การป้องกันการทุจริต
นิยามและความสำคัญ
เทคโนโลยีในการป้องกันการทุจริตนั้นได้มีความก้าวหน้าไปมากในปัจจุบัน อันเป็นผลมาจากการพัฒนาวิทยาการด้านคอมพิวเตอร์ที่ทำการคำนวณได้อย่างรวดเร็วกว่าที่เคยมีมาและรองรับการวิเคราะห์ประสิทธิภาพสูงได้ รวมถึงmachine learning และการพัฒนาเทคโนโลยีด้าน artificial intelligence (AI) อื่นๆ โดยปัญหานี้มีความสำคัญเนื่องจากการทุจริต เป็นภัยต่อทุกคน และก่อปัญหาต่อสังคมในภาพรวม ไม่ว่าจะเป็นการเพิ่มต้นทุนของสินค้าและบริการต่างๆ นำเงินภาษีไปใช้ในทางมิชอบ บั่นทอนทุนในการสร้างนวัตกรรม และบางครั้งแม้แต่ส่งผลให้มีผู้เสียชีวิต
ประวัติความเป็นมา
การทุจริตนั้นสามารถครอบคลุมได้หลายมิติ ทั้งการใช้ทรัพยากรอย่างสูญเปล่าหรือผิดจริยธรรม การผิดนัดชำระเงินหรือการซื้อขายที่เป็นเท็จ การฟอกเงิน การสนับสนุนเงินทุนแก่กลุ่มก่อการร้าย ไปจนถึงประเด็นความปลอดภัยทางไซเบอร์และแม้แต่ความมั่นคงของสังคม ในอดีตนั้น องค์กรต่าง ๆ ได้แต่พึ่งพาระบบที่กระจายตัวและขาดการรวมศูนย์ รวมถึงขั้นตอนทางธุรกิจที่ตายตัว และการวิเคราะห์ในระดับไม่สูงกว่าพื้นฐานในการพยายามตรวจจับและรับมือสัญญาณเตือนต่าง ๆ ทำให้การจัดการกับปัญหาการทุจริตและประพฤติผิดต่าง ๆ ไม่เป็นไปอย่างมีประสิทธิภาพเท่าที่ควรเป็น
นอกจากนี้ ข้อมูลนั้นยังไม่สามารถถูกอ้างอิงระหว่างกันโดยอัตโนมัติได้ และผู้มีหน้าที่ในการสืบสวนรวมถึงเจ้าพนักงานก็มักเผชิญความยากลำบากในการตรวจตราธุรกรรมและอาชญากรรมต่างๆอย่างทันท่วงที จึงมักได้แต่แก้ปัญหาหลังจากที่การกระทำผิดและความเสียหายได้เกิดขึ้นแล้วเท่านั้น ตัวอย่างเช่น ในภาคการบริการด้านสุขภาพนั้น การ "ป้องกัน" การทุจริตในอดีตกระทำได้แค่ เป็นเหมือนการแก้ปัญหาในลักษณะ "วัวหายล้อมคอก" และเป็นการตามหาผู้กระทำผิดมากกว่าการป้องกันที่ต้นเหตุ เนื่องจากผู้กระทำผิดได้รับประโยชน์โดยมิชอบและหลบหนีไปนานแล้ว กว่าที่การกระทำผิดจะถูกตรวจพบ
ในการต่อสู้กับปัญหาการทุจริต เทคโนโลยีที่ทันสมัยจึงได้ถูกพัฒนาขึ้น เพื่อป้องกันและคาดการณ์ เพื่อปิดช่องว่างของการกระทำผิดในรูปแบบที่แพร่หลาย ตลอดจนตรวจหาและจัดการกับรูปแบบการทุจริตใหม่ ๆ และแกะรอยขบวนการอาชญากรที่นับวันจะเพิ่มความซับซ้อนมากขึ้น การจะทำงานดังกล่าวได้อย่างมีประสิทธิภาพนั้น จำเป็นต้องใช้ความสามารถมากกว่าการวิเคราะห์ทั่วไป และอาศัยการวิเคราะห์ทั้งเชิงคาดการณ์และการปรับตัวที่รวดเร็ว รวมทั้งศักยภาพของAI เช่น machine learning อีกด้วย จึงนำมาสู่การประยุกต์ใช้แหล่งข้อมูลรูปแบบ big data ร่วมกับการตรวจตราแบบเรียลไทม์ที่ทันท่วงที และการประเมินความเสี่ยงรายบุคคลหรือ risk profile analysis เพื่อระบุคะแนนความเสี่ยงต่าง ๆ ซึ่งสิ่งเหล่านี้ได้คืนความได้เปรียบกลับมาสู่การป้องกันการประพฤติผิดในรูปแบบต่าง ๆ ในปัจจุบัน
