Lợi nhuận:
- Hiểu cách hoạt động của tính năng phát hiện bất thường dựa trên quy tắc và được hỗ trợ bởi trí tuệ nhân tạo cũng như điều gì thúc đẩy quá trình phát hiện gian lận.
- Khả năng phân biệt giữa gian lận thực và dương tính giả thông qua đánh giá của chuyên gia, sử dụng cảnh báo AI làm công cụ sàng lọc trước
- Khả năng cân bằng chi phí của kết quả dương tính giả (sự bất tiện của khách hàng, sự mệt mỏi khi báo động) và nguy cơ của kết quả âm tính giả, đồng thời để con người đưa ra phán quyết cuối cùng
Phát hiện gian lận là một trong những công việc căng thẳng nhất trong ngành ngân hàng vì cả hai sai lầm đều phải trả giá đắt. Nếu bạn bỏ lỡ một gian lận (âm tính giả), khách hàng sẽ mất tiền, ngân hàng mất danh tiếng. Nếu bạn vô tình chặn một giao dịch hợp pháp (dương tính giả), bạn đang biến khách hàng thành nạn nhân, làm xói mòn lòng tin và khóa trung tâm cuộc gọi. Trong lĩnh vực này, AI sẽ quét hàng triệu giao dịch trong vài giây và đánh dấu những giao dịch “bất thường” - nhưng hãy nhớ: AI tạo ra cảnh báo chứ không phải phán quyết. Nhà phân tích có quyền quyết định liệu một giao dịch có thực sự gian lận hay không và phải làm gì với khách hàng.
Trong phần này, chúng ta sẽ tìm hiểu cách hoạt động của tính năng phát hiện bất thường dựa trên quy tắc và được hỗ trợ bởi AI, cách sử dụng cảnh báo làm công cụ sàng lọc trước, cách phân biệt giữa cảnh báo sai và gian lận thực sự cũng như cách quản lý sự cân bằng giữa dương tính giả/âm tính giả.
Hai phương pháp phát hiện: quy tắc và bất thường
- Phát hiện dựa trên quy tắc: Logic "nếu-thì" được xác định trước. Ví dụ: "Cảnh báo nếu có giao dịch ở 3 quốc gia khác nhau bằng cùng một thẻ trong 5 phút." Nó có thể hiểu được và có thể kiểm tra được; nhưng có thể bỏ sót những kiểu lừa đảo mới.
- Phát hiện bất thường được hỗ trợ bởi trí tuệ nhân tạo: Mô hình tìm hiểu hành vi bình thường của khách hàng và đánh dấu bất kỳ sai lệch nào so với hành vi đó. Ví dụ: một giao dịch có số tiền bất thường vào lúc 03:00 vào ban đêm, thông qua một kênh hoàn toàn không được sử dụng. Nó nắm bắt các mô hình mới, nhưng cơ sở lý luận của nó kém minh bạch hơn.
Trong thực tế, các ngân hàng sử dụng cả hai: quy tắc nắm bắt những rủi ro đã biết, mô hình nắm bắt những sai lệch chưa biết.
Gợi ý: "Bất thường" không phải lúc nào cũng có nghĩa là "lừa đảo". Giao dịch của một khách hàng lần đầu đi du lịch nước ngoài cũng là một điều bất thường. Cảnh báo cho bạn biết "nhìn đây" chứ không phải "đây là tội ác".
Sử dụng cảnh báo làm sàng lọc trước
Cảnh báo AI là tín hiệu về khả năng xảy ra. Quy trình làm việc chính xác là thế này:
bước
phải làm gì
quyết định/hành động
1. Cảnh báo
Mô hình đánh dấu giao dịch, cho điểm và giải thích
KHÔNG phán quyết tự động
2. Ưu tiên
Sắp xếp theo điểm rủi ro và số tiền
Nhà phân tích xác định thứ tự
3. Xem xét
Nhà phân tích đọc lịch sử và bối cảnh giao dịch
Báo động thật hay giả?
