Keuntungan:
- Memahami cara kerja deteksi anomali berbasis aturan dan didukung kecerdasan buatan dan apa yang mempercepatnya dalam deteksi penipuan.
- Kemampuan untuk membedakan antara penipuan nyata dan kesalahan positif melalui tinjauan ahli, menggunakan peringatan AI sebagai pra-penyaringan
- Kemampuan untuk menyeimbangkan biaya positif palsu (ketidaknyamanan pelanggan, kelelahan alarm) dan risiko negatif palsu, dan menyerahkan keputusan akhir kepada manusia.
Deteksi penipuan adalah salah satu pekerjaan yang paling menegangkan di perbankan karena kedua kesalahan tersebut harus dibayar mahal. Jika Anda melewatkan penipuan (negatif palsu), nasabah kehilangan uangnya, bank kehilangan reputasinya. Jika Anda secara tidak sengaja memblokir transaksi yang sah (positif palsu), Anda menjadikan pelanggan sebagai korban, merusak kepercayaan, dan mengunci pusat panggilan. Di bidang ini, AI memindai jutaan transaksi dalam hitungan detik dan menyoroti transaksi yang “tidak biasa” — namun ingat: AI menghasilkan peringatan, bukan keputusan. Terserah analis untuk memutuskan apakah suatu transaksi benar-benar penipuan dan apa yang harus dilakukan terhadap pelanggan.
Dalam unit ini, kita akan melihat cara kerja deteksi anomali berbasis aturan dan bantuan AI, cara menggunakan peringatan sebagai pra-penyaringan, cara membedakan antara alarm palsu dan penipuan nyata, dan cara mengelola keseimbangan positif/negatif palsu.
Dua pendekatan deteksi: aturan dan anomali
- Deteksi berbasis aturan: Logika "jika-maka" yang telah ditentukan sebelumnya. Misalnya, “Peringatkan jika ada transaksi di 3 negara berbeda dengan kartu yang sama dalam 5 menit.” Hal ini dapat dimengerti dan dapat diaudit; namun mungkin melewatkan jenis penipuan baru.
- Deteksi anomali yang didukung kecerdasan buatan: Model mempelajari perilaku normal pelanggan dan menandai setiap penyimpangan dari perilaku tersebut. Misalnya transaksi dengan jumlah yang tidak biasa pada pukul 03.00 malam, melalui channel yang tidak digunakan sama sekali. Pendekatan ini menangkap pola-pola baru, namun landasan pemikirannya kurang transparan.
Dalam praktiknya, bank menggunakan keduanya: aturan mencakup risiko yang diketahui, dan model mencakup penyimpangan yang tidak diketahui.
Petunjuk: "Anomali" tidak selalu berarti "penipuan". Transaksi nasabah yang baru pertama kali bepergian ke luar negeri juga merupakan anomali. Peringatan tersebut memberitahu Anda "lihat di sini", bukan "ini adalah kejahatan".
Menggunakan peringatan sebagai pra-penyaringan
Peringatan AI adalah sinyal kemungkinan. Alur kerja yang benar adalah ini:
langkah
apa yang harus dilakukan
keputusan/tindakan
1. Peringatan
Model menandai transaksi, memberikan skor dan pembenaran
TIDAK ADA putusan otomatis
2. Prioritas
Diurutkan berdasarkan skor risiko dan jumlah
Analis menentukan urutannya
3. Tinjauan
Analis membaca riwayat dan konteks transaksi
Alarm nyata atau palsu?
4. Verifikasi
Jika perlu, pelanggan dipanggil melalui saluran aman
Konfirmasi pelanggan
5. Penghakiman
Keputusan pemblokiran/pelepasan/pemberitahuan
Analis/penyesuai
Poin penting: peringatan tidak boleh memblokir akun secara permanen tanpa ditinjau. Langkah keamanan sementara (misalnya menangguhkan transaksi dan memverifikasi pelanggan) mungkin masuk akal; tapi penilaian "penipu" adalah milik manusia.
Keseimbangan positif palsu dan negatif palsu
- Positif palsu: Peringatan "penipuan" yang salah terhadap transaksi yang sah. Kerugiannya: ketidaknyamanan pelanggan, pemblokiran kartu yang tidak perlu, ketidakpuasan, dan kelelahan akibat peringatan (analis menjadi muak dengan terlalu banyak peringatan palsu dan melewatkan peringatan yang sebenarnya).
- Negatif palsu: Lolos dari penipuan nyata. Biaya: kerugian moneter langsung dan kerusakan reputasi.
Jika Anda menetapkan ambang batas terlalu tepat, hasil positif palsu akan meledak; Jika Anda mengaturnya terlalu longgar maka penipuan yang sebenarnya akan lolos. Keseimbangan ini bukanlah penyesuaian teknis, melainkan keputusan bisnis dan harus terus dipantau.
