Dette eksempel demonstrerer hvordan HUGIN kan benyttes til identifikation af svindel indenfor skadesforsikring. Brugeren kan interagere med modellen ved at vælge forskellige værdier for de mulige observationer. Risikoen for forsikringssvindel vises som et trafiklys.
Det er muligt at identificere den forventede mest informative observation samt at få en forklaring på høj risiko for svindel.
Der er desuden et Dashboard, der giver brugeren mulighed for at ændre modellen.
Skadetype
Tid for skade
Forskel mellem skade og policestart
Forskel mellem oprettelse og skadedato
Køn
Skadehistorik
Bopæl
Fornylig ændring af police
Kunde virker nervøs
Pres for hurtigt afgørelse
Som et eksempel lad os antage, at en mand havde lavet en anmeldelse af en bilskade, hvor hændelsen skete om natten. Det vil sige, at man vælger bil, mand og nat ud for de rette variable ovenfor.
For denne skade beregner systemet sandsynligheden for svindel til at være 0.2759.
Det er muligt at justere modellen for enten at øge eller reducere denne sandsynlighed. Det kan, for eksempel, g#oslash;res ved at flytte på slideren associeret med sandsynligheden for _tid for hændelsen.
Ved hjælp af ovenstående web interface kan man hurtigt, effektivt og realtid beregne sandsynligheden for svindel i en skadesanmeldelse baseret på partial information om skaden. Sandsynligheden for svindel vises både som en sandsynlighed og som et trafiklys. Sandsynligheden opdateres hver gang, der kommer en ny observation om skaden. Trafiklyset opdateres hvis sandsynligheden overstiger eller falder under bestemte tærskelværdier.
Som eksempel kan man indtaste sag, hvor en mand fra hovedstaden med en skadehistorik pæ skader, anmelder en bilskade, der skete om natten (trafiklyset bliver gult). Bemærk hvordan sandsynligheden for svindel ændres hver gang der indtastes en ny oplysninger, mens trafiklyset kun ændres, når sandsynligheden overstiger en bestemt værdi. Efterfølgende kan man indtaste at policen blev ændret fornyligt. Det medfører at lyset bliver rødt.
Try på Reset for at fjerne evidensen for en skade og dermed initialisere web-siden.
Knappen med teksten Value of Information benyttes til at identifisere de mulige observationer, der forventes at have den største indflydelse på sandsynligheden for svindel. Den beregnede værdi er den normaliserede mutual information mellem en variabel og variablen, der repræsenterer svindel. Den beregnede vårdi er normaliseret i forhold til entropien for svindelvariablen.
Knappen med teksten Forklaring benyttes til at identifisere de to observationer, som bedst forklarer risikoen for svindel. Bayes faktor benyttes til at bestemme hvor stor indflydelse en enkelt observation har på risikoen for svindel. Bayes faktor er likelihood af en hypotese i forhold til likelihood af en alternativ hypotese. Her likelihood for svindel i forhold til likelihood for ikke svindel givet evidensen. Posterior odds er lig med produktet af prior odds og Bayes faktor. Derfor er det relevant at bytte Bayes faktor til at identificere hvilke observationer, der har stor indflydelse.
Denne web-side skal kun illustrere hvordan HUGIN BayesFraud kan benyttes til at identificere usådvanlige forsikringssager. I en virkelig applikation skal HUGIN BayesFraud tilpasses selskabets behov og krav.