Ajoneuvovakuutuspetosten havaitseminen teknologian avulla
Jyrinsalo, Henna (2024)
Jyrinsalo, Henna
2024
Kauppatieteiden kandidaattiohjelma - Bachelor's Programme in Business Studies
Johtamisen ja talouden tiedekunta - Faculty of Management and Business
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2024-05-07
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202404234213
https://urn.fi/URN:NBN:fi:tuni-202404234213
Tiivistelmä
Vakuutuspetokset ovat vakuutusalan merkittävä ongelma, jonka vaikutukset kohdistuvat vakuutusyhtiöiden lisäksi rehellisiin vakuutuksenottajiin ja koko yhteiskuntaan. Suuri osa vakuutuspetoksista jää kuitenkin havaitsematta muun muassa rajallisten resurssien vuoksi. Ratkaisuja tähän ongelmaan tuovat uudet teknologiset menetelmät, joiden avulla petollinen toiminta voidaan havaita nopeasti ja kustannustehokkaasti. Tässä tutkielmassa käsitellään teknologian hyödyntämistä osana ajoneuvovakuutuspetosten havaitsemista. Tutkielman taustateoria kytkeytyy vahinkovakuutusalan petoksiin ja vakuutuspetostorjunnan keskeisiin vaiheisiin.
Tutkimuksen tavoitteena on ensinnäkin selvittää, millaisen tiedon avulla teknologiat voivat havaita ajoneuvovakuutuspetoksia. Toisena tavoitteena on tutkia, millaista teknologiaa vakuutusyhtiöt voivat hyödyntää ajoneuvovakuutuspetosten havaitsemisessa. Tutkimuskysymykset ovat: 1. Millaisen tiedon avulla teknologiat havaitsevat ajoneuvovakuutuspetoksia? ja 2. Millaista teknologiaa ajoneuvovakuutuspetosten havaitsemisessa hyödynnetään? Tutkimus toteutettiin kvalitatiivisena tutkimuksena ja tutkimusmenetelmänä käytettiin systemaattista kirjallisuuskatsausta. Kirjallisuuskatsauksen aineistona hyödynnettiin kansainvälistä vertaisarvioitua kirjallisuutta ja aineistoa analysoitiin aineistolähtöisen sisällönanalyysin avulla.
Tutkimuksen tulosten mukaan teknologiat hyödyntävät laajasti erilaista tietoa korvaushakemuksista, vakuutussopimuksesta ja muusta saatavilla olevasta datasta. Tärkeimpiä tietoja ajoneuvovakuutuspetosten havaitsemisen kannalta ovat vahinkoon liittyvät tiedot, kuten vahingon ajankohta ja vahingon syyllinen. Toiseksi tärkeimpiä tietoja ovat vakuutuksenottajaan liittyvät tiedot, joista etenkin aiempien korvaushakemusten määrää hyödynnettiin muuttujana eniten. Myös vakuutukseen ja ajoneuvoon liittyvät tiedot olivat usein käytettyjä, vaikka niihin liittyviä muuttujia esiintyi määrällisesti vähiten. Mikään yksittäinen tieto ei kuitenkaan noussut tärkeimmäksi, vaan muuttujien epätavalliset yhdistelmät osoittautuivat merkittävimmiksi indikaattoreiksi petoksesta. Tulosten perusteella voidaan myös todeta, että oikeiden muuttujien valinta on erittäin tärkeää, jotta teknologiat pystyvät havaitsemaan petokset tehokkaasti.
