Fraudepreventie en bewustwording
Wat is het en waarom is het belangrijk
Fraudepreventietechnologie heeft enorme vooruitgang geboekt dankzij de verbeterde computersnelheid (high-performance analytics), machine learning en andere vormen van kunstmatige intelligentie (AI). Fraude raakt alle aspecten van ons leven: het drijft de kosten van goederen en diensten op, verspilt belastinggeld, beperkt middelen voor innovatie en kan zelfs levens kosten.
Geschiedenis
Fraude omvat zaken zoals verspilling en misbruik, ongepaste betalingen, witwassen van geld, financiering van terrorisme, bedreigingen voor de openbare veiligheid en risico's op het gebied van cyberbeveiliging. In het verleden pakten bedrijven fraudepreventie op een gefragmenteerde wijze aan. Ze gebruikten bedrijfsregels en eenvoudige analyses om afwijkingen te detecteren en waarschuwingen te genereren, vaak gebaseerd op losstaande datasets.
Gegevens konden niet automatisch worden vergeleken, en medewerkers waren niet in staat transacties en misdrijven handmatig in real time te controleren; dit moest achteraf gebeuren. In de gezondheidszorg had fraudepreventie veel weg van een "pay-and-chase"-strategie, waarbij de fraudeur allang gevlogen was tegen de tijd dat de fraude werd ontdekt.
Om fraude te bestrijden, is moderne technologie ontwikkeld om bekende tactieken te voorspellen, nieuwe methoden te identificeren en steeds geavanceerdere georganiseerde fraudenetwerken te ontmaskeren. Dit gaat verder dan standaardanalyses en maakt gebruik van voorspellende en adaptieve analysetechnieken, waaronder een type kunstmatige intelligentie dat bekendstaat als machine learning. Fraudepreventie is geëvolueerd door het combineren van big data-bronnen met realtime monitoring en risicoprofielanalyse om frauderisico's te detecteren en verliezen te beperken.
Identiteitsfraude bestrijden met analytics
Identiteitsfraude vormt een steeds groter probleem voor zowel bedrijven als consumenten. Oplichters hebben tegenwoordig gemakkelijker toegang tot een breder scala aan tools en gegevens, waardoor identiteitsdiefstal een historisch hoog niveau heeft bereikt. Deze grafiek vergelijkt de verliezen door rekeningovername, kaartloze transacties en andere vormen van identiteitsfraude, evenals de voortdurende groei ervan.
Fraudedetectie in de wereld van vandaag
De groeiende complexiteit van door de staat gesteund terrorisme, georganiseerde criminaliteit en andere soorten onderwereldfiguren wordt steeds moeilijker te begrijpen, te volgen, bloot te leggen en te voorkomen. Fraudedetectie in de moderne wereld omvat een uitgebreide benadering waarbij datapunten worden vergeleken met activiteiten om afwijkingen te identificeren. Oplichters hebben geavanceerde technieken ontwikkeld, waardoor het essentieel is om op de hoogte te blijven van de veranderingen in de manier waarop het systeem wordt misbruikt.
In veel gevallen maken inbreuken op de cyberbeveiliging frauduleuze activiteiten mogelijk. Neem bijvoorbeeld de retail of financiële dienstverlening: wat vroeger een luxe was, zoals realtime transactiemonitoring, is nu een basisbehoefte. Dit geldt niet alleen voor financiële transacties, maar ook voor digitale gebeurtenisdata met betrekking tot authenticatie, sessies, locatie en apparaten.
Om fraude en criminaliteit snel en effectief te detecteren en te stoppen, terwijl tegelijkertijd de klant- en burgerervaringen worden verbeterd, moeten organisaties vier belangrijke stappen ondernemen:
- Leg alle beschikbare datatypes van verschillende afdelingen of kanalen vast, voeg ze samen en neem ze op in het analyseproces.
- Houd transacties, sociale netwerken en risicovolle afwijkingen voortdurend in de gaten en pas gedragsanalyse toe om direct beslissingen te nemen.
- Creër een analytics-cultuur binnen het bedrijf door datavisualisatie op elk niveau te implementeren, inclusief het verbeteren van de onderzoeksworkflow.
- Gebruik beveiligingstechnieken in lagen.
