Svindelforebygging

Svindelforebyggende teknologi har tatt enorme steg, fra utvikling i datahastighet (analyse med høy ytelse) maskinlæring og andre former for kunstig intelligens (AI). Svindel berører alle områder av livene våre; det øker prisen vi betaler for varer og tjenester, sløser bort skattepenger, trekker bort ressurser fra innovasjon og kan til og med koste menneskeliv.

• Historie
•     
• Verden i dag
•     
• Hvem bruker det
•     
• Hvordan fungerer det
•     
• Neste steg

Historie

Svindel kan involvere sløsing og misbruk, feilbetalinger, hvitvasking, finansiering av terrorisme, offentlig sikkerhet og cybersikkerhet. Tidligere hadde ikke organisasjoner en helhetlig tilnærming til svindel hvor de brukte forretningsregler og elementær analyse for å se etter uregelmessigheter for å gi varsler fra separate datasett.

Man kunne ikke kryss-referere data automatisk og etterforskere kunne ikke manuelt overvåke transaksjoner og forbrytelser i sanntid, de måtte gjøre det i etterkant. I helsevesenet var svindelforebygging mer et spørsmål om å «betale og jage», fordi den kriminelle var over alle hauger når svindelen ble oppdaget.

For å bekjempe svindel har nyere teknologi blitt utviklet for å forutsi konvensjonelle taktikker, avdekke nye metoder og tyde stadig mer sofistikerte og organiserte svindelgrupperinger. Dette innebærer mer enn standard analyse, det innebærer prediktiv og adaptive analyseteknikker – inkludert en form for AI kalt maskinlæring. Ved å kombinere store datakilder med sanntidsovervåking og risikoprofilanalyse for å score på svindelrisiko, har forebygging av svindel utviklet seg slik at vinden er i ferd med å snu.

Svindelgjenkjenning i dagens verden

Den økende kompleksiteten til statsstøttet terrorisme, profesjonelle kriminelle og kjeller-skurker blir vanskeligere å forstå, følge, avsløre og forebygge Svindeloppdagelse i dagens verden innebærer en omfattende tilnærming for å matche datapunkter med aktiviteter for å finne hva som er unormalt. Svindlere har utviklet sofistikerte taktikker, så det er viktig å holde seg oppdatert på endringene for å mestre utfordringene.

Ofte er det brudd i cybersikkerhet som åpner mulighetene for svindel. Ta for eksempel i detaljvarehandelen og finanssektoren: tidligere var det en luksus å kunne overvåke transaksjoner i sanntid, nå er det en grunnleggende nødvendighet. Dette gjelder ikke bare finansielle transaksjoner, men også digitale hendelsesdata for autentisering, sesjoner, lokasjon og enhet.

For å identifisere og stoppe en rekke svindelangrep og kriminalitet raskt og nøyaktig – samtidig som de forbedrer kunde- og innbyggeropplevelsene – bør virksomheter følge fire kritiske trinn:

1. Fang opp og foren alle tilgjengelige datatyper på tvers av avdelinger eller kanaler og inkorporer dem i den analytiske prosessen.
2. Kontinuerlig overvåke transaksjoner, sosiale nettverk, høyrisikoavvik, etc., og bruk adferdsanalyse som grunnlag for å ta beslutninger i sanntid.
3. Etabler en analysekultur i hele bedriften gjennom datavisualisering på alle nivå, inkludert å undersøke hvordan arbeidsflyten kan optimaliseres.
4. Benytt sikkerhetsteknikker i flere lag
   
   

Teknologien for svindelgjenkjenning og forebygging du velger bør kunne lære av komplekse datamønstre. Den bør bruke sofistikerte beslutningsmodeller for å bedre håndtere falske positiver og oppdage nettverksrelasjoner for å få et helhetlig syn på aktiviteten til svindlere og kriminelle. Ved å kombinere maskinlæringsmetoder – som nevrale nettverk for dyp læring, ekstrem gradientforsterkning og vektormaskiner – i tillegg til vellykkete metoder som logistisk regresjon, selvorganiserende kart, har vist seg å være langt mer nøyaktig og effektivt enn regelbaserte tilnærminger.

Slik virker svindelforebygging

Svindelgjenkjenning og forebygging er ikke en statisk prosess. Det finnes ikke noe start- og sluttpunkt. Det er snarere en pågående syklus av overvåking, gjenkjenning, beslutningstaking, saksbehandling og å lære å føre forbedringer tilbake til systemet. Organisasjoner bør strebe etter å kontinuerlig lære fra svindeltilfeller og inkorporere resultatene i fremtidige prosesser for overvåking og gjenkjenning. Dette krever en tilnærming med en livssyklus for analysene gjennom hele virksomheten.

Målene dine kan være svindelgjenkjenning, samsvar eller sikkerhet. Ettersom teknologi som kunstig intelligens og maskinlæring blir mer utbredt, automatiserer neste generasjon teknologi de manuelle prosessene forbundet med å kombinere store datasett og adferdsanalyse.