以数据增强业务流程

这是一个范围很大的问题，涉及以数据简化日常业务流程的方方面面，对我们来讲这个问题在很大程度上取决于你所在的行业。信用卡公司和保险公司始终在评估欺诈行为。例如，如果你的信用卡出现非正常购物，那么你通常会收到来自信用卡公司的电话和消息要求你核实这些交易是否合法。
这是因为算法已经对这张信用卡的常见活动和经常出现的地理位置进行的评估，因此一旦出现以这些数据不符的交易，信用卡公司就会发出警告。有一家大型保险公司，他的顾客呼叫中心正使用语音分析来监测可能出现的欺诈行为。这家公司的系统可识别顾客声音中的紧张程度，有的时候顾客的声音，可能表明主叫方没在说实话，当然这个人也可能会因为家中被窃而感到紧张。因而需要对这些数据实施进一步调查，而不能把他们当做顾客在说谎的第一证据，但作为一种自动预警的信号，它的作用是显而易见的。
车保险公司也在使用机器学习分析来自车祸现场的照片，从而为伤害索赔提供依据。计算机可以标示出涉及索赔的伤害情况，以事故中车辆受损程度不相匹配的情况同样，这种信号会触发保险公司对索赔进行更彻底的调查，而不是立即驳回索赔请求。
此外，保险公司也发现客户在线填写索赔单的时间和欺诈之间存在相关性，而且大型保险公司，目前已经开始对这些数据进行例行分析。通常如果顾客花太长时间来完成这个表格或者是某个项目上停留的时间太长，往往表明他们正绞尽脑汁地思考事件的经过，或是应该怎样填写？
这很可能意味着他们并没有完全再现整个事件。当然，这并非唯一的最终结论，但保险公司必须考虑到非正常情况，例如索赔者可能写字原本就很慢，或者他们在填写过程中被门铃打断。或是不得不离开一会儿去学校接孩子。但如果这些数据恰好与其他数据点相互印证，例如一个人在某个特定项目上数次修改数据。
那就应该给出风险提示了。如果出现的提示太多，保险公司就会进一步审核相关案件相反，如果表格的填写，速度太快也是值得注意的信号，因为犯罪分子往往会使用机器人自动完成表格填写，或者从以前的索赔表格中剪切粘贴，从而大大加快了填写速度。
最关键的一点是，数据分析，不仅有助于识别欺诈活动，还可以帮助我们防止未来出现的欺诈行为，一旦发现欺诈活动，就需要通过数据挖掘找出其中的规律，随后可以使用这些信息设计预测模型，以便找出更有可能出现欺诈的案件，因此，当出现已知欺诈信号相匹配的特定信号时，我们就必须对相关索赔，开展进一步的调查。这些匹配信号可能涉及索赔者的行为、与之关联人员的网络，或是涉及索赔的某些合作机构。

即使是远离金融和保险等欺诈行为频发领域的企业，也会受益于欺诈监测活动。例如可以使用闭路电视录像监视仓库分拣和包装等区域，并使用视频分析对最可能出现的欺诈活动发出预警。

—-

编译者/作者：金牛

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。