Journals / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2019 / Cilt: 41 - Sayı: 2

ARAÇ SİGORTASI HİLELERİNDE VERİ MADENCİLİĞİNİN KULLANIMI

Pages
364–390
Publication Date
2020-01-06
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan hasar taleplerinde hile şüphesi olanlar ve olmayanlar karar ağacı modelinin J.48 algoritması aracılığıyla tahmin edilmeye çalışılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Sigorta sektörü, muhtemel zararlara karşı sigortalıyı garanti altına aldığından, sosyal ve ekonomik çöküntü ile kayıpları önlediğinden kişi ve kurumlar için her zaman bir güvence kaynağı olmaktadır.
📊
Key Findings & Data:Teknolojinin geldiği noktada veri madenciliği, hile riskinin yönetiminde kullanılan etkili araçlardan biri haline gelmiştir.
💡
Conclusion & Impact:Yapılan hasar taleplerinde hile şüphesi olanlar ve olmayanlar karar ağacı modelinin J.48 algoritması aracılığıyla tahmin edilmeye çalışılmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Veri Madenciliği · Hile · Sigorta

Özet

Sigorta sektörü, muhtemel zararlara karşı sigortalıyı garanti altına aldığından, sosyal ve ekonomik çöküntü ile kayıpları önlediğinden kişi ve kurumlar için her zaman bir güvence kaynağı olmaktadır. Sektör içerisinde yer alan tarafların haksız menfaat sağlamak amacıyla kasıtlı olarak hileli eylemlere başvurması ise sektörün yara almasına sebep olmaktadır. Bu sebeple hilelerin tespiti ve hileli eylemlere karşı uygun aksiyonların alınması çok önemlidir. Teknolojinin geldiği noktada veri madenciliği, hile riskinin yönetiminde kullanılan etkili araçlardan biri haline gelmiştir. Makalemizin temel amacı sigorta şirketlerinde hile riskinin yönetilmesinde yardımcı bir araç olarak veri madenciliğinin nasıl kullanılacağını açıklamak olup bu amaç doğrultusunda ele alınan konu araç sigortaları özelinde incelenerek spesifik bir örnekle açıklanmıştır. Bu bağlamda bir acenteden kendi veri tabanında yer alan müşterilerine ait veriler temin edilmiştir. Yapılan hasar taleplerinde hile şüphesi olanlar ve olmayanlar karar ağacı modelinin J.48 algoritması aracılığıyla tahmin edilmeye çalışılmıştır.

🔖

Cite This Article

CÖMERT, N., KAYMAZ, M. (2020). ARAÇ SİGORTASI HİLELERİNDE VERİ MADENCİLİĞİNİN KULLANIMI. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 41 - Sayı: 2, 364–390. https://ajindex.com/articles/6322

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. ACFE (2018), Report to the Nations 2018 Global Study on Occupational Fraud and Abuse, s.8 (https://www.acfe.com/report-to-the-nations/2018/ (erişim tarihi: 14.04.2019).
  2. AKPINAR, Haldun. (2014). Data Veri Madenciliği Veri Analizi. 1. Baskı,
  3. İstanbul,
  4. Papatya Yayıncılık. AKTAN, Ertuğrul. (2018). Büyük Veri: Uygulama Alanları, Analitiği ve Güvenlik Boyutu, Ankara Üniversitesi Bilgi Yönetimi Dergisi, Cilt: 1, Sayı: 1, s. 4-5.
  5. ATALAY, M., Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ ve Makine Öğrenmesi Uygulamaları, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 9, Sayı: 22, ss 155-172.
  6. BOZKURT, Nejat. (2009). İşletmelerin Kara Deliği Hile, 2. Baskı,
  7. İstanbul, Alfa Yayıncılık, s.60. CREWS, S. (2015). The Fraud Triangle. https://www.brumellgroup.com/news/the-fraud-triangle-theory/ (erişim tarihi: 23.10.2019).
  8. COALİTİON AGAİNST INSURANCE FRAUD, By the Numbers: Fraud Statistics (t.y.) https://www.insurancefraud.org/statistics.htm (erişim tarihi: 23.10.2019).
  9. CÖMERT, Nuran.(2015). İç kontrollerle İlgili Teorik Çerçeve ve COSO İç Kontrol Yaklaşımı: Bütünleşik Yaklaşımla KOBİ’lerde Risk Temelli İç Kontrol içinde, Editörler: Ganite Kurt ve Tuğba Uçma Uysal, 126-132. DELOİTTE, (2019). Fraud Risk Management. https://www2.deloitte.com/content/dam/Deloitte/in/Documents/finance/Forensic-Proactive-services/in-fa-frm-noexp.pdf (Erişim tarihi: 01.07.2019).
  10. DEMİRAY Erol, E., Alma, D. (2016). Kasko Sigorta Tercihini Etkileyen Faktörlerin Belirlenmesi: Celal Bayar Üniversitesi Personeline Uygulama, Selçuk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Sosyal Ekonomik Araştırmalar Dergisi, Sayı:32, s.151. DOĞAN, K., Arslantekin, S. (2016). Büyük Veri: Önemi, Yapısı ve Günümüzdeki Durum, DTCF Dergisi 56, 1. (2016): 15-36, s. 20. EMİR, Murat. (2008).
  11. Hile Denetimi, Mali Çözüm Dergisi, Sayı: 86, s.117. ERL, T., Khattak, W., Buhler, P. (2016).
  12. Big Data Fundamentals, Concepts, Drivers & Techniques. Indiana, Arcitura Education Inc, s.19. ERTİKİN, Kıvanç. (2017) Hile Denetimi: Kırmızı Bayrakların Tespiti için Kullanılan Proaktif Yaklaşımlar, Muhasebe ve Finansman Dergisi, s. 76-77.
  13. GEZGEZ, Z.T., Yöndem, H. (2016).
  14. Sigortacılıkta Şüpheli Hasarlar, Suistimaller ve Sahtekarlıklar, Reasürör Dergisi, İstanbul, s. 5. GHORBANİ, A., Farzai, S. (2018). Fraud Detection in Automobile Insurance using a Data Mining Based Approach, International Journal of Mechatronics, Elektrical and Computer Technology (IJMEC), Cilt: 8(27), 3764-3771, s. 3764. HARGREAVES, C.A., ve