4 strategier, der vil ændre din tilgang til afsløring af svindel

Finansielle institutioner driver forretning i en langt mere risikabel verden end tidligere. Ifølge The Identity Theft Resource Center i Q3 2022 er tallene tankevækkende:

• Svigagtig aktivitet vokser. Mere end 105 millioner ofre blev påvirket af datakompromitteringer i 3. kvartal 2022, en stigning på 72 % i forhold til første halvdel af året. Antallet af datakompromitteringer, der blev rapporteret i Q3 2022 (474), afspejlede en stigning på mere end 14 % i forhold til Q2 samme år og mere end 17 % i forhold til Q1 2022.
• Det bliver dyrere at bekæmpe svindel. Anti-Fraud Technology Benchmarking Report 2022 fra ACFE (sponsoreret af SAS) viser, at de fleste organisationer allerede budgetterer med udvidet brug af teknologi til at bekæmpe svindel. Respondenterne angav, at 60 % forventede en betydelig (17 %) eller lille (43 %) budgetstigning til teknologi til bekæmpelse af svindel i de næste to år.
• Den største hindring for at indføre ny teknologi til bekæmpelse af svindel er ifølge ACFE-undersøgelsen budgettet (og de dermed forbundne økonomiske begrænsninger). Faktisk sagde 78% af deltagerne, at dette er en stor eller moderat udfordring i deres organisation. At indføre ny teknologi i en organisation kan være forbundet med udfordringer både i planlægnings- og implementeringsfasen.

Finjuster din strategi for afsløring af svindel

"Bedrageri forsvinder ikke, det ændrer sig hele tiden ... og ledere, der arbejder med bedrageri, skal hele tiden investere i teknologi til bekæmpelse af bedrageri, som går ud over en enkelt løsning", siger Thomas French, brancherådgiver for bedrageri hos SAS. "En business case vil ikke give et stærkt nok ROI til at retfærdiggøre udgiften. De er nødt til at kigge dybere for at overveje (og tage højde for) svindlens indvirkning på forbrugeren."

I deres bestræbelser på at forbedre kundeoplevelsen og samtidig opretholde en robust strategi for afsløring af svindel skal organisationer bruge og administrere flere datakilder (både strukturerede og ustrukturerede). Initiativer til dataanalyse til bekæmpelse af svindel omfatter typisk interne strukturerede og ustrukturerede data, offentlige registre, retshåndhævelses- eller regeringsovervågningslister, sociale medier, andre tredjepartsdata og data fra forskellige typer forbundne enheder.

Den gode nyhed er, at fremskridt inden for teknologier til forebyggelse og afsløring af svindel giver finansielle institutioner mere præcise og effektive løsninger end nogensinde til at afdække risikoen for svindel og økonomisk kriminalitet. Her er fire måder at forbedre din organisations risikoposition på.

1.    Tilføj AI og maskinlæring for at optimere nøjagtigheden og effektiviteten af opsporing af svindel

Det er bevist, at maskinlæring (ML) hjælper organisationer med at opdage flere tilfælde af svindel hurtigere og tidligere. ML er en form for kunstig intelligens (AI), som er effektiv til at forbedre både nøjagtigheden og effektiviteten af strategier til afsløring og forebyggelse af svindel i et realtidsmiljø. Anvendelse af maskinlæring til løbende overvågning af svindel er en velafprøvet metode til bekæmpelse af økonomisk kriminalitet.

• Superviserede maskinlæringsalgoritmer kan selv lære af variabler i dataene, markere alt, der ikke passer til normen, og derefter anvende denne viden på nye og ukendte data.
• Uovervåget maskinlæring afdækker potentielt mistænkelige risici, som man måske ikke selv ville være opmærksom på at lede efter. Det fungerer uden at få tildelt et mål. I stedet søger det efter afvigelser i dataene.

Kombineret med en ensemble-model giver maskinlæring en bred dækning af aktuelle risici samt nye og voksende trusler. Derudover reducerer ML falske positiver, samtidig med at det identificerer tidligere ukendte risici.

For eksempel implementerede SAS en digital betalingsmodel, der viste hurtig succes med at opdage svindel i realtid. Den opdagede 50 % af svindlen - og advarede om kun 0,5 % af porteføljen, med meget få falske transaktioner.

Med maskinlæring kan systemer til bekæmpelse af svindel automatisk:

• Foreslå og opdatere regler for registrering og advarsler. ML undersøger store mængder data for at hjælpe med at fastlægge regler og ajourføre dem.
• Vælge de mest nøjagtige detektionsmodeller. Ved at anvende en kombination af maskinlæringsteknikker opnås de mest nøjagtige detektionsrater. Denne tilgang til registrering og forebyggelse af svindel gør det muligt at anvende nyere teknikker, såsom gradient boosting og support vector machines, til at forbedre gennemprøvede metoder såsom neurale netværk.
• Automatisere processer til efterforskning. I gennemsnit bruger en undersøgende medarbejder 60 % til 70 % af sin tid på at indsamle data om en sag for at afsløre svindel. Maskinlæring kan guide systemer til automatisk at søge og hente data, køre databaseforespørgsler og indsamle oplysninger fra tredjepartsdataleverandører uden menneskelig indgriben. SAS har hjulpet kunder med at reducere tiden til sagsafgørelse med 20 % til 30 %.
  

2.    Koordinering og implementering af foranstaltninger mod svindel, hvidvaskning af penge (AML) og cyberhændelser

Finansielle institutioner udnytter big data-analyse til at konsolidere data på tværs af funktioner, der typisk er opdelt i siloer. I dag giver det mening at samle disse funktioner for at få et mere holistisk overblik over risikoen. En stor del af dataene er ens, og lovgivningen skubber risikoidentifikationen over i realtid. Der er også mulighed for at reducere driftsomkostningerne og øge effektiviteten, samtidig med at man udvikler et tværfunktionelt overblik.

