Skip to content

80% wzrost w wykrywaniu podejrzanych roszczeń dzięki algorytmom ML

Insurance professional reviewing claim documents on a clipboard, representing the use of machine learning to detect suspicious insurance claims. The image illustrates AI-driven fraud detection, automated risk assessment, claims processing, and data-driven decision-making in the insurance industry.
Kategoria:
Polska, 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.

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, w których odsetek faktycznych wyłudzeń było mało. Trudność w ostatecznym zidentyfikowaniu złych i dobrych klientów sprawiała, że proces ten był nieefektywny.

Zespół Klienta potrzebował eksperta, który zbudowałby dobre modele algorytmów, 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 decyzje, 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.
Flowchart illustrating the end-to-end process of developing an AI model, from business workshops and data collection through model development, integration, feedback, and iterative improvements. The diagram highlights the collaborative and continuous approach to building, validating, and optimizing machine learning solutions.

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

Industrial worker using a handheld device in a logistics environment, representing machine learning solutions for automated financial risk assessment. The image illustrates AI-powered data collection, predictive analytics, operational monitoring, and intelligent risk evaluation for finance and supply chain operations.

ML w automatyzacji procesu oceny ryzyka w branży finansowej

Zobacz kolejny

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

Zamów bezpłatną konsultację
Jakub Orczyk