases de données propriétaires originales sur des cas de fraude.
Les principales motivations du projet sont liées (i) au défi de la mode´lisation du comportement strateégique des fraudeurs, (ii) au besoin de systèmes de détection efficaces, compte tenu des énormes pertes financières générées par la fraude à l'assurance, (iii) à l'existence de nouvelles bases de données permettant d’identifier les mécanismes de fraude. Les principales attentes du projet sont (i) de proposer de nouveaux modèles avec de bonnes performances prédictives, et qui conservent leur interprétabilité, (ii) de renforcer la recherche franc¸aise dans le domaine de la fraude à l'assurance, et (iii) de sensibiliser le grand public aux enjeux de sa détection.
Le projet s'articule autour de quatre objectifs principaux. Premièrement, la fraude est un phénomène complexe, évolutif et intentionnel. La fraude à l'assurance peut prendre une grande variété de formes (par exemple, la fraude à l'assurance automobile, la fraude à l'assurance habitation, etc.), et même si leurs caractéristiques sont les mêmes et que l'objectif final consiste à détecter les cas de fraude, la solution à chaque problème est plutôt sectorielle. En outre, les fraudeurs ont un comportement très évolutif dans le temps et leurs actions sont intentionnelles. Pour toutes ces raisons, le premier objectif du projet est de développer des méthodes de détection combinées, automatisées et en temps réel pour les repérer.
Deuxièmement, la fraude est un événement rare, ce qui signifie que les bases de données utilisées pour la détection des fraudes sont fortement déséquilibrées, rendant le processus de détection encore plus compliqué. Le problème du déséquilibre des classes compromet fortement le processus d'apprentissage et l'évaluation des résultats. Notre objectif est d'évaluer le comportement de différentes méthodologies face à des bases de données déséquilibrées, à la fois théoriquement et empiriquement.
Troisièmement, l'évaluation des modèles de détection des fraudes est cruciale et soulève plusieurs problèmes. InsurFraud se concentrera principalement sur la construction de nouveaux tests statistiques utilisés pour évaluer la performance de différents modèles de classification.
Enfin, le quatrième objectif du projet InsurFraud est de mener une analyse de recherche académique sur le compromis entre la performance statistique des modèles prédictifs, le coût économique de la fraude et les ressources financières et humaines limitées utilisées pour l'investigation des alertes.
Les bénéfices attendus du projet InsurFraud auront donc un double impact : (i) le projet contribuera à la littérature sur la détection de la fraude à l’assurance, et (ii) l'industrie tirera parti des résultats du projet et les utilisera pour réduire les pertes dues à la fraude, améliorer la satisfaction du client et fidéliser ses meilleurs clients.