CarderPlanet
Professional
Развитие технологий, требования клиентов и изменения в моделях электронной коммерции меняют методы работы аналитиков мошенничества. Мы рассмотрим, как это развивалось и к чему готовиться дальше.
В течение многих лет аналитик по борьбе с мошенничеством занимал высокоуважаемую должность в области обнаружения мошенничества, на переднем крае сканирования транзакций. Действовали правила для выявления сомнительных транзакций, и эксперт-человек решал, одобрять транзакцию или нет.
Те времена для большинства онлайн-компаний давно прошли. Большие наборы правил, хотя они часто точны и полезны для выявления мошенничества, слишком сложны в управлении. В мире мгновенного выполнения сокращается период проверки вручную. Огромный сдвиг в сторону электронной коммерции означает, что нанимать достаточное количество людей, чтобы идти в ногу с растущими объемами, не является ни доступным, ни желательным.
Чтобы справиться со скоростью и масштабами онлайн-торговли, на смену некоторым функциям аналитика мошенничества пришли новые технологии. Модели машинного обучения вышли на первый план, и не только потому, что они дешевы и эффективны. Правда в том, что машины лучше справляются с большим количеством задач по анализу транзакций, чем люди. Они не устают. Они не предвзяты. Они могут смоделировать тысячу сценариев за то время, которое требуется человеку, чтобы просмотреть что-то на панели мониторинга. Но машины далеки от совершенства.
Но аналитик может захотеть, чтобы решение адаптировалось до того, как он увидит данные. Примером этого является ситуация, когда аналитик знает о риске мошенничества, которого модель еще не видела, но не может допустить, чтобы мошенничество произошло только для того, чтобы модели научились.
Здесь в игру вступают правила. Можно ввести правило для предотвращения определенной формы мошенничества, чтобы гарантировать отсутствие потерь, пока машина обучается. Вы можете вручную блокировать транзакции, чтобы модель поняла, что они плохие. Модель можно переобучить с использованием синтетических данных, чтобы остановить будущие аналогичные схемы мошенничества.
Это хороший пример роли по проверке вручную и обслуживанию клиентов начального уровня. Описание роли включает в себя некоторые действия, которые либо сложно, либо нежелательно автоматизировать. Например, автоматизировать подачу исков о возврате платежей удручающе сложно, хотя в таких местах, как служба возврата платежей 911 и
компания по возврату платежей, действуют хорошие сервисы. С другой стороны, звонки клиентам никогда не должны автоматизироваться и являются примером того, как мягкие навыки человека обеспечивают ценный индивидуальный подход.
Не следует недооценивать коммуникационный аспект роли аналитика по борьбе с мошенничеством. Решающее значение имеет хорошее общение с клиентами, равно как и общение между командами. Для аналитика ключевым навыком является умение четко объяснить, почему транзакция была остановлена, как коллегам, так и клиентам.
Это описание гораздо больше похоже на то, чем мы занимаемся в нашей исследовательской группе в Ravelin. Речь идет о проведении исследований вне рамок того, что происходит в автоматизированной системе. И это исследование напрямую сосредоточено на улучшении автоматизированного процесса принятия решений.
Навыки работы с SQL очень ценны, и хотя вышеуказанная должность не требует продвинутых навыков работы с данными, она закладывает основу для карьерного роста в этом направлении.
Эти две роли наглядно иллюстрируют сочетание необходимых навыков. У первой меньше сложных навыков, но она показывает важность коммуникации в успешной команде по борьбе с мошенничеством. Второе - очень хороший пример того, какие аналитические навыки аналитик может использовать, когда система машинного обучения выполняет основной анализ транзакций.
До тех пор, пока мошенники сочетают технологии с социальной инженерией, для предотвращения мошенничества потребуется сочетание автоматизации и человеческого понимания. Кроме того, поскольку жертвы мошенничества - это люди, нам необходимо преуспевать в общении и внедрять эмпатию в процессы. Признавая ценную, но раздельную роль технологий и людей, мы можем создать действительно эффективные команды по борьбе с мошенничеством.
В течение многих лет аналитик по борьбе с мошенничеством занимал высокоуважаемую должность в области обнаружения мошенничества, на переднем крае сканирования транзакций. Действовали правила для выявления сомнительных транзакций, и эксперт-человек решал, одобрять транзакцию или нет.
Те времена для большинства онлайн-компаний давно прошли. Большие наборы правил, хотя они часто точны и полезны для выявления мошенничества, слишком сложны в управлении. В мире мгновенного выполнения сокращается период проверки вручную. Огромный сдвиг в сторону электронной коммерции означает, что нанимать достаточное количество людей, чтобы идти в ногу с растущими объемами, не является ни доступным, ни желательным.