การเอาชนะการขโมยตัวตนทางไซเบอร์ ด้วยพลังของระบบวิเคราะห์
การทุจริตรูปแบบหนึ่งที่กำลังเป็นที่กังวลของสาธารณชนนั้น คือการขโมยตัวตนหรือ identity fraud ซึ่งสามารถเกิดขึ้นได้ทั้งในระดับบุคคล และนิติบุคคล ในปัจจุบัน ผู้กระทำผิดนั้นสามารถเข้าถึงเครื่องมือและข้อมูลได้มากอย่างที่ไม่เคยมีมาก่อน ทำให้การกระทำผิดเป็นไปได้ง่ายดายยิ่งกว่าในอดีต และเกิดการขโมยตัวตนมากขึ้นอย่างเป็นประวัติการณ์ ตารางนี้ แสดงผลสถิติของการการเกิด "account take over" และ "card not present" และรูปแบบของการขโมยตัวตนอื่น ๆ ซึ่งนับวันจะเพิ่มจำนวนขึ้นในสังคม
ระบบการป้องกันการทุจริตที่ล้ำสมัยในปัจจุบัน
ปัญหาการก่อการร้ายที่สนับสนุนจากรัฐบางแห่งนั้นได้เพิ่มความซับซ้อนยิ่งขึ้นในช่วงเวลาที่ผ่านมา นอกจากนี้ ทั้งอาชญากรระดับมืออาชีพไปจนถึงผู้ก่อเหตุระดับมือสมัครเล่นนั้น ล้วนแต่มีวิวัฒนาการขึ้น ทำให้ภาคความมั่นคงและเจ้าหน้าที่ทำความเข้าใจ ติดตาม ตรวจตรา จับกุม และป้องกันการก่อเหตุได้ยากยิ่งขึ้นกว่าในอดีต การตรวจตราการกระทำผิดในปัจจุบันนี้ จึงต้องอาศัยวิธีการที่ครอบคลุมและซับซ้อนตามไปด้วย เพื่อทำการจับคู่ข้อมูลต่าง ๆ เข้ากับพฤติกรรมที่ปรากฏ เพื่อตรวจพบสัญญาณเตือนและสิ่งผิดปกติต่าง ๆ ผู้กระทำผิดจำนวนมากนั้นได้พัฒนาวิธีการที่ซับซ้อนขึ้นมา ดังนั้น จึงเป็นสิ่งสำคัญที่ทุกฝ่ายจะต้องมีทั้งความรู้และเครื่องมือที่เท่าทัน ในการรับมืออาชญากรรมต่าง ๆ ทุกรูปแบบ
บ่อยครั้งที่การทุจริตเกิดขึ้นได้จากช่องโหว่ด้านความปลอดภัยทางไซเบอร์ ตัวอย่างหนึ่งที่น่าสนใจคือ ในภาคการค้าปลีกหรือภาคการเงินนั้น ในอดีต การตรวจตราการทำธุรกรรมแบบเรียลไทม์ เคยเป็นมาตรการเสริมที่มีใช้เฉพาะธุรกิจในระดับสูงเท่านั้น แต่ในปัจจุบันได้กลายเป็นมาตรฐานปกติที่ใช้กันทั่วไป ไม่ใช่เฉพาะสำหรับธุรกรรมการเงินเท่านั้น แต่ยังรวมถึงกิจกรรมทางดิจิทัลอื่น ๆ ที่เกี่ยวข้องกับการยืนยันตัวตน กิจกรรมของบัญชี ตำแหน่งที่อยู่ และอุปกรณ์อีกด้วย
ในการที่องค์กรของคุณจะสามารถตรวจจับและป้องกันการทุจริตหลากหลายรูปแบบได้ด้วยความรวดเร็วทันการณ์ พร้อมไปกับการสร้างบริการที่ดีแก่ลูกค้าหรือประชาชนนั้น คุณควรปฏิบัติตามขั้นตอนที่สำคัญยิ่งสี่ประการดังต่อไปนี้:
- รวบรวมและรวมศูนย์ข้อมูลทุกประเภทที่ทำได้ไว้ด้วยกันจากทุกหน่วยย่อย เพื่อนำข้อมูลเหล่านั้นเข้าสู่กระบวนการวิเคราะห์
- คอยจับตาดูและตรวจตราธุรกรรมต่าง ๆ ตลอดจนเครือข่าย พฤติกรรมผิดปกติ ฯลฯ อย่างต่อเนื่อง และนำระบบวิเคราะห์พฤติกรรมหรือ behavioural analytics มาใช้งานกับข้อมูลที่ได้รับดังกล่าว เพื่อช่วยสนับสนุนการทำการตัดสินใจแบบเรียลไทม์