4. Xác minh
Nếu cần thiết, khách hàng sẽ được gọi thông qua kênh an toàn
Xác nhận của khách hàng
5. Phán quyết
Quyết định phong tỏa/cho phép/thông báo
Nhà phân tích/thích ứng
Điểm quan trọng: cảnh báo không được chặn vĩnh viễn tài khoản nếu không được xem xét. Bước bảo mật tạm thời (ví dụ: tạm dừng giao dịch và xác minh khách hàng) có thể hợp lý; nhưng sự phán xét “kẻ lừa đảo” thuộc về con người.
Cân bằng giữa dương tính giả và âm tính giả
- Dương tính giả: Cảnh báo "lừa đảo" sai đối với giao dịch hợp pháp. Cái giá phải trả: sự bất tiện của khách hàng, chặn thẻ không cần thiết, sự không hài lòng và sự mệt mỏi khi cảnh báo (các nhà phân tích chán ngấy với quá nhiều cảnh báo sai và bỏ lỡ cảnh báo thật).
- Âm tính giả: Thoát khỏi gian lận thực sự. Chi phí: tổn thất tiền tệ trực tiếp và thiệt hại về danh tiếng.
Nếu bạn đặt ngưỡng quá chính xác, kết quả dương tính giả sẽ bùng nổ; Nếu bạn đặt nó quá lỏng lẻo thì gian lận thực sự sẽ thoát ra. Sự cân bằng này không phải là sự điều chỉnh kỹ thuật mà là một quyết định kinh doanh và cần được theo dõi liên tục.
Thận trọng: “Càng cảnh báo càng an toàn” là một trực giác sai lầm. Cảnh giác quá mức khiến nhà phân tích choáng ngợp và khiến mối đe dọa thực sự bị chìm trong tiếng ồn. Chất lượng quan trọng hơn số lượng.
Bốn mẫu có thể sao chép
1) Tóm tắt bối cảnh cảnh báo (trước khi xem xét):
Vai trò của bạn: trợ lý cho nhà phân tích gian lận CHUẨN BỊ cuộc điều tra. Sự phán xét. Dữ liệu giao dịch ẩn danh: giao dịch điển hình trong 90 ngày qua, 200-800 TL, trong nước, ban ngày. Giao dịch được gắn cờ: 03:10, từ thiết bị mới, 9.500 TL, thành phố khác. Nhiệm vụ: Phân loại giao dịch này khác với hồ sơ thông thường như thế nào. Căn cứ từng mục trên dữ liệu. Đừng nói "lừa đảo"; Chỉ cần liệt kê những sai lệch và các câu hỏi cần kiểm tra.
2) Xem lại trình tạo câu hỏi:
Viết vào 5 mục các câu hỏi xác minh không mang tính buộc tội mà nhà phân tích nên HỎI với khách hàng về giao dịch được đánh dấu bên dưới. Các câu hỏi không nên yêu cầu thông tin nhận dạng, chúng phải được viết với giả định về một kênh an toàn. Bối cảnh: thiết bị mới, thời gian và số lượng bất thường.
3) Phân tích dương tính giả:
Vai trò của bạn: trợ lý cung cấp cái nhìn sâu sắc cho nhóm đang tìm cách giảm bớt cảnh báo sai. Tìm các mẫu phổ biến trong danh sách cảnh báo tóm tắt ẩn danh mà tôi sẽ cung cấp cho bạn: tình huống nào có thể hợp pháp nhưng thường xuyên bị gắn cờ? Đừng đưa ra những lời kêu gọi phán xét; chỉ đề xuất các giả thuyết để được xem xét. Danh sách: [giao dịch du lịch, số tiền trả một lần trong ngày lĩnh lương, hóa đơn định kỳ...]
