Betrugsprävention für Fahrzeugfinanzierungen im Bankenwesen
Ein Finanzierungsinstitut kann mit Advanced Analytics und Machine Learning manuelle Aufwände bei Finanzierungsvorgängen signifikant reduzieren.
Reduktion der manuell zu überprüfenden Gehaltsnachweise um 56%
Gleichbleibende Betrugserkennungsrate
Optimierung der internen Prozess
Herausforderung
Zur Betrugsprophylaxe werden Gehaltsnachweise von Finanzierungsnehmern heute stichprobenartig nach einer Heuristik manuell überprüft. Um die internen Prozesse zu optimieren, soll die Anzahl der manuell zu überprüfenden Gehaltsnachweise reduziert werden. Die Betrugserkennungsrate soll sich dabei nicht verschlechtern.
Lösung
Es wird ein Machine-Learning-Modell zur Schätzung der Betrugswahrscheinlichkeit von Finanzierungsvorgängen entwickelt. Selbstauskunftsdaten und Informationen zum Fahrzeug und Finanzierungsprodukt bilden dabei die Datenbasis. Es wird der fachlich optimale Schwellwert zur Aussteuerung von Vorgängen zur manuellen Überprüfung ermittelt.
Ergebnis
Die manuell zu überprüfenden Gehaltsnachweisen können um über 50% reduziert werden – und das bei gleichbleibender Betrugserkennungsrate. Das Modell wird im Produktivsystem implementiert.
Haben Sie Interesse an eigenen Use Cases?
Herausforderung
Ein Automobilunternehmen möchte verschiedene marktspezifische Daten visualisieren, um eine Wettbewerbsanalyse für den US-Markt zu ermöglichen.
Lösung
Es wird eine interaktive und flexible Anwendung, einschließlich verschiedener Karten mit zwei verschiedenen Ansichten implementiert.
Ergebnis
Relevante Märkte werden identifiziert, analysiert und visualisiert. Der Händler oder der jeweilige Vertrieb haben die Möglichkeit den direkten Wettbewerb mit dem eigenen Produkt zu vergleichen und die relevanten Daten zu visualisieren.
Unsere Case Studies
- Erhalten Sie noch detailliertere Einblicke in unsere Kundenprojekte -
Smart Kochen mit dem Thermomix
Data Operations bei der Munich Re
Data & AI Wissen
Gemeinsam Mehrwerte aus Data & AI schaffen