Чтобы справиться со скоростью и масштабами онлайн-торговли, на смену некоторым функциям аналитика мошенничества пришли новые технологии. Модели машинного обучения вышли на первый план, и не только потому, что они дешевы и эффективны. Правда в том, что машины лучше справляются с большим количеством задач по анализу транзакций, чем люди. Они не устают. Они не предвзяты. Они могут смоделировать тысячу сценариев за то время, которое требуется человеку, чтобы просмотреть что-то на панели мониторинга. Но машины далеки от совершенства.
Но аналитик может захотеть, чтобы решение адаптировалось до того, как он увидит данные. Примером этого является ситуация, когда аналитик знает о риске мошенничества, которого модель еще не видела, но не может допустить, чтобы мошенничество произошло только для того, чтобы модели научились.
Здесь в игру вступают правила. Можно ввести правило для предотвращения определенной формы мошенничества, чтобы гарантировать отсутствие потерь, пока машина обучается. Вы можете вручную блокировать транзакции, чтобы модель поняла, что они плохие. Модель можно переобучить с использованием синтетических данных, чтобы остановить будущие аналогичные схемы мошенничества.[/COLOR]
Это хороший пример роли по проверке вручную и обслуживанию клиентов начального уровня. Описание роли включает в себя некоторые действия, которые либо сложно, либо нежелательно автоматизировать. Например, автоматизировать подачу исков о возврате платежей удручающе сложно, хотя в таких местах, как служба возврата платежей 911 и компания по возврату платежей, действуют хорошие сервисы. С другой стороны, звонки клиентам никогда не должны автоматизироваться и являются примером того, как мягкие навыки человека обеспечивают ценный индивидуальный подход.
Не следует недооценивать коммуникационный аспект роли аналитика по борьбе с мошенничеством. Решающее значение имеет хорошее общение с клиентами, равно как и общение между командами. Для аналитика ключевым навыком является умение четко объяснить, почему транзакция была остановлена, как коллегам, так и клиентам.
Это описание гораздо больше похоже на то, чем мы занимаемся в нашей исследовательской группе в Ravelin. Речь идет о проведении исследований вне рамок того, что происходит в автоматизированной системе. И это исследование напрямую сосредоточено на улучшении автоматизированного процесса принятия решений.
Навыки работы с SQL очень ценны, и хотя вышеуказанная должность не требует продвинутых навыков работы с данными, она закладывает основу для карьерного роста в этом направлении.
Эти две роли наглядно иллюстрируют сочетание необходимых навыков. У первой меньше сложных навыков, но она показывает важность коммуникации в успешной команде по борьбе с мошенничеством. Второе - очень хороший пример того, какие аналитические навыки аналитик может использовать, когда система машинного обучения выполняет основной анализ транзакций.
До тех пор, пока мошенники сочетают технологии с социальной инженерией, для предотвращения мошенничества потребуется сочетание автоматизации и человеческого понимания. Кроме того, поскольку жертвы мошенничества - это люди, нам необходимо преуспевать в общении и внедрять эмпатию в процессы. Признавая ценную, но раздельную роль технологий и людей, мы можем создать действительно эффективные команды по борьбе с мошенничеством.
В течение многих лет аналитик по борьбе с мошенничеством занимал высокоуважаемую должность в области обнаружения мошенничества, на переднем крае сканирования транзакций. Действовали правила для выявления сомнительных транзакций, и эксперт-человек решал, одобрять транзакцию или нет.
Те времена для большинства онлайн-компаний давно прошли. Большие наборы правил, хотя они часто точны и полезны для выявления мошенничества, слишком сложны в управлении. В мире мгновенного выполнения сокращается период проверки вручную. Огромный сдвиг в сторону электронной коммерции означает, что нанимать достаточное количество людей, чтобы идти в ногу с растущими объемами, не является ни доступным, ни желательным.
Чтобы справиться со скоростью и масштабами онлайн-торговли, на смену некоторым функциям аналитика мошенничества пришли новые технологии. Модели машинного обучения вышли на первый план, и не только потому, что они дешевы и эффективны. Правда в том, что машины лучше справляются с большим количеством задач по анализу транзакций, чем люди. Они не устают. Они не предвзяты. Они могут смоделировать тысячу сценариев за то время, которое требуется человеку, чтобы просмотреть что-то на панели мониторинга. Но машины далеки от совершенства.
