Projet de 4e année 2018-2019 • ESILV • PI²4
►[ Ссылка ]

La fraude à l'assurance est aujourd'hui conséquente. Déclaration de faux sinistres, fausses déclarations à la souscription, exagérations...

Le Comité Européen des Assurances définie la fraude comme un « acte ou une omission relative à la conclusion d’un contrat d’assurance ou un sinistre destiné à procurer un enrichissement injustifié, à son auteur ou à un tiers, ou à causer un dommage à un tiers ».

Depuis 2015 plus de 46 000 fraudes ont été recensées par l’Agence pour la Lutte contre la Fraude à l’Assurance (Alfa). Ces manœuvres frauduleuses ne sont pas à prendre à la légère, leur impact économique est plus que conséquent. En effet, la fraude à l’assurance de biens et de responsabilité coûterait à elle seule près de 2,5 milliards d’Euros par an aux assureurs français (selon le rapport 2014 d’Alfa).

Ces pratiques peuvent aussi bien impliquer des assurés que des prestataires à qui on délègue tout ou partie de la gestion et de l’exécution des contrats, mais aussi des réparateurs, des garagistes, des experts … Au vu de la difficulté pour les assureurs de constituer des bases de données sur leurs assurés (c’est interdit par la loi), notre projet se focalisera sur les professionnels intervenant dans l’exécution de contrats.

Notre projet a donc pour but d’élaborer un modèle permettant d’identifier d’éventuels professionnels fraudeurs au sein d’un réseau. Tout l’enjeu du projet réside dans le fait que nous ne connaissons rien de ces professionnels en dehors du fait qu’ils sont suspects ou non, ainsi que l’interaction entre ces derniers. Cela se traduit par le fait que la base de données sur laquelle nous allons travailler ne sera composée que de deux colonnes : une avec les identifiants des prestataires et une avec leur classe (suspect ou non). Ainsi notre projet se décompose en deux phases :

1. La visualisation du réseau où les nœuds représentent des professionnels et les liaisons, l’interaction entre ces derniers. Cela nous permet d’identifier les indicateurs propres au réseau qui pourront nous servir de variables dans la deuxième phase :

2. La classification où l’objectif est de créer un modèle prédictif le plus efficace possible. En effet, grâce aux techniques sophistiquées de machine learning (LDA, logistic regression …), nous pouvons créer des modèles performants d’identification de professionnels fraudeurs.

Ainsi lors de la visualisation certains indicateurs comme le betweeness, la centralité, la transitivité ou encore le fait que le réseau soit homophilique ou non nous donnent de précieuses informations afin de constituer notre modèle de classification.


BEN JEMIA Wissem
BENNAI Zakaria
SAOUNERA Mohamed
SINNATHURAI Chelsia



Retrouvez l'ESILV sur :

Facebook : [ Ссылка ]
Twitter : [ Ссылка ]
Linkedin : [ Ссылка ]
Pinterest : [ Ссылка ]
Google+ : [ Ссылка ]

[ Ссылка ]

свернуть