4) Dự thảo biên bản vụ việc (sau khi có quyết định):
Chuyển quyết định và lý do của nhà phân tích thành một bản thảo ghi chú trường hợp gọn gàng cho quá trình kiểm tra. Chỉ sử dụng thông tin đã được xác minh mà bạn cung cấp cho tôi, không thêm thông tin mới. Quyết định và chữ ký thuộc về tôi. Đầu vào: [lý do cảnh báo, xác minh đã thực hiện, xác nhận của khách hàng, quyết định cuối cùng]
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Giao dịch này có gian lận không? Hãy quyết định và cho tôi biết liệu tôi có cần chặn thẻ hay không.
Nó yêu cầu sự đánh giá từ mô hình, không đưa ra bối cảnh, kích hoạt hành động tự động và bỏ qua nguy cơ dương tính giả.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý chuẩn bị đánh giá, không phải người ra quyết định. Phân loại giao dịch theo những sai lệch so với hồ sơ thông thường; Kết nối từng mục với dữ liệu. Không đưa ra phán quyết “lừa đảo”, không khuyến nghị ngăn chặn. Đồng thời liệt kê các câu hỏi cần điều tra và những lời giải thích hợp lý có thể có. Tôi sẽ đưa ra phán quyết và hành động cuối cùng.
Ý chí mạnh mẽ coi cảnh báo như một sự sàng lọc trước, yêu cầu những lời giải thích chính đáng và để lại phán quyết cho nhà phân tích.
ba trường hợp nhỏ
Trường hợp 1 - Gian lận thực sự bị bắt. Mô hình đánh dấu tổng cộng 22.000 giao dịch TL từ thẻ của khách hàng trên 3 trang thương mại điện tử khác nhau trong 5 phút. Nhà phân tích gọi cho khách hàng trên đường dây an toàn; Khách hàng nói: "Tôi không thực hiện giao dịch như vậy." Thẻ bị khóa và các giao dịch bị hủy. Cảnh báo hóa ra là chính xác và quyết định được đưa ra một cách nhân đạo, có xác nhận.
Trường hợp 2 - Ngăn chặn dương tính giả. Mô hình này đánh dấu việc thanh toán khách sạn của khách hàng lần đầu ra nước ngoài là “quốc gia khác, số tiền cao hơn”. Nhà phân tích thấy rằng khách hàng đã mua bảo hiểm du lịch và thanh toán cho hãng hàng không cách đây một tuần. Bối cảnh là hợp pháp; Giao dịch được phát hành. Nếu nó bị chặn tự động, khách hàng sẽ là nạn nhân ở nước ngoài.
Trường hợp 3 - Báo động mệt mỏi. Một đội đặt ngưỡng cực kỳ chính xác; 4.000 cảnh báo bị loại bỏ mỗi ngày, 92% trong số đó là cảnh báo sai. Các nhà phân tích nhanh chóng bắt đầu bác bỏ các cảnh báo là “hợp pháp”. Trong khi đó, một vụ lừa đảo thực sự cũng bị che đậy trong tiếng ồn và việc phát hiện nó bị trì hoãn 3 ngày. Bài học: ngưỡng và chất lượng quy tắc cần được xem xét thường xuyên, quản lý số lượng cảnh báo.
Các loại gian lận và giới hạn của mô hình
Lừa đảo không phải là một chuyện; Sức mạnh của mô hình đối với từng loại cũng khác nhau. Một số loại phổ biến:
- Gian lận thẻ/giao dịch: Giao dịch sử dụng thông tin thẻ bị đánh cắp. Mô hình nắm bắt tốt độ lệch so với mô hình chi tiêu.
- Chiếm đoạt tài khoản: Kẻ lừa đảo đăng nhập vào tài khoản của khách hàng. Thiết bị gợi ý về sự thay đổi về vị trí và hành vi.
- Kỹ thuật xã hội / thuyết phục lừa đảo: Khách hàng bị lừa tự mình gửi tiền. Đây là điều khó khăn nhất: các tín hiệu bất thường cổ điển rất yếu vì giao dịch được thực hiện bởi "chính khách hàng".
