Porsche AG

Problem

In „Porsche Connect Care“ – dem Connectivity-Paket rund um Remote-Dienste und Diagnose – fallen täglich große Mengen an Telematik-Daten an. Verdächtige Muster verschwinden im Volumen, wenn niemand sie automatisch heraushebt.

Verdacht entsteht selten aus einem einzelnen Wert. Auffällig wird ein Vorgang fast immer erst in der Kombination – wenn Standortdaten, Fahrzeugzustand, Servicehistorie und genutzte Dienste nicht zusammenpassen. Mit reinen Schwellenwert-Regeln lässt sich das nicht zuverlässig fassen. Analysten haben aber nur begrenzt Zeit, um Fälle einzeln zu prüfen – jedes False Positive kostet Aufmerksamkeit, die für die echten Fälle fehlt.

Lösung

Data-Science-Pipeline, die Anomalien modellbasiert erkennt, priorisiert und so an die Fraud-Analysten übergibt, dass diese ihre Zeit gezielt auf die lohnenden Fälle lenken.

Die Pipeline arbeitet auf den vorhandenen Telematik- und Service-Daten und kombiniert sie zu einem Verdachtsscore pro Vorgang. Statt eine Black Box zu liefern, ist das Ergebnis so aufbereitet, dass Analysten nachvollziehen können, welche Signale zu einer Einstufung geführt haben – Voraussetzung dafür, Treffer im internen Prozess verteidigen zu können.

So bleibt die Pipeline anpassbar, wenn sich Muster oder Datenlage verändern – statt einmal abgenommen einzufrieren.

Beweis

KI-Arbeit im Konzern-Umfeld mit harten Datenschutz- und Compliance-Anforderungen – vom Datenmodell bis zur Übergabe an die Fachseite.

Zwischen Datenexploration, Modellierung und produktivem Betrieb liegen in solchen Häusern viele Stationen: Freigaben für genutzte Datenfelder, Abstimmung mit Datenschutz, Übergabe an Fachseite und Betrieb. Das Projekt zeigt, dass KI-Arbeit hier selten an der Modellgüte scheitert – sondern an der Frage, ob sie sauber in bestehende Prozesse und Verantwortlichkeiten passt.