Avengas Reaktion auf den Krieg gegen die Ukraine: Business Continuity und Humanitäre Hilfe
Unser Kunde
Trōv ist ein Innovationstreiber für den digitalen Versicherungsvertrieb. Als einer der weltweit führenden Anbieter für “Embedded Insurance” ermöglicht es Trōv Finanzdienstleistern ebenso wie etablierten Versicherungsunternehmen, ihre Produkte einfach in andere digitale Services einzubetten und so wiederkehrende Umsätze zu generieren.
Trōv
Versicherungsanbieter verbringen oft mehrere Tage bis Wochen mit der akribischen Beurteilung eines gemeldeten Schadenfalls. Dennoch ist die Branche immer noch häufig von Betrugsversuchen betroffen – zumeist in den Gebieten Sachschaden, Autoversicherung, Mietangelegenheiten und Haustiere. Sorgfältig ausgewählte Modelle können dabei helfen, solche Fälle rechtzeitig zu erkennen. Das Ziel war die automatische Identifizierung betrügerischer Aktivitäten noch bevor Ansprüche bezahlt werden. Zugleich wollte Trōv auch den Zeitaufwand für die Prüfung legitimer Ansprüche und Zahlungen verringern.
Auf Basis von Künstlicher Intelligenz und statistischen Verfahren haben wir ein robustes System zur automatischen Betrugserkennung entwickelt.
Bevor die gelabelten Daten gesammelt wurden, setzten wir im ersten Schritt auf einen autonomen Clustering-Ansatz, um verdächtige Benutzergruppen zu identifizieren. Wir sammelten alle wichtigen Metriken, die auf potenziell verdächtige Kunden hinweisen – einschließlich Identitätsprüfungen, Status bzgl. PEP/Sanktionen/Todesfällen, Weiterleitungsadressen, E-Mail-/Mobil-Risiko, Kreditkarten-Scores, und viele weitere mehr. Zudem wandten wir zusätzlich ein Feature-Engineering an, bei dem weitere Wissensgebiete dafür genutzt wurden, neue wichtige Merkmale für die Betrugserkennung manuell zu erstellen.
Nachdem die Datensätze entsprechend gelabelt waren, führten wir in späteren Entwicklungsphasen einen überwachten Machine Learning-Ansatz ein, um Vorhersagen treffen und die Genauigkeit des Systems erhöhen zu können. Dabei haben wir auf neuronale Netze gesetzt, die verdächtige Muster aus Stichproben lernen und diese später in neuen Fällen wiedererkennen.
Unsere Lösung zur automatischen Betrugserkennung ermöglicht es, Betrugsfälle zu minimieren, das Underwriting zu verbessern und das Risikomanagement zu optimieren. Die Lösung bietet:
Eingesetzte Technologien
Python
NLP
K-means
DBSCAN
t-SNE
Random Forest
SVM
Neural Networks