Perhatian: “Semakin banyak peringatan, semakin aman” adalah intuisi yang salah. Kewaspadaan yang berlebihan membuat analis kewalahan dan menyebabkan ancaman nyata hilang dalam kebisingan. Kualitas lebih penting daripada kuantitas.
Empat templat yang dapat disalin
1) Ringkasan konteks peringatan (sebelum ditinjau):
Peran Anda: asisten analis penipuan. MEMPERSIAPKAN penyelidikan. Keputusan. Data transaksi anonim: transaksi biasa dalam 90 hari terakhir, 200-800 TL, domestik, siang hari. Transaksi yang ditandai: 03:10, dari perangkat baru, 9,500 TL, kota berbeda. Tugas: Merinci bagaimana transaksi ini menyimpang dari profil biasanya. Dasarkan setiap item pada data. Jangan katakan "penipuan"; Cukup buat daftar penyimpangan dan pertanyaan untuk diperiksa.
2) Tinjau pembuat pertanyaan:
Tuliskan dalam 5 item pertanyaan verifikasi yang tidak menuduh yang harus ditanyakan analis kepada pelanggan untuk transaksi yang ditandai di bawah ini. Pertanyaan tidak boleh menanyakan informasi identifikasi, melainkan harus ditulis dengan asumsi saluran aman. Konteks: perangkat baru, waktu dan jumlah yang tidak biasa.
3) Analisis positif palsu:
Peran Anda: asisten yang memberikan wawasan kepada tim yang ingin mengurangi alarm palsu. Temukan pola umum dalam daftar peringatan ringkasan anonim yang akan saya berikan kepada Anda: situasi mana yang mungkin sah tetapi sering ditandai? Jangan membuat keputusan yang menghakimi; cukup sarankan hipotesis untuk ditinjau. Daftar: [transaksi perjalanan, pembayaran sekaligus, tagihan berulang...]
4) Draf catatan kasus (setelah keputusan):
Ubah keputusan dan alasan analis menjadi draf catatan kasus yang rapi untuk jejak audit. Gunakan hanya informasi terverifikasi yang Anda berikan kepada saya, jangan tambahkan informasi baru. Keputusan dan tanda tangan adalah milik saya. Masukan: [alasan peringatan, verifikasi dilakukan, konfirmasi pelanggan, keputusan akhir]
Perintah lemah / Perintah kuat
Perintah yang lemah:
Apakah ini penipuan transaksi? Putuskan dan beri tahu saya apakah saya perlu memblokir kartu tersebut.
Hal ini meminta penilaian dari model, tidak memberikan konteks, memicu tindakan otomatis, dan mengabaikan risiko positif palsu.
Perintah yang kuat:
Peran Anda: asisten persiapan tinjauan, bukan pengambil keputusan. Merinci transaksi untuk penyimpangan dari profil biasanya; Hubungkan setiap item ke data. Jangan mengeluarkan putusan "penipuan", tidak menyarankan pemblokiran. Cantumkan juga pertanyaan-pertanyaan yang akan diselidiki dan kemungkinan penjelasan yang sah. Saya akan membuat keputusan dan tindakan terakhir.
Pihak yang kuat akan memposisikan peringatan tersebut sebagai penyaringan awal, menuntut penjelasan yang sah, dan menyerahkan penilaian kepada analis.
tiga kasus mini
Kasus 1 — Penipuan nyata tertangkap. Model ini menandai total 22.000 transaksi TL dari kartu pelanggan di 3 situs e-commerce berbeda dalam 5 menit. Analis memanggil klien pada jalur aman; Pelanggan berkata, "Saya tidak melakukan transaksi seperti itu." Kartu diblokir dan transaksi dibatalkan. Peringatan itu ternyata benar dan keputusan diambil secara manusiawi, dengan konfirmasi.
Kasus 2 — Positif palsu dapat dicegah. Model ini menandai pembayaran hotel dari pelanggan yang pergi ke luar negeri untuk pertama kalinya sebagai "negara berbeda, jumlah lebih tinggi". Analis melihat bahwa pelanggan membeli asuransi perjalanan dan membayar maskapai tersebut seminggu yang lalu. Konteksnya sah; Transaksi dilepaskan. Jika otomatis diblokir, nasabah di luar negeri akan menjadi korban.
Kasus 3 — Alarm kelelahan. Satu tim menetapkan ambang batas dengan sangat tepat; 4.000 peringatan dihilangkan setiap hari, 92% di antaranya merupakan positif palsu. Analis dengan cepat mulai menolak peringatan tersebut dan menganggapnya “sah.” Sementara itu, penipuan sebenarnya juga ditutupi oleh kebisingan dan pendeteksiannya tertunda selama 3 hari. Pelajaran: ambang batas dan kualitas peraturan harus ditinjau secara berkala, jumlah peringatan harus dikelola.
