80% wzrost w wykrywaniu podejrzanych roszczeń dzięki algorytmom ML

Osoba wypełnia kartę związaną z ubezpieczeniem zdrowotnym
Kategoria:
Sztuczna inteligencja
Branża:
Fintech
Miasto:
Warszawa
Model:
Team Outsourcing
Model płatności:
Fixed price
Czas trwania:
4 miesiące

Klient

Dla jednego z większych ubezpieczycieli w Polsce tworzącego innowacyjne rozwiązania na rynku wykonaliśmy projekt w którym zastosowaliśmy algorytmy uczenia maszynowego.  Zakończył się sporym sukcesem i nagrodami dla Klienta.

Wyzwanie

Żądanie wypłaty odszkodowania na ogół ma miejsce w sytuacji faktycznego wypadku. Niestety zdarzają się też próby wyłudzeń.W takiej sytuacji w krótkim czasie trzeba zdecydować, czy odmówić wypłaty czy nie. Przed odmową wypłaty odszkodowania w związku z podejrzeniem nieuczciwego roszczenia należy przeprowadzić analizę.

Do tej pory decyzje podejmowali specjaliści, z częściowym wsparciem algorytmów. Pierwszy krok wykonywali przy użyciu reguł eksperckich lub modelu, ale ostatnim krokiem zawsze była ręczna weryfikacja. Jednak słabe algorytmy powodowały, że eksperci musieli zapoznawać się z wieloma sprawami, gdzie odsetek faktycznych wyłudzeń był mały. Trudność w ostatecznym zidentyfikowaniu  złych i dobrych klientów sprawiała, że proces ten był nieefektywny.

Zespół Klienta potrzebował eksperta, który zbudowałby dobre modele algorytmów, takie które dałyby do sprawdzenia tylko sprawy koncentrujące się na dużych odsetkach wyłudzeń. Eksperci koncentrując się na nich, mogliby lepiej się z nimi zapoznać i podjąć lepsze decyzję, czy wstrzymać wypłatę, czy wypłacić odszkodowanie.

Rozwiązanie

W projekt zaangażowało się 9 osób w tym 3 specjalistów z zespołu Klienta. W ramach procesu tworzenia silnego modułu wykorzystaliśmy algorytmy uczenia maszynowego (ML) oparte na danych historycznych i dogłębnej analizie procesów.

Proces tworzenia modelu AI składał się z poniższych etapów:

  • Analiza procesu w formie warsztatów produktowych
  • Dostarczenie danych i analiza ich jakości / poprawności.
  • Budowa, dostarczenie i integracja pierwszych modeli.
  • Informacja zwrotna dotycząca dostarczonych wyników.
  • Iteracje: dane, modele, integracje z istniejącym systemem

Rezultaty

  • Oszczędności Klienta wzrosły o 30% (w porównaniu z poprzednimi prostymi modelami). Poprawa wskaźnika wykrywalności w pierwszym kwartale wyniosła +60%.  
  • Wskaźnik wyników prawdziwie pozytywnych przekracza 80%.
  • ROI wynosi mniej niż 2 miesiące.
  • Modele predykcyjne były odpowiedzialne za 30-40% ostatecznych wyników finansowych.

Technologie

python logo
Logo docker - 1
Auf dem Laptop, dem Mobiltelefon und im Hintergrund werden Börsengrafiken angezeigt.

Projektowanie, rozwój i weryfikacja jakości platformy finansowej

Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami?
Porozmawiaj o swoich potrzebach z naszymi specjalistami.

Jakub Orczyk

Członek zarządu / Dyrektor sprzedaży
VM.PL

Zamów bezpłatną konsultację
kuba (1)