Başarı Hikayesi: Aynı Hasar, Farklı Açılar – Tekrar Eden Fotoğraflarla Kurulan Suistimal Modeli Nasıl Ortaya Çıkarıldı?

Büyük ölçekli bir filo müşterimizde, kısa süre içinde art arda açılan hasar dosyaları dikkat çekmeye başladı. Dosyalar birbirinden bağımsız görünüyordu; farklı tarihler, farklı sürücüler ve her biri için sunulan ayrı fotoğraflar…

İlk bakışta her dosya kendi içinde tutarlıydı. Ancak toplamda oluşan maliyet büyüdükçe, bu tekrarın ardında farklı bir hikaye olabileceği şüphesi doğdu.

İşte tam bu noktada FraudFlow devreye girdi.

İlk görünüm: Bağımsız hasarlar gibi görünen dosyalar

İncelenen süreçte şunlar yer almaktaydı:

• Aynı filoya ait araçlar için açılmış çok sayıda hasar dosyası
• Her dosyada farklı açılardan çekilmiş hasar fotoğrafları
• Parça bazlı benzer hasar tanımları
• Kademeli olarak artan toplam ödeme tutarı

Geleneksel incelemede bu dosyalar ayrı olaylar olarak değerlendirilebilir ve ödeme sürecine alınabilirdi.

FraudFlow ne yaptı? Görüntünün hafızasını okudu

FraudFlow, yalnızca metinsel verilerle değil, görsel verilerle de çalışan analiz motoru sayesinde süreci derinlemesine inceledi:

• Görsel benzerlik analizi: Yüklenen fotoğraflar piksel ve desen seviyesinde karşılaştırıldı
• Hasar izi eşleştirme: Çizik, göçük ve kırık bölgelerin konumları üst üste bindirilerek analiz edildi
• Açı normalizasyonu: Farklı açılardan çekilmiş görüntüler normalize edilerek aynı hasarın izleri ortaya çıkarıldı

Sonuç çarpıcıydı: Farklı dosyalarda sunulan fotoğrafların, aslında aynı hasarın farklı açılardan çekilmiş versiyonları olduğu tespit edildi.

Kırmızı bayraklar (red flags)

Analiz sırasında şu kritik sinyaller ortaya çıktı:

• Aynı araç üzerinde tekrar eden hasar bölgeleri
• Fotoğrafların farklı tarihlerde yüklenmesine rağmen görsel olarak yüksek benzerlik göstermesi
• Hasar açıklamalarının küçük varyasyonlarla tekrar etmesi
• Aynı araç için kısa zaman aralıklarında açılan dosyalar

Bu göstergeler, sistematik bir suistimal modeline işaret ediyordu.

Operasyonel zorluk: İnsan gözünün sınırı

Filo yönetiminde yüzlerce araç ve binlerce hasar kaydı bulunurken:

• Aynı hasarın farklı açılardan çekildiğini manuel olarak fark etmek neredeyse imkansızdır
• Görseller arasında çapraz karşılaştırma yapmak ciddi zaman ve dikkat gerektirir
• Operasyon ekipleri genellikle dosya bazlı değerlendirme yaptığı için bu tür tekrarlar gözden kaçabilir

FraudFlow bu kör noktayı ortadan kaldırır.

Sonuç ve etki: Tek hasardan çoklu ödeme girişimi engellendi

FraudFlow analizi sonucunda:

• Aynı hasarın tekrar tekrar dosyalanarak ödeme talep edildiği ortaya çıkarıldı
• İlgili dosyalar birbiriyle ilişkilendirildi ve inceleme önceliğine alındı
• Haksız ödeme süreci durduruldu

Bu sayede müşteri gereksiz ve tekrar eden ödemeleri engelledi, filo hasar maliyetlerinde ciddi bir kontrol sağladı ve operasyonel verimliliğini artırdı.