Što je Fraud Detection i kako se otkriva finansijska prevara?
Rast digitalnih plaćanja, mobilnog bankarstva, fintech-a i online finansijskih usluga povećao je obim transakcija, ali je istovremeno učinio metode fraud-a bržim, povezanijim i težim za otkrivanje.
Zbog toga se Fraud Detection više ne posmatra samo kroz logiku "generiši alarm kada se pojavi sumnjiva transakcija".
Kada se istorija transakcija korisnika, informacije o device-u, IP adresa, lokacija, učestalost transakcija, odnosi sa suprotnom stranom i prethodno ponašanje procijene zajedno, dobija se mnogo jasnija slika rizika.
Fraud Detection je opšti naziv za procese usmjerene na otkrivanje neuobičajenog ponašanja i potencijalnih signala prevare u finansijskim ili nefinansijskim event-ima.
Danas, u efikasnom pristupu Fraud Detection-u, umjesto pojedinačne transakcije, na značaju dobija kontekst u kojem se transakcija odvija.
Zašto je Fraud Detection važan?
Scenariji fraud-a ne izgledaju uvijek očigledno sumnjivo.
Na primjer, to što korisnik prenosi 10.000 TL samo po sebi ne mora biti neuobičajeno.
Međutim, kada se ista transakcija kombinuje sa signalima kao što su:
- račun je nedavno otvoren,
- obavlja se preko device-a koji ranije nije korišćen,
- prijava se vrši sa druge lokacije,
- dodaje se novi beneficiary,
- prenos se vrši na više primalaca u kratkom vremenskom periodu,
- isti device se pojavljuje i na drugim računima
to može stvoriti potpuno drugačiji profil rizika.
Stoga, glavni cilj Fraud Detection-a nije samo gledanje iznosa transakcije, već mogućnost odgovora na pitanje:
"Da li je ovo ponašanje normalno za ovog korisnika?"
Kako funkcioniše Fraud Detection?
Proces Fraud Detection-a se uglavnom zasniva na zajedničkoj procjeni različitih event-a i signala rizika.
1. Prikupljaju se finansijski i nefinansijski event-i
Fraud se ne dešava samo tokom transfera novca.
Nefinansijski event-i koje korisnik izvrši, kao što su:
- login,
- password change,
- device change,
- beneficiary addition,
- profile update,
- failed authentication,
- account creation
takođe mogu biti važni signali rizika.
Na primjer, promjena lozinke ubrzo nakon prijave sa novog device-a, dodavanje novog primaoca, a zatim obavljanje transfera visokog iznosa, može zahtijevati zajedničku procjenu event-a koji pojedinačno izgledaju normalno.
Zbog toga je važno da infrastruktura za Fraud Detection može procijeniti event-e koji dolaze iz različitih sistema u istom kontekstu rizika.
2. Signali rizika se procjenjuju zajedno
Jedan event sam po sebi ne mora pružiti dovoljno informacija.
Zato sistemi za Fraud Detection analiziraju različite tačke podataka zajedno.
Na primjer:
- iznos transakcije,
- učestalost transakcija,
- istorija klijenta,
- device,
- IP,
- lokacija,
- suprotna strana,
- starost računa,
- prethodni alert-i,
- povezani računi,
- vrijeme transakcije
mogu se procjenjivati unutar istog scenarija.
Cilj je sagledati cjelokupno ponašanje, umjesto donošenja odluke na osnovu jednog signala.
Kako funkcioniše Rule-Based Fraud Detection?
Rule Engine je jedan od važnih djelova procesa Fraud Detection-a.
Scenariji rizika specifični za instituciju mogu se definisati pod određenim uslovima.
Na primjer:
> Ako novootvoreni račun izvrši transfer iznad određenog iznosa na tri različita primaoca u posljednjih 30 minuta, pošalji na istragu.
Ovaj scenario;
- starost računa,
- vremenski interval,
- broj transfera,
- iznos transakcije
procjenjuje različite uslove u isto vrijeme.
