Bedrägeribekämpning

Teknik för bedrägeribekämpning har tagit enorma kliv från framsteg inom datorhastigheter (analyser med hög prestanda), maskininlärning och andra former av artificiell intelligens (AI). Bedrägeri berör alla områden i våra liv, det höjer det pris vi betalar för varor och tjänster, slösar bort skattepengar, tar resurser från utveckling och kostar även människoliv.

• Historik
•     
• Världen idag
•     
• Vem använder det?
•     
• Så här fungerar det
•     
• Nästa steg

Historik

Bedrägeri kan omfatta svinn och missbruk, felaktiga betalningar, penningtvätt, finansiering av terrorism, allmän säkerhet och cybersäkerhet. Tidigare var organisationer tvungna att ta ett fragmenterat tillvägagångssätt för att förebygga bedrägerier, genom att använda affärsregler och primitiv analys för att leta efter avvikelser för att skapa varningar ur separata datamängder. 

Informationen kunde inte kors refereras genom automatisering och utredare kunde inte manuellt övervaka transaktioner och brott i realtid, de var tvungna att göra det i efterhand. Inom hälso- och sjukvården var bedrägeribekämpning mer som "betala och jaga", eftersom de kriminella sedan länge försvunnit när bedrägeriet upptäcktes.

För att bekämpa bedrägerier har ny teknik utvecklats för att förutsäga konventionell taktik, avslöja nya system och tolka allt mer sofistikerade organiserade bedrägerier. Detta innebär mer än standardanalys, det tillämpar prediktiva och adaptiva analystekniker - inklusive en form av AI som kallas maskininlärning. Genom att kombinera stora datakällor med realtidsövervakning och riskprofilanalys för att sätta poäng på bedrägeririsker har bedrägeribekämpningen utvecklats för att börja minska mängden förluster.

Bedrägeriupptäckt i världen idag

Med den växande komplexiteten hos statssponsrad terrorism blir yrkesbrottslingar och kriminella svårare att förstå, följa, avslöja och hindra. Bedrägeriupptäckt i världen idag innebär ett omfattande tillvägagångssätt för att matcha datapunkter med aktiviteter för att hitta vad som är onormalt. Bedragarna har utvecklat sofistikerade taktiker, så det är viktigt att hålla koll på dessa förändrade metoder av tillvägagångssättet.

Många gånger möjliggör cybersäkerhetsöverträdelser bedrägliga aktiviteter. . Ta till exempel detaljhandeln eller finansiella tjänster. Det som en gång var en lyxig realtidsövervakning av transaktioner är nu ett grundläggande krav, inte bara för finansiella transaktioner utan för digitala händelsesdata kring autentisering, session, plats och enhet.

För att snabbt och exakt identifiera och stoppa en rad bedrägeriattacker och brottslighet - samtidigt som kund- och medborgarupplevelser förbättras - bör organisationer följa fyra viktiga steg:

1. Fånga och förena alla tillgängliga datatyper från olika avdelningar eller kanaler och införliva dem i analysprocessen.
2. Övervaka transaktioner, sociala nätverk, högriskavvikelser etc. och använda beteendeanalys för att möjliggöra beslutsfattande i realtid.
3. Installera en analyskultur i hela företaget med datavisualisering på alla nivåer, inklusive undersökande arbetsflödesoptimering.
4. Använda säkerhetstekniker i flera lager.
   
   

Den teknik för bedrägeribekämpning och förebyggande som du väljer bör kunna lära av komplexa datamönster. Den bör använda sofistikerade beslutsmodeller för att bättre hantera falska positiva effekter och upptäcka nätverksrelationer för att få en helhetssyn på bedrägerier och brottslingar. Att kombinera maskininlärningsmetoder - som djupinlärande neurala nätverk, extrema förändringar och vektor maskiner - samt beprövade metoder som logistisk regression, självorganiserande kartor, slumpmässiga grupper och samlingar - har visat sig vara mycket mer exakt och effektivt än metoder baserat på regler.

Hur bedrägeribekämpning fungerar

Bedrägeriupptäckt och förebyggande åtgärder är inte statiska processer. Det finns ingen start- och slutpunkt. Det är snarare ett pågående arbete som involverar övervakning, upptäckt, beslut, ärendehantering och inlärning för att mata in upptäcktsförbättringar tillbaka i systemet. Organisationer bör sträva efter att kontinuerligt lära av bedrägerier och införliva resultaten i framtida övervaknings- och upptäcktsprocesser. Detta kräver ett analyslivscykel -tillvägagångssätt i hela företaget.

Dina mål kan innebära upptäckt av bedrägeri, efterlevnad eller säkerhet. I takt med att teknologier som artificiell intelligens och maskininlärning har blivit vanligare, automatiserar nästa generations teknologier manuella processer genom att kombinera stora datamängder och använda beteendeanalyser.