- กระตุ้นการใช้งานระบบการวิเคราะห์ที่มีประสิทธิภาพ และวัฒนธรรมการวิเคราะห์ที่ครอบคลุมทั้งองค์กรมาใช้งาน ด้วยการจัดการข้อมูลเชิงภาพในทุกระดับการทำงาน ซึ่งรวมถึงการดูแลปรับแต่งกระบวนการทำงานด้านการสืบสวนต่าง ๆ ให้เหมาะสมอีกด้วย
- นำกระบวนการด้านความปลอดภัยที่มีความเข้มแข็งและมีการปกป้องหลายชั้นมาใช้
เทคโนโลยีสำหรับการป้องกันและตรวจจับการกระทำผิดที่คุณไว้วางใจเลือกใช้นั้น ควรจะต้องมีขีดความสามารถในการเรียนรู้จากชุดข้อมูลที่มีความซับซ้อนสูงได้ ระบบของคุณ ควรต้องทำงานได้ด้วยแบบจำลองการตัดสินใจที่ซับซ้อน เพื่อลดการจับผิดผู้บริสุทธิ์ และตรวจสอบความสัมพันธ์เชิงเครือข่ายต่าง ๆ เพื่อให้เห็นมุมมองในภาพรวมของการกระทำผิดของอาชญากรและมิจฉาชีพ และต้องสามารถผสมผสานเทคนิคด้านการเรียนรู้ของเครื่องเช่น deep learning neural networks, extreme gradient boosting และ vector machines รวมถึงเทคนิคที่เป็นที่ยอมรับกันเช่นแบบจำลอง logistic regression, self-organizing maps, random forests และการทำ ensembles ซึ่งจะเป็นการพัฒนาความแม่นยำและประสิทธิภาพมากกว่าแนวทางที่ทำตามกฎเกณฑ์อย่างไม่ยืดหยุ่นเดิม ๆ
ลดการจับผิดผู้บริสุทธิ์ลงกว่าครึ่ง
เราได้ทำการเพิ่มอัตราการตรวจพบการกระทำผิดจริงขึ้นกว่าร้อยละ 50 และลดการทุจริตประเภท card fraud ลงได้มากถึงระหว่างร้อยละ 50-70 สำหรับบัตรต่าง ๆ ภายใต้โครงการป้องกันเหตุของเรา โดยที่เราสามารถลดการจับผิดผู้บริสุทธิ์หรือ false positives ซึ่งก่อให้เกิดความไม่สะดวกแก่ลูกค้าที่ดำเนินธุรกรรมโดยสุจริตลงเหลือเพียงครึ่งเดียวของที่ผ่านมา นั่นแปลว่า เราสามารถเพิ่มการรับมือเหตุการณ์ทุจริตได้มากขึ้น และลดความยุ่งยากหรือความรำคาญแก่ผู้ที่ใช้งานอย่างปกติลงได้พร้อมกัน
ผู้ใช้งานหลักของระบบรับมือการทุจริต
ทั้งภาคธุรกิจและภาครัฐได้นำเทคโนโลยีที่ทันสมัยต่างๆ เช่นการแสดงผลเชิงภาพ และ AI มาใช้งาน เพื่อลดและป้องกันผลเสียหายทั้งทางเศรษฐกิจและความเชื่อมั่นที่เกิดขึ้นจากการทุจริตและการกระทำผิดต่างๆ โดยนักวิเคราะห์และเจ้าหน้าที่ด้านการสืบสวนต่าง ๆ ทำงานร่วมกันอย่างใกล้ชิดและทลายกำแพงข้อมูลหรือ data silos ต่าง ๆ รวมถึงทำการให้คะแนนและตรวจหาสัญญาณเตือนต่าง ๆ จากนั้นจึงส่งเหตุการณ์ที่มีการแจ้งเตือนระดับเร่งด่วนสูงไปเพื่อการพิจารณาดำเนินการโดยละเอียดต่อไป
ภาคการธนาคาร