Toisen tutkimuskysymyksen osalta tulokset osoittavat, että tekoälyyn perustuvat teknologiat ovat nykypäivänä tehokkaimpia tapoja havaita ajoneuvovakuutuspetoksia. Tutkituin teknologia petollisten korvaushakemusten tunnistamisessa on koneoppiminen, ja etenkin valvottua koneoppimista hyödynnetään petostorjunnassa paljon. Tuloksista käy myös ilmi, että teknologisen menetelmän valintaan vaikuttaa olennaisesti se, millaista tietoa on saatavilla ja millaisessa muodossa tieto on. Yleisimmin ajoneuvovakuutuspetoksia havaitaan pelkästään saatavilla olevan numeerisen datan avulla, mutta myös korvaushakemusten teksti- ja kuvadataa voidaan hyödyntää numeerisen datan tukena. Mitä monipuolisempaa tietoa petostorjunnassa hyödynnetään, sitä paremmin teknologiset menetelmät suoriutuvat petollisten korvaushakemusten tunnistamisessa. Yleisesti tutkimuksen tulokset ovat pitkälti linjassa aiemman kansainvälisen tutkimuksen kanssa.
Tutkimuksen tavoitteena on ensinnäkin selvittää, millaisen tiedon avulla teknologiat voivat havaita ajoneuvovakuutuspetoksia. Toisena tavoitteena on tutkia, millaista teknologiaa vakuutusyhtiöt voivat hyödyntää ajoneuvovakuutuspetosten havaitsemisessa. Tutkimuskysymykset ovat: 1. Millaisen tiedon avulla teknologiat havaitsevat ajoneuvovakuutuspetoksia? ja 2. Millaista teknologiaa ajoneuvovakuutuspetosten havaitsemisessa hyödynnetään? Tutkimus toteutettiin kvalitatiivisena tutkimuksena ja tutkimusmenetelmänä käytettiin systemaattista kirjallisuuskatsausta. Kirjallisuuskatsauksen aineistona hyödynnettiin kansainvälistä vertaisarvioitua kirjallisuutta ja aineistoa analysoitiin aineistolähtöisen sisällönanalyysin avulla.
Tutkimuksen tulosten mukaan teknologiat hyödyntävät laajasti erilaista tietoa korvaushakemuksista, vakuutussopimuksesta ja muusta saatavilla olevasta datasta. Tärkeimpiä tietoja ajoneuvovakuutuspetosten havaitsemisen kannalta ovat vahinkoon liittyvät tiedot, kuten vahingon ajankohta ja vahingon syyllinen. Toiseksi tärkeimpiä tietoja ovat vakuutuksenottajaan liittyvät tiedot, joista etenkin aiempien korvaushakemusten määrää hyödynnettiin muuttujana eniten. Myös vakuutukseen ja ajoneuvoon liittyvät tiedot olivat usein käytettyjä, vaikka niihin liittyviä muuttujia esiintyi määrällisesti vähiten. Mikään yksittäinen tieto ei kuitenkaan noussut tärkeimmäksi, vaan muuttujien epätavalliset yhdistelmät osoittautuivat merkittävimmiksi indikaattoreiksi petoksesta. Tulosten perusteella voidaan myös todeta, että oikeiden muuttujien valinta on erittäin tärkeää, jotta teknologiat pystyvät havaitsemaan petokset tehokkaasti.
Toisen tutkimuskysymyksen osalta tulokset osoittavat, että tekoälyyn perustuvat teknologiat ovat nykypäivänä tehokkaimpia tapoja havaita ajoneuvovakuutuspetoksia. Tutkituin teknologia petollisten korvaushakemusten tunnistamisessa on koneoppiminen, ja etenkin valvottua koneoppimista hyödynnetään petostorjunnassa paljon. Tuloksista käy myös ilmi, että teknologisen menetelmän valintaan vaikuttaa olennaisesti se, millaista tietoa on saatavilla ja millaisessa muodossa tieto on. Yleisimmin ajoneuvovakuutuspetoksia havaitaan pelkästään saatavilla olevan numeerisen datan avulla, mutta myös korvaushakemusten teksti- ja kuvadataa voidaan hyödyntää numeerisen datan tukena. Mitä monipuolisempaa tietoa petostorjunnassa hyödynnetään, sitä paremmin teknologiset menetelmät suoriutuvat petollisten korvaushakemusten tunnistamisessa. Yleisesti tutkimuksen tulokset ovat pitkälti linjassa aiemman kansainvälisen tutkimuksen kanssa.
Kokoelmat
- Kandidaatintutkielmat [8365]