Fraud Detection

Automatisierung von Betrugserkennung

Kurzbeschreibung

Das Produkt Fraud Detection unterstützt das Unternehmen bei der Suche möglicher Betrugsversuche unter Einbeziehung moderner Technologien. Schadensmeldungen werden automatisch gescreent und bei Verdacht markiert. Dies ermöglicht es Sachbearbeiter/innen, mögliche Betrugsversuche gezielter zu bearbeiten und saubere Fälle direkt zu regulieren.

Phase: Prototyp

Phase: Prototyp

Herausforderungen der klassischen Betrugserkennung

Datenmenge

Unübersichtliche und unstrukturierte Daten, wie Texte und Bilder, sorgen für hohen manuellen Aufwand bei der Betrugserkennung.

Hoher Zeitaufwand

Manuelles Screening nimmt viele anderweitig benötigte Ressourcen in Anspruch. Die lange Bearbeitungszeit des Schadensfalls kann zu Kundenunzufriedenheit führen.

Variierende Qualität

Durch die fehlende Automatisierung und durch individuelle Interpretation der Mitarbeiter können Ergebnisse stark voneinander abweichen.

Die Anforderungen.

Genauigkeit

Für die Betrugserkennung ist es wichtig, dass die Ergebnisse möglichst genau sind und somit möglichst viele Betrugsversuche erkannt werden können.

Transparenz

Auch die Transparenz bei der Betrugserkennung ist sehr wichtig. Sie ermöglicht dem Unternehmen, die Gründe für eine Betrugsanalyse gegenüber dem Kunden zu rechtfertigen.

Schnelligkeit

Die Bedienung des Betrugserkennungstools sollte möglichst einfach und schnell sein. Dadurch können auch kleinere Betrugsversuche kostendeckend nachverfolgt werden.

Gemeinsame Entwicklung ist für uns die Grundlage erfolgreicher Produkte.

Fragen Sie uns danach!

Der Entwicklungsprozess.

Analyse der Datengrundlage

Vorab wird geprüft, welche Datenquellen in welcher Granularität und in welchem Format verfügbar sind. Datenquellen können über beliebige Datenformate integriert werden, z.B. CSV, JSON, SAP.

Aufbau eines Datenmodells

Alle Daten werden in ein generisches Datenmodell überführt. Entität und Relationen werden gebildet.

Anwendung von Betrugserkennungsmethoden

In diesem Schritt werden die gesammelten Daten automatisch anhand der verschiedenen Methoden der Betrugserkennung analysiert. Hier kann beispielsweise mithilfe eines klassischen Listenvergleichs von Auffälligkeiten gearbeitet werden, aber auch mit neuen Methoden wie zum Beispiel der Smart Rule Engine, dem Scoring, Neuronalen Netzen und der Bilderkennung.

Informationsbereitstellung

In der Informationsbereitstellung werden nun die gesammelten Funde dem für die Betrugsverfolgung zuständigen Mitarbeiter übersichtlich bereitgestellt. Hier finden sich alle Informationen in Form von Alerts, die zeigen, welche Funde besonders auffällig sind.
Partner & Tools

Genutzte Technologien.

Smart Rule Engine

Anhand von Kundendaten und feststehenden Regelwerken werden mit der Smart Rule Engine dynamische Schwellen zur Betrugserkennung berechnet und in das System eingepflegt.

 

Graphendatenbank

Eine Graphendatenbank ermöglicht es, Beziehungen unter den Entitäten aufzudecken oder auch Verbindungen zwischen Versicherungsnehmern und Personengruppen über Schaden, Vermittler, Ort etc. zu erkennen. Beziehungen werden automatisch geflaggt und angezeigt. Somit ist kein manuelles Suchen nach Beziehungen notwendig.

Clustering – Selbstlernendes System

In der Vergangenheit als Betrugsversuch gekennzeichnete Fälle dienen dem Supervised Machine Learning als Training, um neue Fälle zu finden.

Machine Learning in Action

Image Processing

Das Image Processing ermöglicht eine automatische Prüfung der Bilder auf Echtheit und Kontextbezug. Es wird geprüft ob das Bild ein Originalbild oder ein Duplikat aus dem Internet ist.

1
[Mobile Phone]
2
[Technologie]
3
[Electronic Device]
4
[Smartphone]
5
[Samsung]
6
[Glass]
7
[broken]

Image Processing: Bildklassifizierung mit Keywords

[Weblinks full matching] = 13 

1
[Mobile Phone]
2
[Technologie]
3
[Electronic Device]
4
[Smartphone]
5
[iPhone]​
6
[Glass]
7
[broken]

Image Processing: Bildklassifizierung mit Keywords

[Weblinks full matching] = 42

Mögliche weitere Features

Social Network
Bewertung der Schadenshöhe nach Fotos
Geo Daten
Text Mining

Fraud Detection – Betrugserkennung

1. Informationssammlung

Im ersten Schritt werden alle Daten der Schadenmeldung und der klassischen Vertragsdaten zentral gesammelt. Für ein besseres Ergebnis werden die strukturierten Daten mit allen verfügbaren unstrukturierten Texten,Multimedia Inhalten​ aber auch Drittanbieter Daten wie z.B. GeoDaten angereichert.

2. Analyse der Daten

Die verfügbaren Daten werden in ein fachliches Datenmodell des Problemraums überführt. Es werden zusätzliche Verbindungen zwischen den beteiligten Entitäten gebildet (Personen, Gegenstände, Orte, etc)​. Hierbei werden sowohl kausale als auch zeitlich relevante Zusammenhänge​ gebildet.

3. Interpretation

Anhand der Datenlage im Problemmodell wird eine Entscheidung getroffen. Durch den klassichen Listenvergleich und der Smart Rule Engine wird die Entscheidung quatifiziert, objektiv messbar und die Erfahrung des Schadensachbearbeiters bestätigt.

4. Handeln

Gemäß der Ergebnisinterpretation werden die entsprechenden Handlungen ausgeführt.

Lösungsbedarf für digitale Prozesse?

Kontaktieren Sie uns

Interesse am Produkt Fraud Detection?

Kostenlose Demo anfordern