Međutim, pošto se metode fraud-a stalno mijenjaju, struktura koja radi samo sa statičkim pravilima može vremenom generisati previše alert-a ili nedovoljno razlikovati nove obrasce ponašanja.
Zbog toga korišćenje Rule Engine-a zajedno sa risk scoring-om, network analysis-om i podacima o ponašanju pruža smisleniju procjenu.
Što je False Positive?
Jedan od najznačajnijih problema u operacijama fraud-a i AML-a je stopa False Positive rezultata.
False Positive predstavlja situaciju u kojoj sistem označi ponašanje koje je zapravo normalno kao rizično.
Kada sistem počne da generiše više alert-a nego što je potrebno, analitičari mogu biti primorani da provjeravaju normalne transakcije umjesto da istražuju stvarne rizike.
To zauzvrat:
- povećava operativno opterećenje,
- produžava vrijeme istrage,
- može smanjiti vidljivost stvarnih rizika.
Cilj dobrog sistema za Fraud Detection nije generisanje što je moguće više alert-a.
Pravi cilj je:
preciznije izdvojiti event-e koji su zaista vrijedni istrage.
Zbog toga institucije, umjesto da samo povećavaju broj pravila, treba da zajedno procjenjuju kontekst pravila, risk score-ove i odnose između različitih entity-ja.
Čemu služi Risk Scoring u Fraud Detection-u?
Svako sumnjivo ponašanje nije na istom nivou.
Na primjer, samo korišćenje novog device-a može biti signal rizika niskog nivoa.
Međutim, kada se istovremeno pojave signali kao što su:
- novi device,
- druga država,
- visok iznos transakcije,
- novi beneficiary,
- ponovljeni transfer u kratkom vremenskom periodu
ukupni nivo rizika se može promijeniti.
Risk Scoring omogućava da se različiti signali razmatraju u istoj procjeni.
Dobijeni risk score, u skladu sa politikom koju je definisala institucija;
- nastavak event-a u normalnom toku,
- primjena dodatne kontrole,
- kreiranje alert-a,
- prenos u case proces
može se koristiti u procesima donošenja odluka.
Konačna akcija zavisi od sopstvenih politika rizika i integracione strukture institucije.
Zašto je Network Analysis važan u Fraud Detection-u?
Neki scenariji fraud-a nijesu vidljivi kada se posmatra samo jedan korisnik.
Na primjer, četiri različita računa;
- isti device,
- istu IP adresu,
- isti broj telefona,
- istog beneficiary-ja
mogu koristiti.
Kada se svaki račun istražuje pojedinačno, može izgledati normalno.
Međutim, kada se njihove međusobne veze procjenjuju zajedno, može se otkriti zajednička mreža fraud-a.
Zbog toga je Network & Relationship Analysis posebno;
- mule account,
- korišćenje više računa,
- fraud ring,
- shared device,
- shared IP,
- povezani lanci transfera
važna u ovakvim scenarijima.
Cilj nije samo odgovoriti na pitanje "da li je ovaj račun rizičan?", već i na pitanje:
"Sa kojim je još računima ovaj račun povezan?"
Zašto je Cross-Entity Checking vrijedan?
Fraud se najčešće ne dešava unutar jednog entity-ja.
Kada se odnos uspostavljen između korisnika, device-a, računa i beneficiary-ja čuva u odvojenim sistemima, signali rizika mogu izgledati fragmentirano.
Pomoću Cross-Entity Checking-a, informacije koje dolaze iz različitih entity-ja mogu se provjeriti unutar istog scenarija.
Na primjer:
- korišćenje istog device-a na različitim računima,
- prijava više korisnika sa iste IP adrese,
- transferi sa različitih računa na istog beneficiary-ja
ovakvi odnosi se mogu analizirati unutar jedne procjene rizika.
Ovaj pristup može dati značajnije rezultate, posebno u organizovanim scenarijima fraud-a.
Da li su Fraud Detection i AML ista stvar?
Ne.