Loại cuối cùng cho thấy điểm mù của mô hình: các giao dịch có vẻ “bình thường” về mặt kỹ thuật nhưng lại có sự thao túng đằng sau chúng. Đó là lý do tại sao trong một số cảnh báo, vấn đề thực sự không phải là bản thân giao dịch mà là vấn đề nói chuyện với khách hàng và hỏi "có ai đó đã hướng dẫn bạn thực hiện giao dịch chuyển khoản này không?" là để hiểu. Người mẫu không thể nhìn thấy điều này; có thể nhìn thấy cuộc trò chuyện của con người
Mẹo: Ngay cả khi giao dịch vượt qua tất cả các bước kiểm tra kỹ thuật, các tín hiệu cho thấy khách hàng đang vội, hoảng sợ hoặc hành động “theo lệnh của ai đó” có thể cho thấy gian lận thực sự. Chỉ có một nhân viên nắm bắt được bối cảnh con người này; Giới hạn của mô hình là ở đây.
Những lỗi thường gặp
- Nhầm lời cảnh báo là một bản án. Tự động nhận dấu hiệu người mẫu là “lừa đảo” và khóa tài khoản vĩnh viễn.
- Đưa ra quyết định mà không cần đọc ngữ cảnh. Bỏ qua lịch sử giao dịch và giải thích hợp pháp.
- Gọi điện cho khách hàng với ngôn ngữ buộc tội. Cần xác minh "bạn có thực hiện giao dịch này không?" chứ không phải "bạn có phạm tội lừa đảo".
- Không bao giờ xem xét ngưỡng. Không theo dõi tỷ lệ dương tính giả, không thấy báo động mệt mỏi.
- Không để lại dấu vết kiểm toán. Không ghi lại lý do căn bản cho quyết định và việc xác minh được thực hiện.
Mẹo: Một nhóm chống gian lận giỏi được đo lường bằng các cảnh báo sai mà nhóm ngăn chặn cũng như các trường hợp thực tế mà nhóm phát hiện được. Việc theo dõi hai số liệu cùng nhau sẽ giúp hệ thống hoạt động tốt.
Tóm lại
Trong phát hiện gian lận, các quy tắc nắm bắt những rủi ro đã biết và các mô hình trí tuệ nhân tạo nắm bắt những sai lệch chưa xác định. Nhưng mô hình đưa ra cảnh báo chứ không phải phán xét. Sử dụng cảnh báo làm công cụ sàng lọc trước: ưu tiên, đọc ngữ cảnh, xác minh khách hàng qua kênh bảo mật nếu cần và đưa ra đánh giá một cách nhân đạo. Những thông tin sai lệch khiến khách hàng thất vọng và mệt mỏi; âm tính giả mang lại tổn thất trực tiếp — số dư này được theo dõi liên tục. Trong một câu: AI nêu bật nghi phạm; Việc xác định hành vi gian lận được đưa ra bởi người có thẩm quyền.
Nhiệm vụ ứng dụng
Xác định hồ sơ khách hàng ẩn danh (phạm vi giao dịch, thời gian, kênh thông thường) và giao dịch được gắn cờ. Tạo bản tóm tắt sai lệch với mẫu 1, tạo câu hỏi xác thực bằng mẫu 2. Sau đó, hãy tưởng tượng hai tình huống: một là lừa đảo thực sự, một là bất thường hợp pháp (ví dụ: du lịch). Đối với cả hai, hãy viết ra thông tin ngữ cảnh nào sẽ thay đổi quyết định của bạn và đưa ra quyết định cuối cùng.
danh sách kiểm tra
- [ ] Tôi coi cảnh báo như một tín hiệu xác định trước chứ không phải một phán xét.
- [ ] Tôi đã xem lại lịch sử giao dịch và những lời giải thích hợp lý có thể có.
- [ ] Khi cần thiết, tôi đã xác minh khách hàng thông qua một kênh an toàn mà không đổ lỗi.
- [ ] Tôi quan sát thấy số dư dương/âm sai; Tôi nghĩ về sự mệt mỏi báo động.
- [ ] Tôi đã ghi lại quyết định, lý do đưa ra và xác minh.
- [ ] Tôi đã đưa ra phán quyết và chịu trách nhiệm cuối cùng.