Przeciwdziałanie nadużyciom
Teoria i praktyka
W obszarze technologii przeciwdziałania nadużyciom poczyniono ogromne postępy za sprawą coraz większych mocy obliczeniowych (wysoko wydajna analiza), uczenia maszynowego oraz innych form sztucznej inteligencji (AI). Z oszustwami możemy mieć do czynienia w każdym aspekcie naszej codzienności. Zjawisko to powoduje wzrost cen, jakie płacimy za towary i usługi, jest przyczyną marnotrawienia wpływów podatkowych, zużywa zasoby przeznaczone na innowacje, a nawet zabiera ludzkie życia.
Historia
Oszustwa mogą wiązać się z marnotrawstwem i nadużyciami, wypłatami nienależnych świadczeń, praniem brudnych pieniędzy, finansowaniem terroryzmu oraz zagrożeniami dla bezpieczeństwa publicznego i cyberbezpieczeństwa. W przeszłości organizacje podejmowały działania służące zapobieganiu oszustwom niejako z doskoku – przy użyciu reguł biznesowych i podstawowych narzędzi analitycznych wykrywały anomalie i tworzyły alarmy, opierając się na oddzielnych zbiorach danych.
W przypadku takiego modelu postępowania nie dało się wyszukiwać wzajemnych odniesień w danych w zautomatyzowany sposób, a osoby, które zajmowały się ich badaniem, nie mogły ręcznie monitorować transakcji i przestępstw w czasie rzeczywistym, tylko dopiero po fakcie. W obszarze ochrony zdrowia zapobieganie przestępstwom przypominało raczej mechanizm „płać i ścigaj”, ponieważ w chwili wykrycia oszustwa przestępca był już daleko.
W ramach walki z nadużyciami opracowano nowszą technologię umożliwiającą przewidywanie typowych taktyk, odkrywanie nowych procederów i rozpracowywanie coraz sprytniejszych szajek oszustów. Mowa tu o bardziej zaawansowanych niż standardowe rozwiązaniach analitycznych, wykorzystujących techniki analizy predykcyjnej i adaptacyjnej, w tym jedną z form AI, zwaną uczeniem maszynowym. Dzięki połączeniu źródeł big data z monitorowaniem w czasie rzeczywistym i analizą profilu ryzyka w celu dokonania jego oceny obszar zapobiegania oszustwom rozwinął się i zaczął przyczyniać do ograniczania strat.
Walka z oszustwami dotyczącymi tożsamości przy użyciu narzędzi analitycznych
Kradzież tożsamości to coraz częstszy problem, który dotyka zarówno firmy, jak i klientów. Oszuści mają teraz łatwiejszy dostęp do większej niż kiedykolwiek ilości narzędzi i danych, przez co odnotowuje się rekordową liczbę przypadków kradzieży tożsamości. Widoczny obok diagram przedstawia problem przejmowania kont, nieuprawnionych płatności bez fizycznej obecności karty czy innych rodzajów strat będących wynikiem oszustw dotyczących tożsamości oraz wskazuje na to, jak bardzo wzrasta ich częstotliwość.
Wykrywanie nadużyć w dzisiejszym świecie
Ze względu na zyskujące na złożoności sposoby działania terroryzmu sponsorowanego przez państwa, zawodowych przestępców i zwykłych złoczyńców coraz trudniej jest te zjawiska zrozumieć, nadążyć za nimi, ujawniać je i im zapobiegać. W dzisiejszym świecie wykrywanie oszustw wymaga stosowania kompleksowych metod dopasowywania punktów danych do działań w celu wykrycia nieprawidłowości. Oszuści stosują złożone taktyki, dlatego niezwykle ważne jest, by być na bieżąco ze zmieniającymi się metodami obchodzenia systemów.
Często się zdarza, że oszukańcze działania stają się możliwe w wyniku naruszeń cyberbezpieczeństwa. Weźmy na przykład obszar handlu lub usług finansowych – kiedyś był to luksus, natomiast dziś monitorowanie transakcji w czasie rzeczywistym to podstawowy wymóg, nie tylko w kontekście transakcji finansowych, lecz również cyfrowych danych na temat zdarzeń związanych z uwierzytelnianiem, sesją, lokalizacją i urządzeniem.
Aby szybko i dokładnie zidentyfikować i powstrzymać szereg ataków i przestępstw o oszukańczym charakterze, podnosząc jednocześnie jakość obsługi klientów i obywateli, organizacje powinny wykonać cztery ważne kroki:
- Zebrać i ujednolicić wszystkie dostępne typy danych pochodzących z różnych działów lub kanałów i uwzględnić je w procesie analitycznym.
- Stale monitorować transakcje, sieci społecznościowe, nieprawidłowości o wysokim stopniu ryzyka itp. oraz stosować analizę behawioralną, aby umożliwić podejmowanie decyzji w czasie rzeczywistym.
- W całym przedsiębiorstwie zaszczepić kulturę analityczną przewidującą posługiwanie się wizualizacjami danych na wszystkich szczeblach, z uwzględnieniem optymalizacji obiegu zadań badawczych.