Где люди по-прежнему побеждают машины
Машины превосходно справляются с рутинной работой, опираясь на исторические данные. Люди обладают интуицией - мы можем видеть неправильные вещи, даже если раньше их не замечали. Это инстинкт, который мы еще не успели успешно внедрить в машины. Аналитику гораздо лучше разбираться в сложных случаях и новых тенденциях. Цель состоит в том, чтобы затем обучить машину предотвращать будущие происшествия. Хорошей новостью является то, что работа с хорошо внедренной системой ML высвобождает драгоценное время аналитика для выполнения этих более продуктивных задач.Как обучать машины
Общая проблема, связанная с внедрением решения для машинного обучения, заключается в том, как обучить его адаптироваться к опыту мошенничества конкретной компании. На самом деле это вопрос хорошего проектирования системы. В значительной степени машины будут автоматически адаптироваться к получаемым данным.Но аналитик может захотеть, чтобы решение адаптировалось до того, как он увидит данные. Примером этого является ситуация, когда аналитик знает о риске мошенничества, которого модель еще не видела, но не может допустить, чтобы мошенничество произошло только для того, чтобы модели научились.
Здесь в игру вступают правила. Можно ввести правило для предотвращения определенной формы мошенничества, чтобы гарантировать отсутствие потерь, пока машина обучается. Вы можете вручную блокировать транзакции, чтобы модель поняла, что они плохие. Модель можно переобучить с использованием синтетических данных, чтобы остановить будущие аналогичные схемы мошенничества.
Контрастирующие наборы навыков
Так что же насчет отдельных аналитиков в команде по борьбе с мошенничеством, изменили ли технологии требуемые наборы навыков? Вот две выдержки из недавних объявлений о вакансиях на веб-сайте по подбору персонала.Это хороший пример роли по проверке вручную и обслуживанию клиентов начального уровня. Описание роли включает в себя некоторые действия, которые либо сложно, либо нежелательно автоматизировать. Например, автоматизировать подачу исков о возврате платежей удручающе сложно, хотя в таких местах, как служба возврата платежей 911 и
компания по возврату платежей, действуют хорошие сервисы. С другой стороны, звонки клиентам никогда не должны автоматизироваться и являются примером того, как мягкие навыки человека обеспечивают ценный индивидуальный подход.
Не следует недооценивать коммуникационный аспект роли аналитика по борьбе с мошенничеством. Решающее значение имеет хорошее общение с клиентами, равно как и общение между командами. Для аналитика ключевым навыком является умение четко объяснить, почему транзакция была остановлена, как коллегам, так и клиентам.
Описание работы 2
Совсем другие вакансии демонстрируют другой набор навыков, востребованных современными командами по борьбе с мошенничеством.Это описание гораздо больше похоже на то, чем мы занимаемся в нашей исследовательской группе в Ravelin. Речь идет о проведении исследований вне рамок того, что происходит в автоматизированной системе. И это исследование напрямую сосредоточено на улучшении автоматизированного процесса принятия решений.
Навыки работы с SQL очень ценны, и хотя вышеуказанная должность не требует продвинутых навыков работы с данными, она закладывает основу для карьерного роста в этом направлении.
Эти две роли наглядно иллюстрируют сочетание необходимых навыков. У первой меньше сложных навыков, но она показывает важность коммуникации в успешной команде по борьбе с мошенничеством. Второе - очень хороший пример того, какие аналитические навыки аналитик может использовать, когда система машинного обучения выполняет основной анализ транзакций.
До тех пор, пока мошенники сочетают технологии с социальной инженерией, для предотвращения мошенничества потребуется сочетание автоматизации и человеческого понимания. Кроме того, поскольку жертвы мошенничества - это люди, нам необходимо преуспевать в общении и внедрять эмпатию в процессы. Признавая ценную, но раздельную роль технологий и людей, мы можем создать действительно эффективные команды по борьбе с мошенничеством.
В течение многих лет аналитик по борьбе с мошенничеством занимал высокоуважаемую должность в области обнаружения мошенничества, на переднем крае сканирования транзакций. Действовали правила для выявления сомнительных транзакций, и эксперт-человек решал, одобрять транзакцию или нет.
Те времена для большинства онлайн-компаний давно прошли. Большие наборы правил, хотя они часто точны и полезны для выявления мошенничества, слишком сложны в управлении. В мире мгновенного выполнения сокращается период проверки вручную. Огромный сдвиг в сторону электронной коммерции означает, что нанимать достаточное количество людей, чтобы идти в ногу с растущими объемами, не является ни доступным, ни желательным.
