استفاده از تحلیل رفتار مشتری برای تشخیص تقلب
در حالی که تهدیدات کلاهبرداری برای سازمان‌های پرداخت، بانک‌ها و مؤسسات مالی مسئله‌ی جدیدی نیست، درجه و وسعت اینگونه حوادث در سال‌های اخیر افزایش یافته است. یک مطالعه در فوریه 2018 نشان داد که نزدیک به 16.7 میلیون مصرف کننده قربانی کلاهبرداری هویت شده‌اند که 8 درصد نسبت به سال قبل افزایش داشته است.
راه‌حل‌های پیشگیری از تقلب باید به اندازه کافی انعطاف‌پذیر و پیچیده باشند تا نه تنها با کلاهبرداران باهوش مقابله کنند، بلکه کلاهبرداری واقعی را از موارد مثبت کاذب متمایز کنند. موارد مثبت کاذب زمانی رخ می‌دهد که فعالیت واقعی به اشتباه به عنوان تقلب تلقی شود.
طبق گفته‌ی CreditCards.com از هر پنج تراکنش مسدود شده، چهار مورد واقعی هستند و این سوء تفاهم‌ها اغلب منجر به مسدود شدن کامل حساب‌های مشتریان می‌شوند. از بسیاری جهات، پیامدهای مثبت کاذب می‌تواند آسیب‌زننده‌تر و پرهزینه‌تر از نمونه واقعی تقلب باشد. به این ترتیب مؤسسات فرصت‌های تولید درآمد را از دست می‌دهند و وفاداری و اعتماد مشتریان نیز سلب می‌شود. همانطور که فن‌آوری‌های پرداخت مصرف کننده تکامل می‌یابد، پیچیدگی‌های کشف و کاهش تقلب نیز افزایش می‌یابد. در نتیجه، بسیار مهم است که تیم‌های مدیریت ریسک به مجموعه قوانین سفت و سخت برنامه‌ریزی‌شده دستی یا مدل‌های یادگیری ماشینی ثابت پایان دهند و در عوض روی قابلیت‌های پیشرفته‌ای که ابزارهای امروزی ارائه می‌کنند، سرمایه‌گذاری کنند.
سازمان‌های پرداخت و مؤسسات مالی با مدرن کردن استراتژی‌های تقلب خود و بهره‌مندی از تجزیه و تحلیل تطبیقی رفتار، بهتر می‌توانند ریسک را کاهش داده و درآمد را افزایش دهند.
این تحلیل چگونه به تشخیص تقلب کمک می‌کند؟
برخلاف یادگیری ماشینی ایستا در گذشته، تحلیل‌های رفتاری تطبیقی در تمایز بین تقلب واقعی و فعالیت‌هایی که مشکوک به نظر می‌رسند، اما در نهایت واقعی هستند، بسیار ماهرند. در نتیجه، اصطکاک در خدمات مالی و تجارت الکترونیک به میزان قابل توجهی کاهش می‌یابد و مشتریان می‌توانند به روش معامله ترجیحی خود اعتماد کنند و مثل سابق پیش بروند. تجزیه و تحلیل تطبیقی رفتار مشتری ، یادگیری ماشین را از طریق مجموعه‌ای از الگوریتم‌های پیچیده، خودکار و خودآموز که فعالیت‌های حساب را بررسی می‌کنند و تیم‌های امنیتی را از ناهنجاری‌ها مطلع می‌کنند، توانمند می‌سازد.
این الگوریتم‌ها برای منعکس‌کردن نوع و فراوانی فعالیت مشتری پروفایل‌های رفتاری پایه را می‌سازند. در هر تعامل – صرف نظر از اینکه پرداختی انجام می‌شود – اطلاعاتی در مورد نوع دستگاه مورد استفاده، نحوه استفاده، مکان آن و میزان خرید جمع آوری و ارزیابی می‌شود. در مجموع، این رفتارها یک پرتره فرضی از مشتری ایجاد می‌کنند که با گذشت زمان به طور فزاینده‌ای دقیق‌تر می‌شوند. سپس هر تعامل بعدی را می‌توان بر اساس سایر رفتارهای مشتری، در عرض چند میلی‌ثانیه اندازه‌گیری کرد تا مشخص شود که آیا فعالیت‌های آنها تقلبی هستند یا واقعی.
