Geschäftsproblem
Ein Finanzdienstleistungsunternehmen hatte sich zum Ziel gesetzt, Falsch-Negative zu reduzieren und die Genauigkeit der Betrugserkennung bei Online-Transaktionen ohne Vorliegen einer Karte (CNP) zu verbessern, insbesondere innerhalb von Handelsgruppen von Fluggesellschaften.
Ergriffene Maßnahmen
· Entworfen eine skalierbare Ökosystem zur Erkennung von Mensch-Maschine-Betrug Kombination automatisierter ML-Modelle mit menschlicher Überprüfung.
· Anwendung von Klassifikationsmodellen zur Identifizierung verdächtiger Transaktionsmuster.
· Integrierte Modellergebnisse in die betrieblichen Arbeitsabläufe zur Betrugsüberprüfung.
Erreichte Ergebnisse
· Verbesserte Genauigkeit der Betrugserkennung.
· Weniger Falsch-Negative bei der Identifizierung von Betrug.
· Erreicht Reduzierung des manuellen Überprüfungsaufwands um 20%.
· Verbesserte Effizienz von Handelsdienstleistungen/Betrugsoperationen.
Frage für das Kontaktformular: Sind die Betrugsteams mit manuellen Überprüfungen überlastet?
