将分析应用于金融机构打击欺诈行为

　　使用数据和其他尖端工具可以帮助组织做出更好的决策，并加强监控欺诈性交易的工作。

　　四十年前，银行欺诈可能只涉及在提款单上伪造账户持有人的签名。现在，这些计划的速度和复杂性令人难以置信：学生银行账户（由犯罪团伙获得的详细信息）收到10,000英镑的付款。几分钟之内，资金就被转移到几十个账户，然后被转发到一个国际账户，那里的线索突然变冷了。没有警钟响起。没有询问银行。欺诈行为只是在很久以后才被发现，此时钱和欺诈者早已不复存在。

　　在全球范围内，欺诈对各种类型的企业来说风险越来越大。Kroll和经济学人智库的2015/16全球欺诈报告发现，在过去一年中，75％的被调查公司是欺诈行为的受害者，比三年前增加了14个百分点。而且，也许不出所料，欺诈对金融机构来说是一个特别严重的问题。金融专业人士协会2016年支付欺诈和控制调查发现，73％的财务专业人士在2015年报告了未遂或实际的付款欺诈行为。

　　由于欺诈问题普遍存在于金融机构，因此很难解决。造成挑战的因素包括大多数机构处理的交易量相对较少，欺诈交易数量相对较少，技术允许欺诈者操作的速度，数据不完整或不完整，以及金融机构之间缺乏信息共享。银行往往缺乏实施必要保护措施的技术和能力，以模拟方式应对主要的数字问题 - 例如，电话呼叫试图将快速一系列资金转移的路径拼凑在一起。

　　对于金融机构而言，数据和分析  可以加快用于观察，定位，决定和打击欺诈行为的决策周期。由于最佳见解通常位于行业或数据集重叠的边缘，因此有必要提出有针对性的问题并从各种信息来源开发解决方案。通过将专有数据集与行业基准和政府信息相结合，金融机构可以使用人工智能，机器学习和分析来对抗金融欺诈。财务主管现在应该采取适当的流程，开发和获取必要的人才，并创建正确的文化，将分析整合到他们的欺诈检测工作中。

定义分析在应对金融欺诈挑战中的作用

　　大量数据流经金融服务组织，因此利用这些数据并对其进行有效分析的能力可以改变行业的欺诈检测工作并提供许多其他好处。将这些丰富的数据集与适当的分析模型相结合，可以更有效地收集识别和预防欺诈所需的信息。在某些情况下，机构的数据可以与提供数据集所需的其他欺诈标记相结合，以训练用于检测可能的欺诈事件的分析模型。

　　对于希望打击欺诈的金融机构和政府机构，目标应该是汇总支持更及时检测所需的现有数据，并将这些数据与创建和应用最有效的欺诈检测模型所需的专业知识相结合。这样做不仅可以节省资金，还可以保护公司的声誉并维护公众的信心。最近的一个示例演示了如何将分析应用于欺诈检测可以提供直接和显着的好处。

新模型检测到前所未有的发票重定向量

　　想象一下，您的CEO会收到一封电子邮件，要求更新主要供应商的付款细节。来自可靠的来源，您可以毫无疑问地执行任务。但在这样做的过程中，您将成为CEO欺诈的不知情的帮凶。在此犯罪中，冒名顶替者可以访问企业电子邮件帐户并使用它们来说服毫无戒心的员工向虚假帐户汇款。首席执行官欺诈从2015年到2016年第三季度增长了270％，并在过去几年导致超过23亿美元的亏损。

　　大多数银行都有手动欺诈检测程序或基于规则的解决方案，但其有效性有限。发票重定向的任务尤其具有挑战性，银行必须发现看起来非常像真实物品的伪造账户。这真的就像在银行交易干草堆中寻找欺诈针。在这种情况下，银行无法知道他们是否在支付合法账户。

