反欺诈意识与预防

得益于计算速度（高性能分析）、机器学习和其他形式人工智能 (AI) 的发展，反欺诈技术突飞猛进。欺诈无处不在，导致购物成本增加，税款流失，创新资源枯竭，甚至付出生命代价。

• 历史
•     
• 当今世界
•     
• 用户群体
•     
• 工作方式
•     
• 下一步

历史

欺诈包括浪费和滥用、不当支付、洗钱、恐怖主义融资、公共安全和网络安全。过去，组织采取分散的方法预防欺诈，使用业务规则和基本分析检测异常，并根据不同的数据集创建警报。 

数据无法自动交叉引用，调查员也无法实时手动监控交易和犯罪，只能亡羊补牢。在医疗保健行业，反欺诈更像是“付款后追逃”，因为在检测到欺诈时罪犯早已逃之夭夭。

为防范欺诈，我们研发出更新的技术来预测传统欺诈、发现新的欺诈手段并破解日益精明的团伙欺诈。这不仅包括标准分析，还应用到了预测和自适应分析技术，包括机器学习技术。通过将大数据与实时监控和风险概况分析相结合，对欺诈风险进行评分，反欺诈工作渐入佳境。

当今世界的欺诈检测

国家恐怖主义日益加剧，职业罪犯和不法分子越来越难以发现和跟踪，令人猝不及防。在当今世界，要检测欺诈，需要一种能将数据点与活动相匹配来发现异常的综合方法。新的欺诈手段层出不穷，随时了解最新欺诈趋势至关重要。

很多时候，网络安全漏洞成为了滋生欺诈的温床。以零售或金融服务为例，一度成本不菲的实时交易监控现已成为一项基本要求，不仅适用于金融交易，也适用于身份验证、会话、位置和设备相关的数字事件数据。

为了快速准确地识别并阻止欺诈攻击和犯罪，同时改善客户和大众体验，组织应采取以下四项关键措施：

1. 采集并统一各部门或渠道的所有可用数据类型并将其纳入分析。
2. 持续监控交易、社交网络、高风险异常等，并应用行为分析实现实时决策。
3. 通过包括优化调查工作流在内的各级数据可视化，在整个企业范围内建立分析文化。
4. 采用分层安全技术。
   
   

您选择的欺诈检测和预防技术应该能够学习复杂的数据模式。应使用精细的决策模型更好地管理误报并检测网络关系，全面了解欺诈者的活动。事实证明，与基于规则的方法相比，综合运用各种机器学习方法（例如深度学习神经网络、极端梯度提升和向量机）与成熟的分析方法（例如逻辑回归、自组织映射、随机森林和集成）更加准确有效。

欺诈预防的运作原理

欺诈检测和预防不是一个静态过程，没有确定的起点和终点。相反，它是一个持续的循环，其中包括监控、检测、决策、案例管理和学习，将检测中得到的改进回馈到系统中。组织应该努力从欺诈事件中不断学习，并将经验成果纳入未来的监控和检测过程中。这需要一种企业级的分析生命周期解决方案。

您的目标可能涉及到欺诈检测、合规性或安全性。随着人工智能和机器学习等技术变得越来越普遍，新一代技术实现了某些手动流程的自动化，如结合大数据集和采用行为分析。