Чтобы справиться со скоростью и масштабами онлайн-торговли, на смену некоторым функциям аналитика мошенничества пришли новые технологии. Модели машинного обучения вышли на первый план, и не только потому, что они дешевы и эффективны. Правда в том, что машины лучше справляются с большим количеством задач по анализу транзакций, чем люди. Они не устают. Они не предвзяты. Они могут смоделировать тысячу сценариев за то время, которое требуется человеку, чтобы просмотреть что-то на панели мониторинга. Но машины далеки от совершенства.
Где люди по-прежнему побеждают машины
Машины превосходно справляются с рутинной работой, опираясь на исторические данные. Люди обладают интуицией - мы можем видеть неправильные вещи, даже если раньше их не замечали. Это инстинкт, который мы еще не успели успешно внедрить в машины. Аналитику гораздо лучше разбираться в сложных случаях и новых тенденциях. Цель состоит в том, чтобы затем обучить машину предотвращать будущие происшествия. Хорошей новостью является то, что работа с хорошо внедренной системой ML высвобождает драгоценное время аналитика для выполнения этих более продуктивных задач.Как обучать машины
Общая проблема, связанная с внедрением решения для машинного обучения, заключается в том, как обучить его адаптироваться к опыту мошенничества конкретной компании. На самом деле это вопрос хорошего проектирования системы. В значительной степени машины будут автоматически адаптироваться к получаемым данным.Но аналитик может захотеть, чтобы решение адаптировалось до того, как он увидит данные. Примером этого является ситуация, когда аналитик знает о риске мошенничества, которого модель еще не видела, но не может допустить, чтобы мошенничество произошло только для того, чтобы модели научились.
Здесь в игру вступают правила. Можно ввести правило для предотвращения определенной формы мошенничества, чтобы гарантировать отсутствие потерь, пока машина обучается. Вы можете вручную блокировать транзакции, чтобы модель поняла, что они плохие. Модель можно переобучить с использованием синтетических данных, чтобы остановить будущие аналогичные схемы мошенничества.[/COLOR]
Контрастирующие наборы навыков
Так что же насчет отдельных аналитиков в команде по борьбе с мошенничеством, изменили ли технологии требуемые наборы навыков? Вот две выдержки из недавних объявлений о вакансиях на веб-сайте по подбору персонала.Это хороший пример роли по проверке вручную и обслуживанию клиентов начального уровня. Описание роли включает в себя некоторые действия, которые либо сложно, либо нежелательно автоматизировать. Например, автоматизировать подачу исков о возврате платежей удручающе сложно, хотя в таких местах, как служба возврата платежей 911 и компания по возврату платежей, действуют хорошие сервисы. С другой стороны, звонки клиентам никогда не должны автоматизироваться и являются примером того, как мягкие навыки человека обеспечивают ценный индивидуальный подход.
Не следует недооценивать коммуникационный аспект роли аналитика по борьбе с мошенничеством. Решающее значение имеет хорошее общение с клиентами, равно как и общение между командами. Для аналитика ключевым навыком является умение четко объяснить, почему транзакция была остановлена, как коллегам, так и клиентам.
Описание работы 2
Совсем другие вакансии демонстрируют другой набор навыков, востребованных современными командами по борьбе с мошенничеством.Это описание гораздо больше похоже на то, чем мы занимаемся в нашей исследовательской группе в Ravelin. Речь идет о проведении исследований вне рамок того, что происходит в автоматизированной системе. И это исследование напрямую сосредоточено на улучшении автоматизированного процесса принятия решений.
Навыки работы с SQL очень ценны, и хотя вышеуказанная должность не требует продвинутых навыков работы с данными, она закладывает основу для карьерного роста в этом направлении.
Эти две роли наглядно иллюстрируют сочетание необходимых навыков. У первой меньше сложных навыков, но она показывает важность коммуникации в успешной команде по борьбе с мошенничеством. Второе - очень хороший пример того, какие аналитические навыки аналитик может использовать, когда система машинного обучения выполняет основной анализ транзакций.
До тех пор, пока мошенники сочетают технологии с социальной инженерией, для предотвращения мошенничества потребуется сочетание автоматизации и человеческого понимания. Кроме того, поскольку жертвы мошенничества - это люди, нам необходимо преуспевать в общении и внедрять эмпатию в процессы. Признавая ценную, но раздельную роль технологий и людей, мы можем создать действительно эффективные команды по борьбе с мошенничеством.