Fraud Detection i AML imaju različite ciljeve.
Fraud Detection se više fokusira na otkrivanje pokušaja prevare i neuobičajenog ponašanja.
AML procjenjuje rizike od pranja novca i finansiranja terorizma u širem okviru usklađenosti.
Međutim, značajan dio podataka koje koriste ove dvije oblasti se preklapa.
Na primjer, ista transaction network;
- odnos mule account-a na strani fraud-a,
- kretanje novca koje treba istražiti na strani AML-a
može pokazati.
Zbog toga potpuno odvojeno vođenje procesa Fraud Detection-a i AML-a može dovesti do propuštanja određenih veza.
Da li Fraud Detection radi samo u trenutku transakcije?
Ne.
Rizici od fraud-a ne nastaju samo tokom transakcije.
Korisnikovo;
- ponašanje prilikom login-a,
- istorija device-a,
- izmjene profila,
- aktivnosti beneficiary-ja,
- istorija transakcija,
- povezani računi
mogu vremenom stvoriti različite signale rizika.
Zato je važno da pristup Fraud Detection-u ne posmatra samo trenutak jedne transakcije, već opštu istoriju ponašanja korisnika.
Kako Truvali podržava proces Fraud Detection-a?
U platformi Truvali, Fraud Detection se ne posmatra kao samostalna funkcija, već kao struktura u kojoj se različite mogućnosti upravljanja rizikom koriste zajedno.
Real-Time Transaction Monitoring
Finansijski i nefinansijski event-i mogu se procjenjivati u trenutku kada se dešavaju.
Istorija transakcija, device, IP, lokacija i drugi signali rizika mogu se uključiti u isti scenario rizika.
Dynamic Rule & Scenario Engine
Institucije mogu kreirati sopstvene scenarije fraud-a.
Ugniježđene (nested) AND/OR/NOT strukture, različiti vremenski intervali i podaci koji dolaze iz različitih entity-ja mogu se procjenjivati unutar istog pravila.
Real-Time Risk Scoring
Različiti signali rizika koji dolaze od korisnika i event-a mogu se procjenjivati zajedno kako bi se ažurirao nivo rizika.
Ova struktura podržava procjenu na osnovu promjenjivog ponašanja, a ne samo na osnovu jednog event-a.
Network & Relationship Analysis
Odnosi između računa u pogledu;
- device-a,
- IP-a,
- telefona,
- transakcija,
- suprotne strane
mogu se procjenjivati zajedno.
Na ovaj način, veze između računa koji pojedinačno izgledaju normalno mogu se učiniti vidljivijim.
Cross-Entity Checking
Informacije koje dolaze iz različitih entity-ja, kao što su klijent, račun, device i suprotna strana, mogu se provjeriti u istom scenariju rizika.
Ovaj pristup pomaže u zajedničkoj procjeni signala rizika raspoređenih u različitim sistemima.
Alerts & Case Management
Event-i koji zahtijevaju istragu mogu se prenijeti u proces alert-a ili case-a.
Timovi za usklađenost i fraud mogu istraživati;
- istoriju korisnika,
- povezane event-e,
- razloge rizika,
- dokumente,
- bilješke tima
unutar istog case-a.
Maker-Checker
Kritične odluke se mogu upravljati kroz mehanizme odobrenja, umjesto da zavise od akcije jednog korisnika.
Ova struktura posebno podržava kontrolisano rješavanje rizičnih case-ova.
Immutable Audit Log
Aktivnosti korisnika i sistema mogu se bilježiti.
Može se pratiti ko je izvršio koju radnju i kada je donijeta koja odluka.
To podržava veću sljedivost procesa istrage i revizije.
Čemu služi AI u sistemu za Fraud Detection?
AI se može koristiti u operacijama fraud-a, posebno za prioritetizaciju velikih količina podataka i ubrzavanje procesa istrage case-ova.
Međutim, nije ispravno pozicionirati AI kao konačni mehanizam donošenja odluka.