- Wykorzystywać warstwowe techniki zabezpieczeń.
Stosowana przez Ciebie technologia wykrywania nadużyć i zapobiegania im powinna umieć uczyć się na podstawie złożonych wzorców danych. Warto, by wykorzystywała zaawansowane modele decyzyjne, aby można było lepiej zarządzać wynikami fałszywie dodatnimi i wykrywać powiązania sieciowe w celu uzyskania całościowego obrazu działalności oszustów i przestępców. Połączenie metod uczenia maszynowego – takich jak sieci neuronowe wykorzystywane w uczeniu głębokim, ekstremalne wzmocnienie gradientowe i maszyny wektorowe – oraz sprawdzonych metod, np. regresji logistycznej, sieci Kohonena, lasów losowych i technik ensemble – okazuje się o wiele dokładniejsze i skuteczniejsze niż podejścia oparte na regułach.
Zwalczanie nadużyć
Metody zapobiegania nadużyciom muszą – podobnie jak techniki stosowane przez oszustów – stale się rozwijać. Dowiedz się więcej na temat sposobów wykorzystywania danych big data i zaawansowanych technik analitycznych w walce z oszustami.
Rozwiązania nowej generacji z zakresu przeciwdziałania praniu brudnych pieniędzy
Robotyka, analiza semantyczna i sztuczna inteligencja – wszystkie te dziedziny mogą pomóc instytucjom finansowym w automatyzacji i zwiększaniu skuteczności procesów służących przeciwdziałaniu praniu brudnych pieniędzy (AML). Tylko jak się do tego zabrać? Przeczytaj o dziesięciu kluczach do sukcesu w AML dzięki wykorzystaniu uczenia maszynowego.
Analityka jako narzędzie do walki z oszustwami cyfrowymi
Digitalizacja to źródło zarówno szans, jak i zagrożeń. Poznaj ryzyko oraz scenariusze oszustw, jakich instytucje finansowe powinny unikać, sprawdź, jak big data i analityka pomagają ograniczać zjawisko oszustw cyfrowych, oraz dowiedz się, jak w obecnych czasach innowacyjne organizacje wykrywają oszustwa.
Wyeliminuj przypadki wypełniania wniosków ubezpieczeniowych niezgodnie z prawdą
Oszukańcze praktyki, jakich dopuszczają się agenci i klienci, to dla firm ubezpieczeniowych źródło rosnących problemów. Oszuści stosują w świecie cyfrowym coraz bardziej wyszukane podstępy, a firmy ubezpieczeniowe zmuszone są za nimi nadążać – dowiedz się, jak wygrywają w tej konkurencji dzięki wykorzystaniu analityki i AI.
Obsługa klientów połączona z zapewnianiem im ochrony przed oszustwami
Klienci Deutsche Kreditbank AG (DKB), drugiego co do wielkości banku w Niemczech, oczekują obsługi w czasie rzeczywistym oraz maksymalnie bezpiecznej bankowości internetowej. Problem w tym, że oszuści stale dostosowują się do nowych realiów i zwiększają tempo działania… Bank DKB jest świadomy znaczenia, jaką szybkość odgrywa w kontekście wykrywania oszustw i ochrony klientów, dlatego zdecydował się korzystać z oferowanych przez SAS narzędzi do wykrywania oszustw i przeciwdziałania praniu brudnych pieniędzy. Efekt? Bank nie tylko chroni pieniądze klientów, lecz również cieszy się ich zaufaniem.
Kto korzysta z rozwiązań służącym zapobieganiu oszustwom?
Zarówno firmy, jak i rządy państw stosują technologie takie jak wizualizacja danych czy sztuczna inteligencja, aby znacząco ograniczać, a nawet zapobiegać negatywnym skutkom, jakie oszustwa mogą oznaczać dla gospodarki oraz reputacji. Analitycy i badacze podejmują wspólne starania służące eliminowaniu przypadków prowadzenia działań w oderwaniu oraz umożliwiające ocenę i szeregowanie alarmów pod względem ważności na podstawie ich krytyczności, a także kierowanie alarmów o wysokim priorytecie do szczegółowej analizy.
Bankowość
Oszustwa często związane są z wykorzystywaniem tożsamości syntetycznych, przejmowaniem kont klientów, stosowaniem złośliwych aplikacji, realizowaniem cyfrowych płatności i uwierzytelniania, udzielaniem zamówień publicznych oraz popełnianiem innych przestępstw finansowych. Instytucje finansowe wykrywają oszukańcze transakcje w czasie rzeczywistym przy mniejszej liczbie wyników fałszywie dodatnich oraz potrafią wyśledzić przypadki prania pieniędzy lub finansowania terroryzmu z pomocą złożonych algorytmów biorących pod uwagę szereg różnych czynników.
Ubezpieczenia
Wyłudzanie odszkodowań to obecnie niezwykle popularne zjawisko. Coraz częściej mamy też do czynienia z wypełnianiem wniosków ubezpieczeniowych niezgodnie z prawdą. Zamiast stosować podejście „płać i ścigaj” – gdy pieniądze już znikną – analitycy danych zapobiegają oszustwom poprzez stosowanie algorytmów służących wykrywaniu nieprawidłowości i budzących wątpliwości wzorców. Dzięki analizie szeregu różnych czynników w celu ustalenia metod wyłudzania odszkodowań możliwe jest nie tylko wykrycie oszustwa w chwili gdy jest popełniane, lecz również – co ważniejsze – zapobieżenie mu.