به عنوان مثال، اگر یک کاربر، بر خلاف رفتارهای قبلی خود وارد حساب کاربری شود یا به طور ناگهانی شروع به سفارش کالاهایی با قیمت بالا کند، سیستم ناهنجاری را تشخیص داده و فعالیت‌های آیندهی مشتری را مسدود می‌کند.
تجزیه و تحلیل تطبیقی رفتار مشتری همچنین با پردازش حجم داده‌ها و ارائه اطلاعات حیاتی به طور دقیق و فوری، سرعت و راحتی کشف تقلب را بهینه می‌کند. از طریق این بررسی جامع‌تر، این نرم‌افزار مشخصات مشتری را برای درک و تشخیص بهتر روندهای رفتاری بهبود می‌بخشد . منظره‌ای خوشایند برای تیم‌های امنیتی که پیش از این ساعت‌ها برای گزارش پرچم‌های قرمز وقت صرف کرده بودند.
تجزیه و تحلیل تطبیقی رفتار مشتری در کجا می تواند بیشتر مؤثر باشد؟
فراگیر شدن فناوری موبایل، باعث ایجاد مخاطبین مصرف کننده‌ای شده است که ترجیح می دهند تجارت خود را از طریق تلفن هوشمند، تبلت یا دستگاه دیگری انجام دهند که نیاز حضور فیزیکی در یک فروشگاه یا شعبه بانک را حذف می‌کند. این مصرف‌کنندگان به فناوری‌هایی از تلفن همراه نیاز دارند که پیشرو، کاملاً بصری و راحت باشند و طیف کاملی از خدمات را ارائه دهند. درگاه‌های خرید آنلاین یا برنامه‌هایی که به کیف پول‌های تلفن همراه دسترسی دارند، با ورود دیجیتالی به اطلاعات حساب کاربری، احتمال به خطر افتادن اطلاعات اشخاص را افزایش می‌دهند.
اگر تراکنش‌های بیشتری اتفاق بیفتند، حجم تقلب واقعی و رفتارهای منظمی که مشکوک به نظر می‌رسند افزایش می‌یابد. با این حال، تجزیه و تحلیل رفتار مشتری ، تشخیص دقیق‌تر بین تقلب واقعی و فعالیت‌های معمول را ممکن می‌سازد. این یک خط دفاعی مبتکرانه و ضروری است که با تقلب در پرداخت‌ها مبارزه می‌کند و مسیر را برای انجام تراکنش‌های درآمدزاتر هموار می‌کند.
تحلیل رفتار مشتری در سامانه گمانیک
در صورت به سرقت رفتن کارت‌های بانکی و افشای رمز آنها، امکان سوءاستفاده از حساب بانکی توسط مجرمان مالی فراهم است. این افراد تا پیش از اعلام سرقت و مصدودسازی کارت، در کوتاه‌ترین بازه زمانی حداکثر استفاده را کارت بانکی انجام می‌دهند.
سامانه گمانیک با بهره‌مندی از روش‌های یادگیری ماشینی در تشخیص ناهنجاری، رفتار نرمال را از طریق شناسایی و تحلیل رفتار گذشته مشتری شناسایی می‌کند، جامعه‌ی وسیعی از داده‌ها را تعریف می‌کند، مشتریانی که رفتار مشابهی دارند را شناسایی و رفتار نرمال را بر اساس جامعه آماری آنها تعریف می‌کند و در نهایت با همین روش رفتار غیرعادی را بر اساس بررسی الگوی رفتارهای عادی مشتریان کشف می‌کند. سامانه هوشمند گمانیک با اینگونه تحلیل رفتار، ناهنجاری‌های مالی را کشف و گزارش می‌کند.
ترجمه و تلخیص: ارژنگ طالبی‌نژاد
منبع: Using Adaptive Behavioral Analytics to Detect Fraud