Jenis penipuan dan batasan modelnya
Penipuan bukanlah satu hal; Kekuatan model terhadap masing-masing tipe juga berbeda-beda. Beberapa tipe umum:
- Penipuan kartu/transaksi: Transaksi menggunakan informasi kartu curian. Model ini menangkap penyimpangan dari pola belanja dengan baik.
- Pengambilalihan akun: Penipu masuk ke akun pelanggan. Perangkat memberi petunjuk tentang perubahan lokasi dan perilaku.
- Rekayasa sosial/persuasi penipuan: Pelanggan ditipu untuk mengirimkan uangnya sendiri. Ini yang paling sulit: sinyal anomali klasik lemah, karena transaksi dilakukan oleh "klien sendiri".
Jenis terakhir menunjukkan titik buta model: transaksi yang secara teknis tampak "normal" namun memiliki manipulasi di baliknya. Itu sebabnya dalam beberapa peringatan, masalah sebenarnya bukanlah transaksi itu sendiri, melainkan pembicaraan dengan pelanggan dan menanyakan "apakah seseorang mengarahkan Anda untuk melakukan transfer ini?" adalah memahami. Model tidak dapat melihat hal ini; dapat melihat percakapan manusia.
Tip: Sekalipun suatu transaksi lolos semua pemeriksaan teknis, sinyal bahwa pelanggan sedang terburu-buru, panik, atau bertindak “atas perintah seseorang” dapat menunjukkan penipuan nyata. Hanya satu karyawan yang menangkap konteks kemanusiaan ini; Batasan modelnya ada di sini.
Kesalahan umum
- Salah mengartikan peringatan itu sebagai sebuah putusan. Secara otomatis menerima tanda model sebagai "penipuan" dan memblokir akun secara permanen.
- Mengambil keputusan tanpa membaca konteksnya. Mengabaikan riwayat transaksi dan penjelasan yang sah.
- Memanggil pelanggan dengan bahasa yang menuduh. Penting untuk memverifikasi "apakah Anda melakukan transaksi ini?", bukan "Anda melakukan penipuan".
- Jangan pernah meninjau ambang batas. Tidak memantau tingkat positif palsu, tidak melihat kelelahan alarm.
- Tidak meninggalkan jejak audit. Kegagalan untuk mendokumentasikan alasan keputusan dan verifikasi yang dilakukan.
Tip: Tim penipuan yang baik diukur dari alarm palsu yang dicegahnya serta kasus aktual yang berhasil ditangkapnya. Melacak kedua metrik secara bersamaan akan menjaga sistem tetap sehat.
Singkatnya
Dalam deteksi penipuan, aturan menangkap risiko yang diketahui dan model kecerdasan buatan menangkap penyimpangan yang tidak diketahui. Namun model tersebut menghasilkan peringatan, bukan penilaian. Gunakan peringatan sebagai pra-penyaringan: prioritaskan, baca konteksnya, verifikasi pelanggan melalui saluran aman jika perlu, dan buat penilaian secara manusiawi. Positif palsu menciptakan frustrasi pelanggan dan kelelahan; negatif palsu membawa kerugian langsung — keseimbangan ini terus dipantau. Dalam satu kalimat: AI menyoroti tersangka; Penilaian penipuan dibuat oleh orang yang kompeten.
Tugas aplikasi
Tentukan profil pelanggan anonim (rentang perdagangan umum, waktu, saluran) dan perdagangan yang ditandai. Buat ringkasan penyimpangan dengan template 1, buat pertanyaan validasi dengan template 2. Lalu bayangkan dua skenario: satu adalah penipuan nyata, satu lagi merupakan anomali yang sah (misalnya perjalanan). Untuk keduanya, tuliskan informasi konteks apa yang akan mengubah keputusan Anda dan membuat keputusan akhir.
daftar periksa
- [ ] Saya menganggap peringatan itu sebagai sinyal pra-kualifikasi, bukan penilaian.
- [ ] Saya meninjau riwayat transaksi dan kemungkinan penjelasan yang sah.
- [ ] Bila perlu, saya memverifikasi pelanggan melalui saluran yang aman, tanpa menyalahkan.
- [ ] Saya mengamati keseimbangan positif/negatif palsu; Saya memikirkan tentang kelelahan karena alarm.
- [ ] Saya telah mencatat keputusan, justifikasinya, dan verifikasi yang dilakukan.
- [ ] Saya mengambil keputusan dan tanggung jawab terakhir.