Detecção de Fraude de Seguros

Uma abordagem de cientista de dados onde os dados dos usuários foram analisados, agrupados e processados em métodos de aprendizagem não supervisionados.

Motor de detecção de anomalia não supervisionado

O COMPORTAMENTO FRAUDULENTO NÃO É NOVIDADE PARA AS GRANDES SEGURADORAS

A detecção de fraudes é um problema desafiador. O fato é que as transações fraudulentas representam uma fração muito pequena da atividade dentro de uma organização. O desafio é que, sem o uso das ferramentas e sistemas corretos, uma pequena porcentagem da atividade pode rapidamente se transformar em grandes perdas.

Os criminosos são astutos. Como os esquemas de fraude tradicionais já não compensam, os fraudadores aprenderam a mudar suas táticas.

A boa notícia é que, com os avanços em Machine Learning, os sistemas podem aprender, adaptar e descobrir padrões emergentes para prevenir a fraude.

DESAFIO

O cliente, uma grande seguradora, precisava identificar potenciais usuários fraudulentos.

Para manter o número de fraudes o menor possível, é importante detectar fraudes logo no início. Data Reply enfrentou o desafio de distinguir usuários fraudulentos de pessoas honestas, de modo que não se suspeite que uma pessoa correta seja culpada de um delito.

FOCO NA PREVISÃO E PRESCRIÇÃO

Data Reply desenvolveu um mecanismo não supervisionado de detecção de anomalia por meio de manipulação de dados e construção de recursos.
Os dados do usuário foram analisados e agrupados em tipos de dados, de modo a identificar aqueles que eram mais previsíveis de fraude. Data Reply teve uma abordagem de cientista de dados para processar dados em métodos de aprendizagem não supervisionados.