Uanset om det drejer sig om at gennemgå en låneansøgning, træffe en beslutning om en betalingstransaktion eller afdække finansiering af terrorisme gennem bekæmpelse af hvidvaskning af penge, er der muligheder for at lære af hver eneste interaktion. Det er afgørende at opnå fleksibilitet i realtid i en verden med hurtigere betalinger, fordi detail- og finansielle virksomheder skal tilpasse sig for at forbedre kundeoplevelsen i lyset af kravene om convenience. Sådanne tiltag øger imidlertid risikomiljøet.

• Mobil- og onlinehandel ændrer forventningerne til hurtig autentificering på tværs af alle kontaktkanaler. Finansielle institutioner har brug for en kombination af analyser af kunde-, enheds- og sessionsadfærd for at reducere svindel og forhindre tab.
• Mere fremsynede efterretningsenheder finder fælles elementer - domænenavne, IP-adresser, enheder osv. - som afslører kriminelle organisationer, der ikke tidligere er blevet opdaget af siloopdelte funktioner.
• Efterspørgslen efter midler i realtid begyndte med det britiske bankinitiativ Faster Payments Service (FPS), som reducerer clearingtiden for betalinger fra tre arbejdsdage under det gamle BACS-system til et par timer. Nye betalingssystemer i USA og Australien - kombineret med væksten i fintechs - bringer dette ned på nogle få sekunder.

Transaktionsovervågning i realtid var engang en luksus, men er nu et grundlæggende krav for alle betalingstyper. For at bekæmpe betalingssvindel er det afgørende at inddrage ikke kun finansielle transaktioner, men også data om autentificering, sessioner, placering og enhedshændelser.

3. Strømlin dine kundekendskabsprocesser (KYC)

Højt profilerede lækager såsom Panama Papers understreger behovet for større åbenhed om de reelle ejere eller begunstigede af virksomheder og juridiske enheder. Samtidig har den finansielle sektor oplevet en stigning i svindel med indlånskonti og kreditansøgninger til 20 % af al banksvindel. Begge forhold omdefinerer forventningerne til KYC-processer. SAS kan hjælpe ved at:

• Styrke og fremskynde autentificeringsprocesser, der validerer digitale enheder og personlige ansøgere.
• Bruge robotprocesautomatisering (RPA) til at automatisere søgninger og forespørgsler på tredjepartsdata under forbedrede due diligence-processer.
• Understøttelse af nye dataelementer som f.eks. ejerandele og kontrollerende interesser.
• At tilbyde grænseflader til undersøgelser, der strømliner den ad hoc-proces, der består i at indsamle eksterne ustrukturerede oplysninger, herunder tal, tekst, billeder og video.

Til dokumentforespørgsel og -hentning har billedgenkendelsesfunktioner baseret på teknikker til behandling af naturligt sprog vist bemærkelsesværdige resultater. I et testtilfælde reducerede SAS tiden til at identificere, klassificere og analysere handelsdokumenter fra 700 timer til få minutter.

I et andet pilotprojekt scannede vi ca. 9.000 SWIFT-meddelelser for at se på palæstinensisk boykotsprog. Et menneske ville have brug for fem til syv minutter til at gennemgå hver besked. Under dette pilotprojekt fandt vi ud af, at vi kunne foretage billedgenkendelse og kontekstuel analyse af disse meddelelser på mindre end et sekund pr. meddelelse.

4.    Forbedre efterforskningseffektiviteten med intelligent sagsstyring.

En stor del af den første anvendelse af AI fokuserer på at automatisere manuelle processer for at reducere omkostningerne ved at drive en effektiv efterforskning af svindel og økonomisk kriminalitet. Efterforskere bør ikke bruge deres værdifulde tid på rutineopgaver, som maskiner kan gøre bedre. En avanceret analysedrevet alarm- og sagsstyringsløsning, der giver et samlet overblik over data, kan automatisk:

• Prioritere sager, anbefale efterforskningsskridt og fremskynde ukomplicerede sager.
• Berige advarsler med detaljer om de tilknyttede kunder, konti eller modtagere.
• Finde og hente data til en sag på intelligent vis fra interne databaser eller tredjepartsdataleverandører.
• Præsentere data i letforståelige visualiseringer på én skærm.
• Automatisk udfylde og forberede advarsler om mistænkelig aktivitet (SAR) til elektronisk arkivering, hvis det er relevant.

Om forfatterne

Thomas French, seniorkonsulent inden for den finansielle sektor, SAS Security Intelligence Practice

Thomas French er en strategisk leder med 28 års erfaring inden for forebyggelse og afsløring af svindel i privat- og erhvervsbanker, kundeservice, krav og inddrivelse. Han samarbejder med finansielle virksomheder over hele verden og bruger SAS til at bekæmpe banksvindel, hvidvaskning af penge, cybertrusler og intern svindel - og til at mindske drifts- og omdømmerisici.

Eric Herson, ledende industrikonsulent, SAS Security Intelligence Practice

Eric Herson er bindeled mellem SAS' globale kundevendte kontoteams og organisationer, der udvikler og leverer produkter til bekæmpelse af økonomisk kriminalitet. Han har mere end 40 års erfaring med at hjælpe kunder over hele verden med komplekse datadrevne svindel- og analyseprojekter. Inden han kom til SAS i 2010 for at koncentrere sig om realtidssvindel og AML/regulatoriske initiativer, arbejdede han for både FICO og First Data International i salgsledelse og havde lederroller inden for divisionens P&L.