Międzynarodowa firma farmaceutyczna działająca w kilkudziesięciu krajach była narażona na ryzyko związane z tysiącami transakcji transgranicznych, w tym wieloma z krajami rozwijającymi się oraz w ich lokalnych walutach. To, wraz z nieoptymalnym procesem przygotowania transakcji, skutkowało ekspozycją naszego klienta na ryzyko finansowe związane z oszustwami bądź zaniedbaniami.
Wykrywanie oszustw i zaniedbań
Wyzwanie
Rozwiązanie
Do wykrywania transakcji, które narażają firmę na ryzyko większe niż dopuszczalne, zalecono oparty na sztucznej inteligencji silnik uczenia maszynowego.
W pierwszym etapie projektu przeanalizowano dane i proces. Umożliwiło to zespołowi oczyszczenie i przygotowanie danych do dalszych etapów oraz zrozumienie luk w procesie, o które niepokoił się klient. Główne ryzyko związane z procesem spowodowane było ewentualną modyfikacją listy transakcji tuż przed autoryzacją, np. zmianą waluty, wynikającą z błędu lub próby oszustwa.
W kolejnym etapie zespół skoncentrował się na dalszej analizie danych, a także opracowaniu i testowaniu modeli. Kilka modeli zostało wyselekcjonowanych i zaprezentowanych klientowi. Wybrany model wykorzystywał nienadzorowane uczenie maszynowe do identyfikacji skupień transakcji o cechach noszących znamiona oszustwa.
Model był używany przed autoryzacją listy transakcji, a rekordy wskazane jako ryzykowne były oznaczane do ręcznego przeglądu przez specjalistów. Informacje zwrotne od specjalistów na temat wartości były następnie wykorzystywane w modelu regresji do dokładniejszego scoringu. Ostatecznie system miał oznaczyć tylko 50 najbardziej ryzykownych rekordów do dalszej kontroli tygodniowo.
Rezultaty
Wdrożenie modelu znacznie ograniczyło ryzyko postrzegane przez klienta w tym obszarze. Zgodnie z opiniami specjalistów 72% oznaczonych transakcji uznano za ryzykowne lub z innych powodów kwalifikujące się do weryfikacji.
-
72%
precyzyjnie wskazanych ryzykownych transakcji
-
znacząco zmniejszone ryzyko w danym obszarze
Skontaktuj się z nami
Odezwiemy się w ciągu 24 godzin