Один из государственных телеком-операторов в Средней Азии видел, как увеличивается число жалоб от абонентов, и предполагал, что за ростом претензий могут стоять действия недобросовестных сотрудников и дистрибьюторов. Выявить схемы обмана традиционными способами не получалось. Помогли аналитические ML-модели. Как мобильный оператор избавился от внутреннего фрода, читайте в нашем кейсе.


Внедрение аналитических моделей по борьбе с фродом снизило уровень сомнительной дебиторской задолженности, позволило предотвратить необоснованные начисления и риски судебных издержек.

С каким запросом обратился клиент

Речь шла не о внешних киберугрозах, а о внутреннем мошенничестве — со стороны дистрибьюторов, продавцов и сотрудников телеком-оператора. Эти действия сложно выявить стандартными системами мониторинга, но они наносят бизнесу ощутимый ущерб:

• финансовый: часть денег от продаж не поступала в бюджет оператора;
• репутационный: росло число жалоб от абонентов. 

Задача осложнялась тем, что на старте не было четкого представления, какие именно схемы используют мошенники.
 

Как мы подошли к решению задачи

Команда Eastwind оказывала мобильному оператору экспертную поддержку, помогая анализировать большие данные и разрабатывать ML-модели.

Чтобы перейти от догадок к цифрам, мы начали с генерации гипотез:

• проанализировали несколько десятков сценариев возможного фрода, 
• выделили более 20 сценариев, которые требовали проверки,
• построили более 30 аналитических моделей по предотвращению фрода.

С опорой на аналитику мы выявили схемы недобросовестных сотрудников и выстроили механизмы нейтрализации таких угроз.

Как анализ больших данных помогает бизнесу увеличить прибыль

Какие схемы внутреннего фрода выявили

Из 30 ML-моделей по борьбе со злоупотреблениями четыре показали высокую точность и бизнес-эффект. Они помогли избавиться от следующих видов фрода:

Оформление сим-карт на высокодоходных абонентов. Продавцы регистрировали сим-карты на клиентов с высоким ARPU и передавали их третьим лицам. Оплата за услуги списывалась с баланса реального клиента до тех пор, пока он не замечал нелогичные траты и сам не обращался к оператору. 

Продажа конвергентных тарифов без подарочной сим-карты. По условиям акции при оформлении новой сим-карты абонент должен был получить в подарок еще одну сим-карту с пакетным тарифом. Но дистрибьюторы утаивали эту информацию. Они оформляли на абонента вторую подарочную сим-карту, но не выдавали ее: оставляли себе или передавали близким. Получалось, что добросовестный абонент платил за услуги связи, но не пользовался ими в полном объеме. 

Списание невостребованных остатков со счетов абонентов. При уходе абонента к другому оператору, на его счете могли оставаться неиспользованные деньги. По правилам оператора через определенное время эта сумма должна быть списана в счет прочих доходов компании. Однако сотрудники оператора злоупотребляли своими полномочиями и переводили остатки авансовых платежей на баланс своих знакомых, чтобы погасить их задолженность.

Массовое подключение VAS-услуг без согласия абонента. Для выполнения планов продаж сотрудники подключали клиентам недорогие дополнительные услуги, которые абонент не замечал. Незначительные списания редко вызывали жалобы, но при массовом характере приносили ощутимый доход и помогали продавцам достигать KPI. Тем не менее это ставило под угрозу репутацию бренда в том случае, если бы обман раскрылся.
 

Что показала аналитика

Чтобы понять масштабы ущерба, мы протестировали модели на ретроспективных данных за три предыдущих года. Оказалось, что убытки от выявленного фрода превысили $1 млн. Расчеты моделей подтвердил внутренний аудит компании. Следующим шагом нужно было оценить финансовые последствия фрода. 



В течение года кейсы по борьбе с фродом внедрили в работу. 
 

Почему такой подход сработал

Чтобы избавить клиента от внутреннего фрода, нам важно было не только выявить мошеннические схемы, но также понять их масштаб и причины. Поэтому нужен был подход, который работает в реальных условиях, а не ограничивается формальными регламентами. ML-модели справились с поставленной задачей:

• Гибкие аналитические модели находят фрод в реальных условиях, а не по чек-листу, как в случае с фиксированными проверками бизнес-процессов.
• ML-модели обучаются на базе исторических операций, транзакций, активности абонентов и сотрудников, благодаря чему позволяют предупреждать фрод в будущем.
• Использование big data позволяет оценить не только прямой ущерб, но и упущенную выгоду благодаря анализу сценариев, при которых клиенты теряли доступ к оплаченной услуге или преждевременно уходили к конкуренту.

Команда Eastwind помогла мобильному оператору извлечь пользу из массива аналитических данных: защитить выручку, снизить число жалоб от абонентов и повысить прозрачность процессов. 

Запишитесь на консультацию, и мы расскажем, как большие данные помогают выявлять невидимые потери и риски в бизнесе.