Wdrożenie platformy Fraud Detection Analytics w jednej z największych polskich instytucji ubezpieczeniowych

Głównym celem biznesowym projektu było zwiększenie przejrzystości procesów biznesowych oraz skuteczniejsze wykrywanie nadużyć w obszarze ubezpieczeń poprzez wdrożenie zaawansowanego systemu analitycznego – Fraud Detection Analytics (FDA).

CEL BIZNESOWY

Celem projektu było zwiększenie przejrzystości procesów biznesowych oraz skuteczniejsze wykrywanie nadużyć w obszarze ubezpieczeń poprzez wdrożenie zaawansowanego systemu analitycznego – Fraud Detection Analytics (FDA). Organizacja dążyła do ujednolicenia rozproszonych danych z wielu domen (m.in. sprzedaży polis, likwidacji szkód, obsługi agentów) i ich udostępnienia w przystępnej formie dla użytkowników biznesowych. Kluczowe było również skrócenie czasu reakcji na incydenty oraz wsparcie zgodności z nowymi regulacjami, takimi jak rozporządzenie DORA.

WSPARCIE LINUX POLSKA

Zdefiniowanie celów analitycznych i operacyjnych.
Zaprojektowanie wysokopoziomowej architektury zbudowanej w oparciu o Elastic Stack.
Zintegrowanie danych z kilkunastu rozproszonych źródeł (m.in. systemów domenowych, aplikacji biznesowych i logów technicznych).
Opracowanie dedykowanych dashboardów analitycznych – od paneli menedżerskich po operacyjne.
Wdrożenie mechanizmów alertowania i raportowania wspierających monitoring zachowań podejrzanych.
Zaimplementowanie modeli uczenia maszynowego (ML) do oceny ryzyka nadużyć i anomalii.
Ustandaryzowanie sposobu logowania danych oraz integracji nowych aplikacji z platformą.
Przygotowanie platformy pod opcjonalne wdrożenie dużych modeli językowych (LLM)

REZULTATY

Holistyczny wgląd w procesy biznesowe – instytucja zyskała możliwość monitorowania całego przebiegu procesów: od zakupu polisy, przez logowanie agenta, po likwidację szkody.
Wykrywanie podejrzanych zachowań – analiza danych pozwoliła m.in. na identyfikację warsztatów z nietypowymi kosztorysami, agentów z ponadprzeciętną liczbą szkodowych polis oraz klientów powiązanych z dużą liczbą incydentów.
Skrócenie czasu reakcji na incydenty techniczne – czas diagnozy i reakcji został znacząco skrócony dzięki pełnej obserwowalności i centralizacji danych w czasie rzeczywistym.
Wykorzystanie dashboardów i alertów – umożliwienie reakcji na zdarzenia w czasie rzeczywistym oraz podejmowanie działań prewencyjnych.
Lepsza współpraca między działami – dzięki ujednoliceniu danych i języka komunikacji między IT, zespołami DevOps i biznesem usprawniono współpracę między jednostkami organizacyjnymi.
Wsparcie w analizie ryzyka operacyjnego – system umożliwia identyfikację obszarów krytycznych i wspiera zgodność z wymogami regulacyjnymi, takimi jak DORA.
Mapowanie relacji i geolokalizacja zdarzeń – wizualizacja zależności między agentami, klientami, polisami i warsztatami umożliwia analizę wzorców nadużyć.
Możliwość wdrażania modeli predykcyjnych – platforma została rozszerzona o funkcjonalności oparte na uczeniu maszynowym. Służą one do wspomagania procesów decyzyjnych, pozwalając na prognozowanie przyszłych zdarzeń, ocenę ryzyka oraz identyfikację kluczowych wzorców i zależności w danych.