Implementazione di un sistema di Machine Learning
Accesso al repository di Big Data e utilizzo dell'analisi avanzata per identificare le "anomalie"
Risultato finale
Diminuzione del 10% dei falsi positivi e aumento del 30% nel rilevamento di frodi potenziali
La sfida
-
Trovare nuove soluzioni, basate sulle potenzialità della tecnologia Big Data e Advanced Analytics, per contrastare le fronti
-
Definire regole e modelli per supportare la prevenzione antifrode in tempo reale: regole deterministiche, algoritmi per collegare i soggetti coinvolti nel sinistro all’interno della rete costruita sul portafoglio sinistri, regole predittive, rilevamento delle immagini
-
Utilizzare strumenti di indagine per supportare l'analisi estesa dei dati: ricerca stile Google, analisi della rete dei collegamenti, geo-mapping, scansione rete social
-
Implementare una soluzione avanzata basata sul Machine Learning che prevede l’analisi del repository Big Data, l’identificazione di nuove regole ed il monitoraggio della qualità delle regole esistenti al fine affinare l’attendibilità dell’identificazione delle anomalie
-
Eseguire un caricamento massivo di dati, sia da fonti interne che esterne, sia strutturati che non strutturati
L' impegno
-
Sviluppo di uno strumento per supportare la rilevazione della frode e la funzionalità di indagine. Una piattaforma a servizi (funzionalità di ricerca e analisi) richiamabili da altri sistemi
-
Implementazione di una soluzione che gestisce dati strutturati e non provenienti dai sistemi aziendali e da basi di dati istituzionali esterne
I vantaggi
-
Soluzione integrata in tempo reale con i sistemi di gestione Sinistri e con quelli a supporto dei processi di on-boarding del cliente e di sottoscrizione
-
Analisi self-service eseguite rapidamente (query complesse, in tempo reale, che coinvolgono enormi volumi di dati eterogenei) sfruttando la Tecnologia Big Data
-
Diminuzione del 10% dei falsi positivi e aumento del 30% nel rilevamento di frodi potenziali