De technologie voor fraudedetectie en -preventie die je kiest, moet in staat zijn om complexe datapatronen te analyseren en ervan te leren. Het moet geavanceerde beslissingsmodellen toepassen om fout-positieven effectiever te beheersen en netwerkrelaties te identificeren, zodat een holistisch overzicht van de activiteiten van oplichters en criminelen kan worden verkregen. Het combineren van machine learning-methoden, zoals deep learning neurale netwerken, extreme gradient boosting en vector machines, samen met bewezen technieken zoals logistische regressie, zelforganiserende kaarten, random forests en ensembles, is gebleken veel preciezer en effectiever te zijn dan een regelgebaseerde aanpak.
De strijd tegen fraude
De benadering van fraudepreventie moet zich, net als de technieken die oplichters toepassen, voortdurend ontwikkelen. Ontdek hoe je big data en geavanceerde analysemethoden kunt inzetten om de strijd aan te gaan.
De nieuwe generatie witwasbestrijding
Robotica, semantische analyse en kunstmatige intelligentie kunnen financiële instellingen helpen bij het automatiseren en optimaliseren van de effectiviteit van hun processen voor witwasbestrijding. Maar waar begin je? Lees meer over de 10 belangrijkste sleutels tot succes bij witwasbestrijding op basis van machine learning.
Het gebruik van analytics om digitale fraude te bestrijden.
Digitalisering biedt zowel nieuwe kansen als risico's. Ontdek de risico's en fraudescenario's die financiële instellingen moeten vermijden, hoe big data en analytics bijdragen aan het verminderen van digitale fraude, en op welke manieren innovatieve bedrijven fraude tegenwoordig opsporen.
Fraude met verzekeringsaanvragen voorkomen
Manipulatie door tussenpersonen en klanten vormt een steeds groter wordend probleem voor verzekeraars. Lees hoe verzekeraars, nu fraudeurs steeds slimmer worden met hun digitale trucs, het tempo bijhouden en hen verslaan door middel van analyses en AI.
Klanten ondersteunen en hen beschermen tegen fraude
Bij Deutsche Kreditbank AG (DKB), de op één na grootste bank van Duitsland, is er een grote vraag naar realtime service en optimale veiligheid voor online bankieren. Oplichters blijven zich echter voortdurend aanpassen en worden steeds sneller. DKB erkende de noodzaak om snel fraude te detecteren en klanten te beschermen, en koos daarom voor de oplossingen van SAS op het gebied van fraudedetectie en antiwitwaspraktijken. De bank heeft nu niet alleen het geld van haar klanten veiliggesteld, maar ook hun vertrouwen verdiend.
Wie maakt gebruik van fraudepreventie?
Zowel bedrijven als overheden hebben technologieën zoals datavisualisatie en kunstmatige intelligentie omarmd om de economische en reputatieschade door fraude te beperken en zelfs te voorkomen. Analisten en onderzoekers werken samen om silo's te elimineren, waarschuwingen te evalueren en prioriteit te geven op basis van urgentie, waarna waarschuwingen met hoge prioriteit worden doorgestuurd voor een grondigere analyse.
Banken
Fraude wordt vaak uitgevoerd door het gebruik van valse identiteiten, het overnemen van klantrekeningen, kwaadaardige toepassingen, digitale betalingen en verificatie, aanbestedingen en andere financiële misdrijven. Financiële instellingen detecteren frauduleuze transacties in real time met minder fout-positieven en identificeren witwaspraktijken of terrorismefinanciering door middel van complexe algoritmen die verschillende factoren analyseren.
Verzekeringsbranche
Schadefraude komt veel voor en aanvraagfraude neemt toe. In plaats van de pay-and-chase benadering, waarbij men pas na de uitgave van geld ingrijpt, proberen data-analisten fraude te voorkomen door algoritmes te gebruiken die afwijkingen en patronen detecteren. Door verschillende factoren te analyseren om te begrijpen hoe schadefraude wordt gepleegd, kan men niet alleen fraude opsporen op het moment van optreden, maar nog belangrijker, fraude voorkomen voordat het te laat is.