Na strani platforme Truvali, AI može podržati timove u oblastima kao što su:
- priprema sažetaka alert-a,
- isticanje važnih signala rizika unutar case-a,
- pre-triage prije istrage,
- analiza podržana prirodnim jezikom
gobi se koristio za podršku timovima.
Konačna procjena i odluka ostaju pod kontrolom ovlašćenih korisnika.
Za koga je Fraud Detection važan?
Fraud Detection nije neophodan samo bankama.
Mnoge institucije sa visokim obimom transakcija ili digitalnim protokom klijenata mogu se suočiti sa rizicima od fraud-a.
Na primjer:
- banke,
- fintech kompanije,
- institucije za plaćanje,
- institucije za elektronski novac,
- e-commerce platforme,
- usluge transfera novca,
- aplikacije za digitalne finansije
mogu procjenjivati scenarije fraud-a u skladu sa svojim poslovnim modelima.
Budući da se rizik sa kojim se svaki sektor suočava razlikuje, važno je da se pravila i scenariji konfigurišu prema operacijama institucije.
Opšte mogućnosti platforme Truvali
Truvali posmatra proces Fraud Detection-a kao dio šire infrastrukture za rizik i usklađenost.
Unutar platforme, sledeće mogućnosti se mogu koristiti zajedno:
- Real-Time Transaction Monitoring
- Fraud Detection
- Dynamic Rule & Scenario Engine
- Real-Time Risk Scoring
- Network & Relationship Analysis
- Cross-Entity Checking
- Sanctions, PEP & Watchlist Screening
- Ongoing Monitoring
- Alerts & Case Management
- Maker-Checker
- Immutable Audit Log
- AI-Powered Case Review
- On-Premise Deployment
Glavni cilj ovdje je da se signali rizika raspoređeni u različitim sistemima analiziraju unutar iste procjene, čime se timovima pomaže da se fokusiraju na event-e koji zahtijevaju istragu, umjesto da ručno pretražuju sve podatke.
Često postavljana pitanja
Što je Fraud Detection?
Fraud Detection je opšti naziv za procese usmjerene na otkrivanje potencijalnih pokušaja prevare procjenom neuobičajenih signala u transakcijama i ponašanju korisnika.
Da li Fraud Detection analizira samo finansijske transakcije?
Ne. Nefinansijski event-i kao što su login, promjena device-a, ažuriranje profila, dodavanje beneficiary-ja ili failed authentication takođe se mogu koristiti u scenarijima fraud-a.
Da li sistem za Fraud Detection automatski blokira transakciju?
To zavisi od politike rizika i integracione strukture institucije. Nakon detekcije rizika, akcije kao što su alert, case, dodatna verifikacija ili Callback mogu se pokrenuti u skladu sa scenarijem koji je definisala institucija.
Može li Truvali analizirati mreže fraud-a?
Mogućnosti Network & Relationship Analysis platforme Truvali podržavaju zajedničku procjenu zajedničkog device-a, IP-a, telefona, transakcija i odnosa sa suprotnom stranom.
Da li su Fraud Detection i Transaction Monitoring ista stvar?
Nijesu ista stvar. Transaction Monitoring omogućava praćenje transakcija i event-a u skladu sa definisanim pravilima rizika. S druge strane, Fraud Detection se fokusira na procjenu potencijalnih obrazaca prevare koristeći ove podatke i druge signale ponašanja. Ova dva procesa mogu raditi zajedno.
Može li se False Positive potpuno eliminisati?
Ne. False Positive nije nešto što se može potpuno eliminisati u sistemima za Fraud Detection. Cilj je smanjiti broj nepotrebnih alert-a kroz ispravna pravila, risk scoring i analizu odnosa, omogućavajući timovima da se više fokusiraju na stvarne rizike.
Da li Truvali automatski donosi odluku o fraud-u pomoću AI?
Ne. AI se može koristiti za sumiranje signala rizika, pre-triage i podršku u istrazi case-ova. Konačna procjena i odluka ostaju pod kontrolom ovlašćenih korisnika.