توسعه یک روش ترکیبی بدون ناظر در کشف تقلب خسارت های بیمه ای و طراحی داشبورد هشدار تقلب

تحول دیجیتال و گسترش فناوری های نظارتی، الگوهای تنظیم گری صنعت بیمه را در سطح جهانی دچار تغییرات اساسی کرده است. نهادهای ناظر بین المللی با بهره گیری از ابزارهای داده محور و داشبوردهای بلادرنگ، نظارت را از رویکردهای پسینی به مدل های پیوسته و پیش دستانه ارتقا داده اند. در مقابل، نظارت در صنعت بیمه ایران همچنان متکی بر گزارش های دوره ای و غیر یکپارچه است که پیامدهایی مانند تاخیر در کشف ریسک، کاهش شفافیت و افزایش هزینه های تبعیت را به همراه دارد. افزایش حجم داده های بیمه ای و پیچیدگی روش های تقلب سبب شده است که تحلیل های سنتی و آفلاین کارایی لازم برای شناسایی به موقع تقلب را نداشته باشند. در این پژوهش، یک چارچوب هوشمند برای شناسایی و پایش بلادرنگ تقلب در خسارت های بیمه ای ارائه شده است. در این راستا، داده های تاریخی شامل اطلاعات بیمه نامه ها و خسارت های بیمه بدنه خودرو استخراج و پس از پاکسازی مورد استفاده قرار گرفت. برای شناسایی الگوهای غیرعادی، ترکیبی از دو روش یادگیری ماشین شامل الگوریتم Isolation Forest برای تشخیص داده های پرت و الگوریتم K-Means برای شناسایی گروه های پرریسک به کار گرفته شد. نتایج حاصل در قالب یک داشبورد بلادرنگ مبتنی بر Power BI و با اتصال مستقیم به پایگاه داده پیاده سازی گردید. این داشبورد امکان پایش لحظه ای شاخص های کلیدی و شناسایی ادعاهای مشکوک را فراهم می کند. یافته ها نشان می دهد که رویکرد پیشنهادی با افزایش دقت و پوشش شناسایی تقلب، زمینه تصمیم گیری سریع تر و کاهش زیان های مالی را فراهم می سازد.

کلیدواژه ها:

کشف تقلب بیمه ، SupTech ، نظارت داده محور ، داشبورد بلادرنگ ، یادگیری ماشین