การกระทำผิดและอาชญากรรมที่เกิดขึ้นในภาคการธนาคารนั้น มักเกิดจากตัวตนปลอม การแฮคและยึดบัญชีของผู้ใช้รายต่าง ๆ แอปพลิเคชั่นที่ฝังไวรัสไว้ รวมไปถึงปัญหาในการทำธุรกรรม การยืนยันตัวตน และอาชญากรรมทางการเงินรูปแบบอื่น ๆ สถาบันการเงินจึงควรมีขีดความสามารถในการตรวจจับธุรกรรมที่เป็นการทุจริตได้อย่างทันท่วงทีในแบบreal time โดยลดการเกิด "ผลบวกที่ผิดพลาด" หรือ false positives คือการจับผิดผู้บริสุทธิ์ลง รวมถึงต้องสามารถตรวจพบและป้องกันการฟอกเงิน หรือการสนับสนุนเงินทุนแก่ผู้ก่อการร้าย โดยอาศัยอัลกอริทึมที่ซับซ้อนซึ่งจะทำการพิจารณาปัจจัยและตัวแปรจำนวนมาก
ภาคการประกันภัย
การหลอกลวงด้านการประกันภัยนั้นยังคงมีอยู่และเกิดขึ้นอย่างต่อเนื่อง และการทุจริตในรูปแบบ application fraud ก็มีแนวโน้มเพิ่มขึ้น แทนที่คุณจะรับมือปัญหาแบบไล่ตามจับผู้กระทำผิดหลังเกิดความเสียหายแต่เพียงอย่างเดียว หลังจากที่คุณได้จ่ายเงินแก่กรมธรรม์ไปแล้วนั้น
นักวิเคราะห์ชั้นนำสามารถป้องกันเหตุการณ์เช่นนี้ได้ด้วยการนำalgorithmที่ทันสมัยมาใช้เพื่อตรวจจับพฤติกรรมและรูปแบบที่ผิดปกติต่าง ๆ เมื่อคุณสามารถวิเคราะห์ปัจจัยเสี่ยงที่เป็นสัญญาณเตือนการทุจริตที่ก่อตัวขึ้นนั้น คุณจะไม่เพียงสามารถตรวจจับและป้องกันการทุจริตใด ๆ ได้อย่างทันท่วงที แต่คุณยังสามารถป้องกันการเกิดการกระทำผิดขึ้นได้ก่อนจะเกิดความเสียหายที่สายเกินแก้ได้เลยทีเดียว
ภาครัฐ
ภาครัฐต่าง ๆ กำลังทำการสลายกำแพงกั้นด้านข้อมูลระหว่างหน่วยงานต่าง ๆ หรือ data silos เพื่อตรวจจับการทุจริตด้านภาษี คาดการณ์การก่อตัวของการประพฤติที่มิชอบ ตรวจจับพฤติกรรมผิดปกติต่าง ๆ และขจัดโอกาสการเกิดอาชญากรรมและการกระทำผิดทั้งในปัจจุบันและอนาคต ซึ่งขีดความสามารถเหล่านี้จะเพิ่มความปลอดภัยในหลายมิติ ทั้งความปลอดภัยทางพรมแดน ข้อมูลสำหรับเจ้าหน้าที่ผู้รักษากฎหมาย ต่อสู้ภัยจากยาเสพติด และปกป้องความปลอดภัยให้แก่เด็กและเยาวชน
ภาคการแพทย์และบริการด้านสุขภาพ
การหลอกลวงด้านการเอาประกันภัยในวงการบริการด้านสุขภาพนั้นก่อให้เกิดความเสียหายคิดเป็นตัวเงินนับหลายล้านหรือหลายพันล้านทั่วโลก องค์กรด้านสุขภาพได้นำแนวทางการป้องกันการกระทำผิดโดยพัฒนาแก้ไขระบบให้ครอบคลุมระดับของทั้งองค์กร เพื่อดูแลประเด็นด้านการชำระเงินที่เป็นธรรมและถูกต้อง และการกำกับดูแลต้นทุนด้านการบริการทางสุขภาพ ด้วยความสามารถของระบบการวิเคราะห์ที่ทันสมัย
รับชมข้อมูลสำหรับอุตสาหกรรมอื่น ๆ
- Automotive
- Banking
- Capital Markets
- Casinos
- Communications
- Consumer Goods
- Defense & Security
- Government
- Health Care
- Health Insurance
- High-Tech Manufacturing
- Higher Education
- Hotels
- Insurance
- Life Sciences
- Manufacturing
- Media
- Midsize Business
- Oil & Gas
- P-12 Education
- Retail Analytics
- Sports Analytics
