CarderPlanet
Professional
Мы пригласили специалистов по мошенничеству из ведущих финтех-компаний и банков-претендентов по всей Великобритании присоединиться к нам за обедом и обсудить проблемы мошенничества, с которыми они столкнулись.
Нам выпала честь провести мероприятие за круглым столом (хотя стол был V-образной формы) для многих ведущих банков-претендентов и финансовых технологий, появившихся в Великобритании за последние несколько лет. Все компании, присутствующие в зале (Curve, GoHenry, Loot, Monzo, Pockit, Soldo, Starling, WeSwap и World First), добились успеха и завоевывают реальную популярность у людей и бизнеса. Как мы все знаем, с клиентами и успехом приходит мошенничество и попытки мошенничества разных мастей - так что было о чем поговорить, что мы и сделали в соответствии с Правилом Чатем-Хауса.
В Ravelin мы исходим из того, что управлять риском мошенничества можно только с помощью сочетания технологий, данных и сотрудничества между предприятиями - подробнее об этом здесь. Сотрудничество, вероятно, является той частью, которая отстает во многих отношениях больше всего. Компании по-прежнему в основном пытаются устранять угрозы мошенничества одну за другой, что значительно упрощает работу мошенника, а среда становится гораздо более целевой. Подобные мероприятия - это попытка начать понимать, чем можно делиться, где сотрудничество возможно, а где это невозможно,
Системы, основанные на правилах, по-прежнему доминируют по нескольким причинам. Банками движет соблюдение требований, а соблюдение требований часто лучше всего выражается через правило. Но, конечно, это ничего не дает для прогнозирования того, что может быть мошеннической транзакцией или проблемным клиентом. Общее разочарование заключалось в том, что продукты для обнаружения мошенничества на рынке часто полагались на данные, которых у банка не было, то есть на адрес доставки или адрес самовывоза.
Другим распространенным методом был анализ связей - изучение связей подозрительных клиентов или транзакций с целью выявления новых мошенников или выявления мошенников, которые еще не были пойманы. Этот подход, хотя и ценный, был, вероятно, более ручным, чем следовало бы, тем более что поиск часто напоминает ворошение одних и тех же углей.
Стало ясно, что существует аппетит и потребность в сочетании технологий, адаптированных к финтех-индустрии, чтобы помочь им более эффективно предотвращать мошенничество. Мы обсудили возможность нейронных сетей прогнозировать риск для неструктурированных данных, предлагая оценку на основе исторического поведения без необходимости программного определения результата. Графические сети также обладают очевидной привлекательностью для анализа связей - они мгновенно генерируют сетевые диаграммы, которые могут показывать связи на основе многочисленных переменных.
Нам выпала честь провести мероприятие за круглым столом (хотя стол был V-образной формы) для многих ведущих банков-претендентов и финансовых технологий, появившихся в Великобритании за последние несколько лет. Все компании, присутствующие в зале (Curve, GoHenry, Loot, Monzo, Pockit, Soldo, Starling, WeSwap и World First), добились успеха и завоевывают реальную популярность у людей и бизнеса. Как мы все знаем, с клиентами и успехом приходит мошенничество и попытки мошенничества разных мастей - так что было о чем поговорить, что мы и сделали в соответствии с Правилом Чатем-Хауса.
В Ravelin мы исходим из того, что управлять риском мошенничества можно только с помощью сочетания технологий, данных и сотрудничества между предприятиями - подробнее об этом здесь. Сотрудничество, вероятно, является той частью, которая отстает во многих отношениях больше всего. Компании по-прежнему в основном пытаются устранять угрозы мошенничества одну за другой, что значительно упрощает работу мошенника, а среда становится гораздо более целевой. Подобные мероприятия - это попытка начать понимать, чем можно делиться, где сотрудничество возможно, а где это невозможно,
Социальная инженерия
Общей озабоченностью и разочарованием были распространенность и легкость, с которыми люди становятся жертвами мошенничества в области социальной инженерии. Это ситуация, когда люди разглашают пароли и другую личную информацию мошенникам, которым, вооруженным этими данными, может быть очень трудно обнаружить предварительное мошенничество. Легкость, с которой это происходило, заставила многих людей за столом поверить, что весьма вероятно, что люди продавали свои идентификационные данные за небольшие суммы, не осознавая, сколько проблем это доставит им в последующие годы. Ценность онлайн-идентификации должна преподаваться в школах в качестве приоритета наряду с обычным просвещением потребителей о том, как не стать жертвой такого мошенничества.Вероятностное и детерминированное предотвращение мошенничества
Разговор зашел о техниках и технологиях, которые использовали участники круглого стола.Системы, основанные на правилах, по-прежнему доминируют по нескольким причинам. Банками движет соблюдение требований, а соблюдение требований часто лучше всего выражается через правило. Но, конечно, это ничего не дает для прогнозирования того, что может быть мошеннической транзакцией или проблемным клиентом. Общее разочарование заключалось в том, что продукты для обнаружения мошенничества на рынке часто полагались на данные, которых у банка не было, то есть на адрес доставки или адрес самовывоза.
Другим распространенным методом был анализ связей - изучение связей подозрительных клиентов или транзакций с целью выявления новых мошенников или выявления мошенников, которые еще не были пойманы. Этот подход, хотя и ценный, был, вероятно, более ручным, чем следовало бы, тем более что поиск часто напоминает ворошение одних и тех же углей.
Стало ясно, что существует аппетит и потребность в сочетании технологий, адаптированных к финтех-индустрии, чтобы помочь им более эффективно предотвращать мошенничество. Мы обсудили возможность нейронных сетей прогнозировать риск для неструктурированных данных, предлагая оценку на основе исторического поведения без необходимости программного определения результата. Графические сети также обладают очевидной привлекательностью для анализа связей - они мгновенно генерируют сетевые диаграммы, которые могут показывать связи на основе многочисленных переменных.
