System do wspomagania
procesu wykrywania nadużyć

Informacja o Kliencie

Play to najczęściej wybierana sieć w Polsce. Z usług operatora korzysta ponad 15 mln aktywnych kart sim, co zapewnia firmie udział w rynku powyżej 28%.

Potrzeba biznesowa

Oszustwa wewnętrzne to problem, który dotyka wszystkich operatorów i jest ważnym czynnikiem ich rocznych strat w przychodach. Oprócz strat finansowych, mogą przyczynić się również do niekorzystnego postrzegania firmy przez klientów, a tym samym ograniczyć wzrost udziału w rynku usług. Nadużycia w telekomunikacji mogą przybierać różne formy, ewoluować w czasie oraz powstawać jako nowe zjawiska wraz z rozwojem i zmianami organizacyjnymi. Często o fakcie zaistnienia nadużycia operator dowiaduje się zbyt późno, by ograniczyć straty finansowe i wprowadzać odpowiednie środki zaradcze. Raportowanie podstawowych wskaźników operacyjnych wyliczanych w różnych technologiach i pochodzących z kilku niezintegrowanych systemów nie jest wystarczające do monitorowania pojawiających się zjawisk nadużyciowych i może prowadzić do błędnych wniosków.

Skala i koszty zjawisk nadużyciowych wymuszają obecnie zmianę podejścia z reaktywnego (analizujemy przypadek po stwierdzeniu nadużycia) na proaktywne (analizujemy przypadki, dla których wystąpiły przesłanki potencjalnego wystąpienia nadużycia). Czasochłonność procesu analizy podejrzanych przypadków oraz ograniczenia wynikające z podziału zadań w zespołach operacyjnych wymagają szukania nowych metod wsparcia analityków w realizacji codziennych zadań oraz właściwej oceny ryzyka.

Rozwiązanie

Operator sieci komórkowej PLAY zdecydował się na wykorzystanie narzędzi analitycznych SAS do wsparcia procesu wykrywania nadużyć w sieci sprzedaży oraz rozliczeń finansowych. O wyborze oprogramowania SAS przesądziły jego zalety, do których należą:

• Spójność platformy technologicznej obejmującej warstwę przechowywania, przetwarzania i zarządzania danymi, silnik scenariuszy nadużyciowych, dostępność algorytmów zaawansowanych analiz statystycznych i machine learning, interfejsy operacyjne i raportowe
• Elastyczność platformy w kontekście rozbudowy rozwiązania o nowe obszary
• Całościowe spojrzenie na procesy wewnętrzne firmy, pozwalające na uzyskanie kontekstu obserwowanych działań i zdarzeń
• Hybrydowa analityka łącząca podejście regułowe z wykorzystaniem modeli samouczących się oraz analizą sieci powiązań
• Rozwiązania umożliwiające automatyczną optymalizację jakości modeli analitycznych
• Wsparcie merytoryczne i technologiczne przez SAS, zarówno w trakcie, jak i po wdrożeniu.

Platforma SAS® Fraud Framework stanowi elastyczną i kompleksową odpowiedź na zapotrzebowanie w zakresie inteligentnych narzędzi do wykrywania szeroko rozumianych zjawisk fraudowych. Zawiera komponenty wpierające użytkowników na każdym etapie procesu wykrywania nadużyć: automatyzacja naliczeń danych (Data Integration Studio), zaawansowana analityka (silnik analiz statystycznych, analiz data mining and machine learning oraz algorytmy budowy sieci powiązań SAS), interfejs operacyjny (Panel inwestygatora) i interfejs raportowy realizowany w technologii SAS Visual Analytics. Dodatkowo w ramach ostatniego etapu projektu zbudowany został model machine learning w oparciu o rozwiązanie SAS Visual Data Mining and Machine Learning należące do palety SAS Viya. Rozwiązanie to umożliwia zaawansowaną eksplorację danych ad-hoc, a także budowę modeli machine learning w oparciu o najnowsze metody analityczne.

Wdrożenie pełnej postaci systemu odbyło się w ramach 3 faz. W pierwszej fazie zostały dostarczone funkcjonalności związane z detekcją nadużyć i implementacją scenariuszy nadużyciowych. W drugiej fazie system został wzbogacony o kompleksowe raportowanie, a w trzeciej fazie system został poszerzony o kolejne obszary nadużyciowe, a także zbudowano pierwszy model machine learning mający na celu wsparcie śledczych korzystających z rozwiązania.

Cele biznesowe

Dzięki wdrożeniu rozwiązania SAS® Fraud Framework, PLAY zbudował kompleksową platformę wykrywania nadużyć, umożliwiającą identyfikację i zapobieganie niechcianym zjawiskom oraz zmniejszenie strat z ich tytułu w wybranych obszarach działalności firmy. Główne cele wdrożenia to:

• Zidentyfikowanie kluczowych zjawisk nadużyciowych mających podlegać monitorowaniu
• Automatyzacja procesu wykrywania i monitorowania wskazanych zjawisk nadużyciowych
• Wsparcie procesów weryfikacji poprzez dostarczenie analitykom istotnych informacji dodatkowych
• Zapewnienie możliwości poszerzania monitorowania o nowe zjawiska
• Dostarczenie wskaźników predykcyjnych opartych na modelach machine learning, oceniających ryzyko popełnienia nadużyć w najbliższej przyszłości
• Raportowanie skali i postępów procesu wykrywania nadużyć

Z rozwiązania korzysta jednostka odpowiedzialna za ograniczanie ryzyka nadużyć w ramach procesów Fraud Risk Management.

Korzyści

Wdrożenie rozwiązania pozwoliło operatorowi ograniczyć straty z tytułu nadużyć, a przede wszystkim skrócić znacząco czas pomiędzy faktem zajścia zdarzenia wysokiego ryzyka a dotarciem informacji do jednostki odpowiedzialnej za monitoring. W ramach systemu monitorowane są procesy aktywacji, cesji, retencji, dosprzedaży i migracji oraz rozliczenia finansowe. System stanowi ważne narzędzie ograniczania ryzyka operacyjnego. Wdrożenie modelu machine learning pozwoli na uzyskanie dodatkowych korzyści w postaci skuteczniejszego typowania podejrzanych zjawisk. Już na etapie budowy modelu okazało się, że jego skuteczność przewyższa o około 30% wyniki, które można uzyskać w standardowych procesach modelowania predykcyjnego.

System będzie konsekwentnie rozszerzany o nowe obszary danych i nowe scenariusze nadużyciowe. Planowany jest również rozwój w kierunku dalszego wykorzystywania metod machine learning do wykrywania nadużyć.