　　组装能够准确识别潜在发票重定向的分析模型所需的数据可能是打击欺诈行为的有力武器。QuantumBlack与一家大型银行合作，希望减少发票重定向欺诈 - 从2010年到2015年，这种发票重定向价值约为数千万美元 - 利用其运营所在国家最大的数据集之一。目标是开发一种工具，可以提供可疑交易的每日报告，并在价值和发生率方面识别80％以上的欺诈案例。

　　为了对每天数以百万计的欺诈风险交易进行评分，QuantumBlack构建了一个受监督的机器学习模型（图1）。但是，虽然该模型需要足够大的数据集来学习检测欺诈，但在任何特定日期，潜在欺诈交易的数量都很少，等待自然运营工作流程产生所需数量的时间太长。作为回应，QuantumBlack团队将培训过程与日常操作分离，并创建了一个部分合成的数据集来训练模型。

图一

　　我们的团队与客户的数据工程团队密切合作，以确保计算性能，数据库最佳实践和法律合规性。策划的数据集成功地训练了模型，以确定哪些交易是安全的，哪些交易是潜在的欺诈。

　　在实际使用中，大多数日常交易可以立即归类为非欺诈性的。剩余的几千笔交易通过机器学习模型运行，该模型提供风险评分，指示哪些交易最可疑，哪些交易最安全。通过使用分析来组合每笔交易的价值和风险概率，该模型可以通过风险评分即时对交易进行排名。风险评分的计算考虑了两种不同的交易模式：一种在源账户和目的地账户之间，另一种用于覆盖在目的地账户中建立的关系。

　　结果是，该银行现在拥有一种工具，可以显着提高其检测高价值欺诈交易的能力（图表2）。实时产品在处理的数百万件中每天平均通知银行35笔高风险交易，使银行的欺诈团队能够专注于真正需要进行更密切调查的交易。然后，调查结果将用于继续培训机器学习模型，包括新的欺诈案件以及经证实为安全的新关系。

图二

　　预测模型在交易处理当天识别超过85％的价值和事件中的欺诈案例，允许银行在业务结束前停止交易并收回资金。在实时评分交易的前几周，该模型在欺诈交易中检测到大约100,000美元。其他银行对该产品表示了兴趣，这只是将分析和建模应用于金融欺诈检测领域的第一步。

共同努力，制定实用的解决方案

　　这些用例增强了金融机构利用分析来实施欺诈的真实解决方案的机会。（有关其他金融服务机构如何使用高级分析的观点，请参阅侧栏“机器学习和分析的行业应用程序。”）项目通常涉及将多个参与者带到桌面以汇集培训所需的数据。识别欺诈的模型; 通过大幅减少欺诈损失和提高公众对金融机构的信心，这些共同努力获得了丰厚的回报。

适用于机器学习和分析的行业应用

　　为了从数据分析对抗欺诈的机会中获益，金融机构的高管可以实施一个以四个关键领域为中心的框架：

　　通过有针对性的工具和功能为组织提供支持。在高级分析解决方案之上，通过提供帮助他们了解结果和欺诈标记所需的培训，确保人们可以从分析中获得结果。一个关键因素是创造一种警惕和数据驱动的决策文化。在某些情况下，有必要引进新的人才。

　　重新设计流程以提高速度和效率。确定组织将如何应用或更改其流程以改进欺诈检测，可能涉及更改已报告的信息或使用新工具获取更好的信息。确定数据来源和衡量数据质量的审计可能是这一阶段的一部分。

　　通过有效的沟通动员整个企业。制作  关于欺诈检测工作和新的高级分析功能，如何部署以及预期收益的故事。更重要的是，要弄清楚组织中的每个成员如何改变他或她在日常任务中部署这些功能的方式。使用内部渠道在整个组织内分享故事。

　　激活高级套件。从上到下推动变化。管理人员应参与分析计划，并成为将数据驱动的决策纳入组织各个方面的声音倡导者。

　　最后，机构应确定是建立自己的内部数据科学能力还是与外部组织合作，以弥补分析技能方面的任何差距。

本文摘自金频金服官网：www.jinpinfin.com，原文链接：http://www.jinpinfin.com/news/384