Pe fondul blocajelor și distanțării sociale provocate de coronavirus, cresterea utilizării aplicațiilor mobile și a canalelor online s-a dovedit a fi esențială pentru funcționarea societății. Achizițiile online în plină expansiune și plățile contactless au adus vânzările e-commerce la un nivel record, digitalizarea forțată fiind salvarea binevenită pe timp de criză. Însă, de cealaltă parte a monedei, această schimbare a alimentat creșterea fraudelor la un nivel de miliarde de dolari în întreaga lume, fenomen care, pentru a fi combătut eficient, necesită integrarea unor soluții avansate de analytics și machine learning.
Articol semnat pentru secțiunea Experții Future Banking de către Stefan Baciu, Country Manager SAS Romania & Rep. Moldova.
Detectarea fraudelor reprezintă o situație provocatoare în sine, cu atât mai mult în perioada actuală, care a cunoscut o creștere a plăților digitale. Întrucât tranzacțiile frauduloase sunt destul de rare, ele reprezintă o fracțiune foarte mică a activității unei companii. Provocarea survine, însă, când acest risc minor se poate transforma rapid în pierderi enorme, în lipsa unor instrumente și sisteme capabile de o detecție avansată.
În timpul pandemiei s-a înregistrat o creștere de aproape 35% a tentativelor de fraudă, ceea ce indică faptul că infractorii sunt mai activi în încercările de fraudare a canalelor digitale. Vestea bună este că, odată cu progresele în analiza fraudelor, sistemele dedicate pot învăța, se pot adapta și pot descoperi tipare emergente pentru prevenirea fraudei. Un studiul global realizat de Javelin Strategy & Research și SAS explorează modul în care plățile digitale sunt mai susceptible a fi fraudate, dar și cum trebuie adaptate eforturile de blocare a acestor tentative.
Citeste si:
Principalele constatări pe timp de pandemie și recomandări generale
Plățile digitale cresc riscul de fraudă la nivel global. Deși tehnologiile de plată predominante variază în funcție de regiune, tendințele de fraudă au puncte comune semnificative, indiferent de poziționarea geografică. Acest lucru demonstrează că infractorii se coordonează și împărtășesc informații mai deschis decât instituțiile financiare, ceea ce le conferă un avantaj semnificativ în contracararea fraudelor. Frauda transfrontalieră este din ce în ce mai frecventă.
Frauda digitală crește în frecvență și devine mai sofisticată. Arsenalul de trucuri al fraudatorilor și rețelelor acestora devine la fel de avansat ca tehnologiile utilizate pentru a le detecta activitățile. Schemele de inginerie socială, phishing și identitate, alături de amploarea metodelor digitale de plată, le oferă acestora un avans. Companiile ar trebui să fie conștiente de faptul că noile mecanisme de plată sunt vizate, în special, din cauza controalelor ineficiente de atenuare a riscurilor.
Citeste si:
Instituțiile de servicii financiare au nevoie de tehnologii multilayer și de capacități analitice pentru a identifica amenințările în timp real. Complexitatea vectorilor de atac ai infractorilor necesită o abordare stratificată a prevenirii și detectării fraudei, având, în același timp, un mijloc de a orchestra strategii și activități de investigație. Acțiunile automatizate și gestionarea predictivă a cazurilor, bazate pe inteligență artificială și machine learning, pot ajuta la reducerea dependenței de personalul dedicat monitorizării activităților de fraudă și pot crește considerabil eficiența în această direcție.
Datele sunt critice. Utilizarea datelor pentru analize în timp real și acțiuni automate va fi crucială pentru a prospera în acest nou normal digital. Capacitățile vor varia în funcție de maturitatea tehnologică, însă orice companie, de orice nivel, are nevoie de cât mai multe date pentru a lua decizii eficiente în timp real. Este important de menționat că implementarea infrastructurii cloud pentru sistemele de gestionare a fraudei mărește capacitățile de ingestie de date.
Citeste si:
Impactul machine learning în gestionarea riscului
De la începutul pandemiei, instituțiile financiare au inovat neobosit pentru a satisface nevoile de flexibilitate și rapiditate ale clienților. Acum trebuie, însă, să-și redefinească modul în care se protejează pe ele însele, dar și pe clienți, de riscurile asociate acestor transformări.
Transformarea metodelor de plată impune instituțiilor financiare să înțeleagă toate punctele critice ale acestora, protejarea lor împotriva fraudei digitale reprezentând un sistem deosebit de complex. Majoritatea organizațiilor încă folosesc sisteme bazate pe reguli, ca instrument principal pentru a detecta frauda. Regulile pot face o treabă excelentă în identificarea unor tipare cunoscute, însă nu sunt prea eficiente în descoperirea unor scheme necunoscute, respective adaptarea la noile tipare de fraudă sau gestionarea tehnicilor din ce în ce mai sofisticate ale fraudatorilor. Pentru prevenirea și detectarea fraudei sunt necesare sisteme de analiză bazate pe machine learning.
Citeste si:
Concret, sistemele machine learning automatizează extragerea tiparelor cunoscute și necunoscute din date, exprimând acele tipare fie ca formulă, fie ca set de instrucțiuni ce pot fi aplicate datelor noi. Mașina învață și se adaptează pe măsură ce rezultatele și noile tipare îi sunt prezentate, iar aceasta poate fi supravegheată sau nu. Sistemul machine learning supravegheat reprezintă o clasă de metode analitice care învață din înregistrările identificate deja în date, adesea denumite date etichetate (labeled data). Pentru a instrui un model supravegheat, îi prezentați atât înregistrări frauduloase, cât și non-frauduloase, iar modelul încearcă apoi să deducă o funcție sau un set de instrucțiuni care poate prezice dacă frauda este prezentă, aplicându-l la noi exemple.
Modelul fără supervizare acționează diferit - din moment ce nu știți dacă datele sunt sau nu frauduloase, doriți ca modelul să creeze o funcție care descrie structura datelor. În acest fel, el poate semnala orice semnal de alarmă care nu se încadrează în această structură. Pentru a instrui un model nesupravegheat, pur și simplu îi prezentați datele, iar acesta va încerca să deducă o funcție sau un set de instrucțiuni care descrie structura și dimensiunile subiacente datelor, ce pot fi aplicate ulterior datelor noi. Provocarea acestui model este dată de dificultatea de a evalua acuratețea schemei de detectare în lipsa unei prelucrări și verificări manuale.
Citeste si:
Combaterea eficientă a acestui val de fraude necesită, însă, utilizarea unui set mult mai larg de amprente digitale și o abordare hibridă, stratificată, pentru a lua decizii eficiente, atât în timpul crizei pandemice prin care trecem, cât și în viitor. Importanța detectării proactive a fraudei prin analiză avansată reprezintă, așadar, numitorul comun care ne oferă agilitate în fața provocărilor viitorului.
Calculator Salariu: Află câți bani primești în mână în funcție de salariul brut »
Te-ar putea interesa și:
