In het verleden was de strijd tegen fraude een beetje wisselvallig. Het vertrouwde op auditors om gedragspatronen te identificeren die gewoon niet helemaal pasten. Vaak ontdekten ze problemen pas maanden na de gebeurtenis. En toen moesten organisaties het gestolen geld terugvorderen via juridische procedures.

In een wereld waar transacties in minder dan een seconde plaatsvinden, is dit echter niet langer acceptabel. We moeten fraude onmiddellijk kunnen detecteren, zo niet voordat het gebeurt. Klanten willen veilige en beschermde gegevens die niet kwetsbaar zijn voor identiteitsdiefstal via bedrijfssystemen. Maar ze willen nog steeds online en in seconden kunnen betalen. Er staat veel op het spel, maar gelukkig stellen nieuwe tools en technieken in fraudeanalyse bedrijven in staat om fraude voor te blijven.

Vertrouwen op machines om het werk te doen

Machines zijn veel beter dan mensen in het verwerken van grote datasets. Ze zijn in staat grote aantallen transacties te onderzoeken en duizenden fraudepatronen te herkennen in plaats van de weinige die worden vastgelegd door regels op te stellen. Aan de andere kant zijn fraudeurs bedreven geworden in het vinden van mazen in de wet. Welke regels u ook instelt, de kans is groot dat ze ze voor kunnen zijn. Maar wat als uw systeem in staat zou zijn om voor zichzelf te denken, althans tot op zekere hoogte?

Nieuwe benaderingen voor fraudepreventie combineren op regels gebaseerde systemen met machine learning en kunstmatige intelligentie -gebaseerde fraudedetectiesystemen. Deze hybride systemen kunnen duizenden fraudepatronen detecteren en herkennen en leren van de data. Geautomatiseerde, analytische fraudedetectiesystemen kunnen nieuwe fraudepatronen aan het licht brengen en de georganiseerde misdaad consistenter, efficiënter en sneller identificeren. Dit maakt ze een goede investering voor bedrijven in een groot aantal sectoren, waaronder de publieke sector, verzekeringen, banken en zelfs de gezondheidszorg of telecommunicatie.

Hoe kunt u echter analyses gebruiken als hulpmiddel in uw strijd tegen fraude?

Identificatie van behoeften en oplossingen

De eerste stap is om te bepalen welke opties u nodig heeft. Waarschijnlijk de beste manier om dit te doen, is door middel van een reeks bedrijfsbrede workshops met experts op het gebied van fraudeanalyse om te bepalen welke analyses u nodig heeft, welke gegevens en technieken u moet gebruiken en welke resultaten u moet rapporteren. Ze kunnen ook de ideale combinatie van op regels gebaseerde en AI/ML-benaderingen identificeren om fraude zo vroeg mogelijk op te sporen.

Bedrijven die op zoek zijn naar geavanceerde analyses voor fraudedetectie, zullen een aantal beslissingen moeten nemen. Ze moeten de bestaande afstemming van scenariodrempels optimaliseren, big data verkennen, machine learning-modellen voor fraude ontwikkelen en interpreteren, relevante informatie in tekstgegevens ontdekken en waarschuwingen prioriteren en automatisch routeren. Er kunnen ook branchespecifieke beslissingen worden genomen, zoals het automatiseren van schadeanalyse door middel van beeldherkenning in de verzekeringssector. Door deze gebieden te automatiseren, kunnen bedrijven zowel de menselijke inspanning aanzienlijk verminderen - de kosten verlagen - als de detectie en preventie van fraude verbeteren.

Voordelen van een analytische benadering

Bedrijven die al een analytische benadering gebruiken voor fraudepreventie, hebben verschillende belangrijke voordelen gemeld. Ten eerste is de kwaliteit van verwijzingen voor nader onderzoek beter. Onderzoekers hebben ook een veel duidelijker beeld van de reden waarom de verwijzing is gedaan, wat de efficiëntie van het onderzoek verbetert. Analytics verbetert ook het onderzoek efficiëntie door het aantal valse positieven (dat wil zeggen waarschuwingen die geen fraude blijken te zijn) en valse negatieven (het niet ontdekken van daadwerkelijke fraude) te verminderen. Dit verbetert de klantervaring en vermindert het risico voor het bedrijf.

Analytics maakt het mogelijk om complexe of georganiseerde fraude aan het licht te brengen die op regels gebaseerde systemen zouden missen. Bedrijven kunnen klanten en accounts met vergelijkbaar gedrag groeperen en vervolgens op risico's gebaseerde drempels instellen die geschikt zijn voor elk scenario.

Er zijn ook verschillende sectorspecifieke voordelen. Zo kunnen verzekeringsmaatschappijen frauduleuze claims sneller opsporen om te voorkomen dat er onterechte betalingen worden gedaan. Claimonderzoek is waarschijnlijk consistenter omdat claims worden gescoord door technologie, algoritmen en analyses, in plaats van door mensen. Ten slotte wordt het mogelijk om het schadeproces te verkorten door middel van geautomatiseerde schadeanalyse. Het is geen wonder dat organisaties in een groot aantal sectoren analyses centraal stellen in hun fraudebestrijdingsstrategie .