Tidligere har bekæmpelsen af svindel været en smule hit-and-miss. Det har været afhængigt af revisorer til at identificere adfærdsmønstre, der bare ikke helt passede. De opdagede ofte først problemer måneder efter begivenheden. Og så måtte organisationer tilbagekræve stjålne midler gennem juridiske processer.
I en verden, hvor transaktioner sker på under et sekund, er dette dog ikke længere acceptabelt. Vi skal være i stand til at opdage svindel med det samme, hvis ikke før det sker. Kunder ønsker sikre og beskyttede data, der ikke er sårbare over for identitetstyveri gennem virksomhedens systemer. Men de vil stadig gerne kunne betale online og på få sekunder. Indsatsen er høj, men heldigvis gør nye værktøjer og teknikker inden for svindelanalyse virksomheder i stand til at være på forkant med svindel.
Maskiner er meget bedre end mennesker til at behandle store datasæt. De er i stand til at undersøge et stort antal transaktioner og genkende tusindvis af svindelmønstre i stedet for de få, der fanges ved at skabe regler. På den anden side er svindlere blevet dygtige til at finde smuthuller. Uanset hvilke regler du sætter, er det sandsynligt, at de vil være i stand til at komme dem foran. Men hvad nu hvis dit system var i stand til at tænke selv, i det mindste til en vis grad?
Nye tilgange til forebyggelse af bedrageri kombinerer regelbaserede systemer med maskinlæring og kunstig intelligens -baserede svindeldetektionssystemer. Disse hybridsystemer er i stand til at opdage og genkende tusindvis af svindelmønstre og lære af dataene. Automatiserede analytisk-baserede svindeldetektionssystemer kan afsløre nye svindelmønstre og identificere organiseret kriminalitet mere konsekvent, effektivt og hurtigt. Dette gør dem til en god investering for virksomheder på tværs af en bred vifte af sektorer, herunder den offentlige sektor, forsikring, bank og endda sundhedspleje eller telekommunikation.
Hvordan kan du dog udnytte analyser som et værktøj i din kamp mod svindel?
Det første skridt er at identificere, hvilke muligheder du har brug for. Sandsynligvis den bedste måde at gøre dette på er gennem en række virksomhedsdækkende workshops med eksperter i bedragerianalyse for at bestemme, hvilke analyser du har brug for, hvilke data der skal inkluderes og teknikker der skal bruges, og hvilke resultater der skal rapporteres. De kan også identificere den ideelle kombination af regelbaserede og AI/ML-tilgange til at opdage svindel så tidligt som muligt.
Virksomheder, der søger avanceret analyse til at opdage svindel, skal træffe en række beslutninger. De bliver nødt til at optimere eksisterende scenarietærskeljustering, udforske big data, udvikle og fortolke maskinlæringsmodeller for svindel, opdage relevant information i tekstdata og prioritere og auto-route advarsler. Der kan også være branchespecifikke beslutninger at tage, såsom automatisering af skadesanalyse gennem billedgenkendelse i forsikringssektoren. Ved at automatisere disse områder kan virksomheder både reducere den menneskelige indsats betydeligt – reducere omkostningerne – og forbedre deres opdagelse og forebyggelse af svindel.
Virksomheder, der allerede bruger en analytisk tilgang til forebyggelse af svindel, har rapporteret om flere vigtige fordele. For det første er kvaliteten af henvisninger til yderligere undersøgelser bedre. Efterforskerne har også en meget klarere idé om, hvorfor henvisningen er foretaget, hvilket forbedrer efterforskningens effektivitet. Analytics forbedrer også undersøgelsen effektivitet ved at reducere antallet af både falske positive (det vil sige advarsler, der viser sig ikke at være svindel) og falske negative (manglende opdagelse af faktiske svindel). Dette forbedrer kundeoplevelsen og reducerer risikoen for virksomheden.
Analytics gør det muligt at afdække kompleks eller organiseret svindel, som regelbaserede systemer ville gå glip af. Virksomheder kan gruppere kunder og konti med lignende adfærd og derefter indstille risikobaserede tærskler, der passer til hvert scenarie.
Der er også flere sektorspecifikke fordele. For eksempel kan forsikringsselskaber identificere svigagtige krav hurtigere for at forhindre ukorrekte betalinger i at gå ud. Undersøgelsen af påstande vil sandsynligvis være mere konsekvent, fordi påstande scores gennem teknologi, algoritmer og analyser, snarere end af mennesker. Endelig bliver det muligt at forkorte skadeprocessen gennem automatiseret skadesanalyse. Det er ikke underligt, at organisationer på tværs af en lang række sektorer placerer analyse i hjertet af deres anti-svigstrategi .