SEKTOR PUBLICZNY
Rządy łączą obecnie dane przechowywane w silosach, by wykrywać oszustwa podatkowe, przewidywać wtargnięcia, rozpoznawać nietypowe zachowania oraz eliminować zagrożenia – zarówno w czasie rzeczywistym, jak i te przyszłe. Wszelkie tego typu działania zwiększają bezpieczeństwo granic, pozwalają gromadzić informacje potrzebne organom ścigania, umożliwiają monitorowanie zjawiska nadużywania opioidów oraz zapewniają bezpieczeństwo dzieciom.
Ochrona zdrowia
Oszustwa w kontekście roszczeń w obszarze ochrony zdrowia generują na całym świecie milionowe, a nawet miliardowe straty. Organizacjom ochrony zdrowia udaje się zapobiegać oszustwom dzięki stosowaniu podejścia korporacyjnego do rzetelności płatniczej oraz ograniczaniu kosztów opieki zdrowotnej poprzez stosowanie zaawansowanych narzędzi analitycznych.
Dowiedz się, jak to wygląda w innych branżach
Na czym polega przeciwdziałanie nadużyciom
Wykrywanie nadużyć i zapobieganie im nie jest procesem statycznym. Nie ma tu początku ani końca – to raczej nieprzerwany cykl obejmujący monitorowanie, wykrywanie, podejmowanie decyzji, zarządzanie przypadkami i uczenie się, jak sprawić, by system mógł zyskiwać dzięki ulepszeniom w zakresie wykrywania. Organizacje powinny stale wyciągać z oszustw wnioski, a uzyskane wyniki wykorzystywać w przyszłych procesach monitorowania i wykrywania. Aby w ten sposób działać, należy w całym przedsiębiorstwie przyjąć podejście oparte na cyklu życia analityki.
Twoje cele mogą obejmować wykrywanie oszustw, utrzymanie zgodności z przepisami lub zapewnienie bezpieczeństwa. Jako że obszary takie jak sztuczna inteligencja i uczenie maszynowe stają się coraz bardziej powszechne, kolejna generacja technologii skupia się na automatyzacji realizowanych ręcznie procesów związanych z łączeniem dużych zbiorów danych i stosowaniem analityki behawioralnej.
Uczenie nadzorowane
Algorytmy nadzorowanego uczenia maszynowego uczą się na podstawie danych historycznych poprzez rozpoznawanie wzorców będących przedmiotem zainteresowania, które badacz mógłby chcieć oznaczyć.
Uczenie nienadzorowane
Nienadzorowane uczenie maszynowe polega na ocenie i badaniu danych, co do których nie wiadomo, czy zawierają ślad oszustwa. Metodę tę stosuje się w celu odkrycia nowych nieprawidłowości i wzorców będących przedmiotem zainteresowania.
Analiza
sieci
Analiza sieci służy rozpoznawaniu ścieżek, połączeń i centrów, które ujawniają wzorce i sieci społeczne będące przedmiotem zainteresowania i stanowiące obowiązkowy element zestawu narzędzi badacza.
Analiza
tekstu
Analiza tekstu ma na celu dokładne rozpoznanie wyrażeń takich jak nazwy, godziny, firmy, wartości pieniężne i nie tylko poprzez wyszukiwanie, kategoryzację treści i wyodrębnianie encji.
Rozwojowi gospodarki cyfrowej towarzyszy rosnąca liczba oszustw i zagrożeń dla cyberbezpieczeństwa. Chcemy docierać do klientów na tych etapach zaawansowania w kontekście korzystania z narzędzi analitycznych, na jakich w danej chwili są – szczególnie jeśli zajmują się wdrażaniem technologii takich jak AI, IoT czy rozwiązania chmurowe. Wsparcie ze strony SAS sprawi, że będą lepiej przygotowani do rozbijania silosów danych, nadążania za zmieniającymi się przepisami i wprowadzania zabezpieczeń przed obecnymi i przyszłymi zagrożeniami. Stu Bradley Vice President, Fraud and Security Intelligence Practice SAS
Wyróżnione rozwiązanie służące zapobieganiu nadużyciom
SAS® Visual Investigator
SAS Visual Investigator to rozwiązanie służące do wykrywania nadużyć, przeprowadzania badań i zarządzania incydentami, które wykorzystuje duże, zróżnicowane źródła danych, zarówno ustrukturyzowanych, jak i nieustrukturyzowanych. Korzystając z wizualnego interfejsu użytkownika, badacze mogą definiować i tworzyć alarmy, dokonywać ich selekcji i nimi zarządzać, a także przeprowadzać szczegółowe analizy służące ujawnieniu ukrytych zachowań i działań.
Zalecane lektury
-
Artykuł
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.
-
Artykuł
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.
-
Artykuł
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.