Soutenance de thèse de Meryem YANKOL

Les secteurs de la banque et de l'assurance sont mis au défi de traiter de grandes quantités de données pour répondre à des problématiques commerciales et stratégiques. Diverses études ont déjà porté sur le développement d'outils d'aide à la décision pour aider les compagnies d'assurance à être mieux équipées pour lutter contre la fraude à l'assurance. Par ailleurs, dans un secteur de plus en plus concurrentiel, la connaissance du client est devenue un élément crucial pour les entreprises afin de conserver leur clientèle. L'évolution constante du marché et le grand nombre d'offres rendent également plus facile la résiliation des polices par les assurés. Par conséquent, cette thèse propose quatre articles de recherche qui contribuent à la littérature en étudiant les avantages des nouvelles approches d'apprentissage automatique pour la détection de la fraude à l'assurance et l'analyse de survie dans le secteur de l'assurance et de la banque. La contribution principale est d'utiliser des données réelles et d'appliquer de nouveaux modèles présentant de bonnes performances prédictives permettant d'identifier les facteurs de risque et les comportements. Des modèles économétriques traditionnels ainsi que de nouveaux algorithmes d'apprentissage automatique présentant de bonnes performances prédictives et une grande efficacité opérationnelle sont testés. Chaque méthode est évaluée sur la base de critères de performance appropriés et la question des données non cylindrées est également prise en compte. Les résultats sont interprétés à l'aide de la méthode SHapley Additive exPlanations, d'explications de modèles localement interprétables et de diagrammes de dépendance partielle pour les techniques d'apprentissage automatique. La méthode Natural Language Processing est utilisée pour des variables textuelles et les résultats confirment que la performance des modèles est améliorée lorsque ces dernières sont incluses. Les techniques d'apprentissage automatique, basées sur des algorithmes de Boosting, sont la méthode la plus performante pour la détection des fraudes et l'analyse de survie.