- Travel & Transportation
- Utilities
การทำงานของระบบการป้องกันการทุจริต
การตรวจจับและป้องกันการทุจริตและกระทำผิดนั้น
มิได้เป็นกระบวนการที่หยุดนิ่งหรือกระทำเพียงครั้งเดียวแล้วเสร็จสิ้น กล่าวคือ ไม่ใช่กระบวนการที่เริ่มขึ้นแล้วจบลง ณ จุดใดจุดหนึ่ง
หากแต่ต้องมีการทำการตรวจตรา เฝ้าระวัง ตัดสินใจ
จัดการกรณีแต่ละกรณี และเรียนรู้ที่จะป้อนข้อมูลที่มีประโยชน์กลับเข้าสู่ระบบ
โดยทุกองค์กรจำเป็นต้องเรียนรู้และปรับตัวอย่างต่อเนื่องเพื่อรับมือจากเหตุการณ์แต่ละครั้ง
และใช้บทเรียน ข้อมูลจากทุกเหตุการณ์ที่เกิดขึ้นเป็นข้อมูลแก่ระบบในการทำการเรียนรู้
และตรวจจับการกระทำผิดครั้งต่อ ๆ ไปในอนาคต ซึ่งในการนี้
จำเป็นจะต้องมีการจัดการดูแลระบบการวิเคราะห์อย่างครบวงจร ทั่วทั้งองค์กร
เป้าหมายของคุณนั้น เช่น การตรวจจับการกระทำผิด
การปฏิบัติตามกฎระเบียบและกฎหมาย หรือเป้าหมายด้านความปลอดภัย ซึ่งในปัจจุบันนี้ที่เทคโนโลยีเช่น AI และ
machine learning ได้ทวีความแพร่หลายขึ้นนั้น
เทคโนโลยีในยุคต่อจากนี้ไป จะเป็นการแปลงงานที่เคยกระทำแบบใช้เวลาและแรงงานคน ให้กลายเป็นกระบวนการอัตโนมัติ
รวมทั้งการผสมผสานการใช้งานชุดข้อมูลขนาดใหญ่และการวิเคราะห์เชิงพฤติกรรม
Supervised Learning
อัลกอริทึมการเรียนรู้แบบ supervised machine learning นั้น สามารถเรียนรู้จากข้อมูลในอดีต และหารูปแบบเป้าหมายซึ่งผู้ตรวจสอบอาจสนใจและให้ความสำคัญ
Unsupervised Learning
การเรียนรู้แบบ unsupervised learning นั้น จะประเมินและพิจารณาชุดข้อมูลต่าง ๆ ที่ไม่มีการกระทำผิดที่ถูกตรวจพบอยู่ภายในนั้น วิธีนี้ ใช้เพื่อค้นหาความผิดปกติแบบใหม่ ๆ และรูปแบบที่ควรพิจารณา
Network
Analysis
การทำ network analysis นั้น ใช้เพื่อการระบุเส้นทาง ความเชื่อมโยง และจุดเชื่อมต่อต่าง ๆ ที่ช่วยให้เห็นถึงรูปแบบของเครือข่ายทางสังคมที่น่าจับตามอง ซึ่งเป็นเครื่องมือที่สำคัญสำหรับผู้มีหน้าที่ด้านการสืบสวน
Text
Analytics
การวิเคราะห์ข้อความรูปแบบคำ ใช้เพื่อระบุชื่อ เวลา นิติบุคคลหรือบริษัท มูลค่าในรูปตัวเงิน และข้อมูลที่น่าจับตาอื่น ๆ ได้อย่างแม่นยำ ด้วยการสืบค้น จัดหมวดหมู่เนื้อหา และการสกัดข้อมูลรายการและตัวตนต่าง ๆ ที่เป็นที่สนใจ
"เมื่อเศรษฐกิจแบบดิจิทัลหรือ digital economy เติบโตและแผ่ขยายไปในวงกว้างนั้น สิ่งหนึ่งที่เติบโตตามมาคือปัญหาการทุจริต หลอกลวงทางไซเบอร์ และประเด็นความปลอดภัยที่เกี่ยวข้อง เราต้องการที่จะร่วมมือและสนับสนุนลูกค้าของเราในแต่ละขั้นตอนของการพัฒนาระบบการวิเคราะห์ของลูกค้าแต่ละราย โดยเฉพาะอย่างยิ่งในขั้นตอนการริเริ่มสร้างและใช้งานระบบเทคโนโลยีเช่น AI, IoT และคลาวด์ ด้วยความช่วยเหลือของ SAS นั้น ลูกค้าของเราจะมั่นใจได้ว่า ตนจะมีขีดความสามารถเพิ่มขึ้นในการลดปัญหาการแยกตัวของข้อมูลในส่วนต่าง ๆ หรือ data silo และสามารถปรับตัวตามกฎเกณฑ์ข้อบังคับที่เปลี่ยนแปลงไป และป้องกันตนเองจากความเสี่ยงและอันตรายทั้งในปัจจุบันและอนาคตอย่างมีประสิทธิภาพ" Stu Bradley Vice President, Fraud and Security Intelligence Practice at SAS
