Der Kunde

Ein Kreditversicherer mit rund drei Milliarden Euro Umsatz, der einem wachsenden und zunehmend professionellen Betrugsrisiko ausgesetzt war.

Ausgangslage

Das Betrugsrisiko nahm spürbar zu, und die manuellen Prüfprozesse reichten dafür längst nicht mehr aus. Die traditionellen Erkennungssysteme produzierten viele Falsch-Positive, banden damit Prüfressourcen und nervten ehrliche Kunden. Betrugsmuster wurden oft erst spät erkannt, mit der Folge finanzieller Verluste und nicht zu unterschätzender Reputationsrisiken.

Herausforderung

Betrug erkennt man nicht im Nachhinein, sondern im Moment der Transaktion. Das System musste deshalb in Echtzeit arbeiten und gleichzeitig die Quote der Falsch-Positive senken, um die Prüfteams nicht mit Fehlalarmen zu überlasten.

Vorgehen

Wir haben ein KI-gestütztes Betrugserkennungssystem mit Echtzeit-Analysen und maschinellem Lernen aufgebaut. Fortschrittliche Algorithmen zur Mustererkennung unterscheiden zuverlässig zwischen normalen und auffälligen Aktivitäten, ein automatisiertes Benachrichtigungssystem alarmiert die zuständigen Mitarbeitenden unmittelbar, und gezielte Schulungen sorgten dafür, dass die Teams die Hinweise richtig einordnen und schnell handeln.

Ergebnisse

• 40 Prozent weniger Betrugsfälle dank Erkennung in Echtzeit

• 95 Prozent Erkennungsrate direkt im Moment der Transaktion

• Deutliche Einsparung interner Prüfressourcen durch weniger Fehlalarme

• Gestärkte Sicherheitskultur und höhere Kundenzufriedenheit, weil ehrliche Kunden seltener fälschlich geprüft werden