Publieke sector
Regeringen gebruiken nu geïsoleerde data om belastingfraude te detecteren, aanvallen te voorspellen, afwijkend gedrag te identificeren en zowel realtime als toekomstige bedreigingen te bestrijden. Dit werk draagt bij aan het verbeteren van de grensbeveiliging, het verzamelen van informatie voor wetshandhaving, het monitoren van opioïdenmisbruik en het beschermen van kinderen.
Gezondheidszorg
Fraude met declaraties in de zorg leidt wereldwijd tot verliezen van miljoenen, in sommige gevallen zelfs miljarden. Gezondheidszorgorganisaties slagen erin fraude te voorkomen door middel van een bedrijfsaanpak gericht op betalingsintegriteit en kostenbeheersing in de gezondheidszorg, ondersteund door geavanceerde analyses.
Meer informatie over andere sectoren
Zo werkt fraudedetectie
Fraude opsporen en voorkomen is een dynamisch proces zonder duidelijk begin of eind. Het is een voortdurende cyclus van monitoring, detectie, besluitvorming, case management en het doorvoeren van verbeteringen in detectie. Organisaties moeten zich richten op het continu leren van fraude-incidenten en deze inzichten integreren in hun toekomstige monitoring- en detectiestrategieën. Dit vereist een benadering van analytics die de gehele organisatie omspant.
Je doelen kunnen betrekking hebben op fraudedetectie, compliance of beveiliging. Nu technologieën zoals kunstmatige intelligentie en machine learning steeds vaker worden ingezet, richt de volgende generatie technologieën zich op het automatiseren van handmatige processen die te maken hebben met het combineren van grote datasets en het toepassen van gedragsanalyse.
Leren onder toezicht
Gesuperviseerde algoritmen voor machine learning leren van historische gegevens en detecteren interessante patronen die een onderzoeker zou willen herkennen.
Leren zonder toezicht
Niet-gesuperviseerde algoritmen voor machine learning analyseren en onderzoeken gegevens die geen geïdentificeerde fraude bevatten. Het wordt gebruikt om nieuwe afwijkingen en interessante patronen te ontdekken.
Netwerkanalyse
Netwerkanalyse voor het ontdekken van paden, verbindingen en hubs die interessante patronen en sociale netwerken blootleggen, welke van cruciaal belang zijn voor de toolkit van een onderzoeker.
Tekstanalyse
Tekstanalyse om nauwkeurig namen, tijden, bedrijven, geldwaarden en andere uitdrukkingen te identificeren door middel van zoeken, contentcategorisatie en entiteitextractie.
De groei van de digitale economie is nauw verbonden met de versnelde verspreiding van fraude en risico's op het gebied van cyberbeveiliging. We willen klanten ondersteunen in de fase van hun analyseproces waarin ze zich bevinden, vooral nu ze technologieën zoals AI, IoT en cloud gaan implementeren. Met behulp van SAS kunnen ze datasilo's effectiever elimineren, zich aanpassen aan veranderende regelgeving en zichzelf beschermen tegen zowel huidige als toekomstige risico's. Stu Bradley Vice President, Fraud and Security Intelligence Practice SAS
Aanbevolen oplossing voor fraudepreventie
SAS® Visual Investigator
SAS Visual Investigator is een oplossing voor fraudebestrijding, onderzoek en incidentbeheer die grote, diverse, gestructureerde en ongestructureerde databronnen integreert. Via een visuele gebruikersinterface kunnen onderzoekers waarschuwingen definiëren, creëren, evalueren en beheren, en gedetailleerde analyses uitvoeren om verborgen activiteiten en gedrag bloot te leggen.
Aanbevolen literatuur
- Artikel How AI and advanced analytics are impacting the financial services industryTop SAS experts weigh in on topics that keep financial leaders up at night – like real-time payments and digital identity. See how advanced analytics and AI can help.
- Artikel Detect and prevent banking application fraudCredit fraud often starts with a falsified application. That’s why it’s important to use analytics starting at the entrance point. Learn how analytics and machine learning can detect fraud at the point of application by recognizing the biggest challenge – synthetic identities.
- Artikel Managing fraud risk: 10 trends you need to watchSynthetic identities, credit washing and income misrepresentation – these are just some of the trends to watch if you’re trying to understand how to manage fraud risk. Find out what’s on the top 10 list of trends according to experts like Frank McKenna and Mary Ann Miller.