ความก้าวหน้าในอนาคต
รับชมข้อมูลเพิ่มเติมเกี่ยวกับระบบการวิเคราะห์ของ SAS ด้านการป้องกันการทุจริต ด้านการฟอกเงิน และด้านความปลอดภัย
ระบบป้องกันการกระทำผิดที่คุณไว้วางใจได้เต็มที่
ผู้กระทำผิดและอาชญากรทุกวันนี้ ทำงานอย่างรวดเร็วขึ้นและฉลาดขึ้นกว่าในอดีต คุณจึงต้องการพันธมิตรที่ไว้วางใจได้ในการปกป้องกิจการของคุณจากความสูญเสีย ในฐานะที่ SAS ของเราเป็นผู้นำในอุตสาหกรรมการวิเคราะห์ชั้นเลิศ เราพร้อมมอบเครื่องมือเชิงรุกในการรับมืออาชญากรรมและการทุจริตทุกรูปแบบ ด้วยพลังของ AI และ machine learning
ผลิตภัณฑ์เด่นในการรับมือการทุจริต
SAS® Visual Investigator
SAS® Visual Investigator เป็นระบบการวิเคราะห์เพื่อตรวจจับและสืบสวนการกระทำผิดและการทุจริต และการจัดการสถานการณ์ไม่คาดฝันต่าง ๆ ซึ่งทำงานโดยอาศัยการผสมผสานข้อมูลจำนวนมากจากแหล่งต้นทางที่หลากหลาย ไม่ว่าจะเป็นข้อมูลที่กระจัดกระจายตัวอยู่ หรือข้อมูลทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง ระบบอินเตอร์เฟสเชิงภาพของเราจะช่วยให้ผู้ใช้งานของคุณสามารถทำการกำหนด สร้าง ใช้งาน และทำการจัดการการแจ้งเตือนต่าง ๆ และสามารถตรวจตราและทำการสืบสวนได้อย่างละเอียดที่สุด เพื่อทราบถึงพฤติกรรมและกิจกรรมที่อาจถูกซ่อนอยู่
Recommended reading
- Article Strengthen your payment fraud defenses with stronger authenticationThe rapid growth of digital wallets and payment applications ushered in many new payment fraud threats. Today, it’s more critical than ever to authenticate users. Learn four innovative to ways strengthen your authentication defenses while reducing false positives and protecting customers’ assets.
- Article How to uncover common point of purchaseBanks that want to stay ahead of CPP and contain the costs of fraud need to implement advanced anti-fraud techniques.
- Article Online fraud: Increased threats in a real-time worldOnline and mobile banking is convenient for customers -- and an opportunity for fraudsters. With fraud methods constantly evolving, an analytical approach is a must for banks seeking early, accurate detection.