Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Abstract

El presente proyecto de investigación evalúa la predicción de empresas marcadas como fraude en el sector de riesgos laborales, utilizando diferentes modelos de machine learning como lo son Random Forest, SVM, árboles de decisión y Gradient Boosting. El desarrollo del proyecto se realizó con datos reales que fueron proporcionados por una ARL Colombiana, los cuales cuentan con una muestra reducida de empresas detectadas como fraudulentas, por lo tanto, el estudio presenta una comparación de técnicas de manejo de desequilibrio de clases y los modelos de clasificación previamente mencionados. Se observa que la combinación que arrojó mejores resultados fue la técnica SMOTETOMEK con el modelo de clasificación de Random Forest con una especificidad (recall) del 0.99% la cual es la métrica de mayor interés para la aseguradora.

This research project evaluates the prediction of companies marked as fraudulent in the occupational risk sector, using different machine learning models such as Random Forest, SVM, decision trees and Gradient Boosting. The development of the project was carried out with real data provided by a Colombian ARL, which has a reduced sample of companies detected as fraudulent, therefore, the study presents a comparison of class imbalance management techniques and the previously mentioned classification models. It is observed that the combination that yielded the best results was the SMOTETOMEK technique with the Random Forest classification model with a specificity (recall) of 0.99%, which is the metric of greatest interest for the insurer.