Компания Lloyds выявила и заблокировала множество мошеннических транзакций на сумму более 200 000 £ за один месяц, сократив при этом количество ложных результатов

Обзор

Lloyds Banking Group — ведущий британский поставщик услуг расчетных счетов, депозитов, ссуд, кредитных карт и ипотеки, насчитывающий более 30 млн клиентов. Некоторые клиенты банка теперь используют только мобильные устройства, что подчеркивает необходимость ориентированности в первую очередь на мобильные устройства и разрабатывать полнофункциональное мобильное приложение.

Стремление банка — обеспечить более простые и органичные взаимодействия с клиентами в Интернете и через мобильные устройства. Клиенты могут получить доступ к своей учетной записи и выполнять транзакции в режиме реального времени в любое время и в любом месте, избегая сложностей при аутентификации.

Благодаря комбинации передовой поведенческой аналитики и подхода «белого ящика» к машинному обучению Lloyds Banking Group может:

  • Оптимизировать обслуживание клиентов за счет уменьшения количества ложных результатов и меньшего количества нежелательных вмешательств.
  • Обеспечивать большую степень доверия на основе нормального поведения отдельных клиентов.
  • Выявлять сложные и эволюционирующие схемы мошенничества с более высокой степенью точности.

Проблема бизнеса

Глобальные финансовые институты продолжают балансировать между эффективным контролем за мошенничеством и исключительным уровнем обслуживания клиентов. Нелегко найти компромисс. Активное выявление мошенничества не может осуществляться в ущерб оптимизации доступа к онлайн-каналам с полным набором услуг. Однако банки сталкиваются с диверсификацией поведения клиентов, которое становится менее предсказуемым, чем когда-либо прежде. Как следствие, понятие «нормы» становится бесполезным. Мошенники находят все более искусные способы обмана банков и клиентов, создавая совершенные атаки социальной инженерии, жертвами которых становятся даже самые продвинутые с технологической точки зрения компании. Их поведение вызывает даже большее доверие, чем поведение многих благонадежных клиентов.

Банки должны оставаться на передовой продвинутой поведенческой аналитики и интеллектуального машинного обучения, чтобы лучше различать эволюционирующие векторы мошенничества и поведение благонадежных клиентов.

Решение Smart Rules позволило нам адаптировать правила и стратегии в отношении индивидуального поведения, а не предполагать, что все ведут себя одинаково, что, конечно, не так. Мы можем лучше отличать реальное мошенничество от «странного» поведения благонадежного клиента.

Дэниел Холмс, Lloyds Banking Group

Использование расширенной поведенческой аналитики для лучшего распознавания поведения благонадежных клиентов и потенциальных мошенников

ThreatMetrix Smart Rules анализирует поведение на уровне отдельного пользователя, сравнивая текущие данные о событиях с тем, что является нормальным для данного клиента. Этот подход изолирует действительно рискованные транзакции от тех, которые могут показаться необычными, но являются частью обычного поведения клиента в интернете.

Преимущества Smart Rules

  • Настройка динамических порогов, рассчитанных на основе контекста транзакции. Сравнивайте текущие события с историческими данными, относящимися к пользователю.
  • Анализ поведения клиентов на разных уровнях детализации. Smart Rules могут быть определены на уровне пользователя или на уровне объекта, например IP-адреса или устройства.
  • Могут быть определены иерархически путем объединения различных наборов правил: используя только Smart Rules или комбинируя Smart Rules и статические бизнес-правила.

Smart Rules основаны на информации из Сети цифровых профилей ThreatMetrix, в которой аккумулируются сведения миллионов ежедневных взаимодействий с клиентами, включая входы в систему, платежи и заявки на открытие новых учетных записей в тысячах компаний во всем мире.

С помощью этой информации ThreatMetrix создает уникальный цифровой профиль для каждого пользователя, анализируя множество соединений между устройствами, местоположением и анонимизированной личной информацией, предупреждая компании о любых отклонениях с высоким риском.

Решение Smart Rules позволило нам нормализовать использование оправданных инструментов удаленного доступа для лучшего определения изменений в поведении, которые могут указывать на мошенничество. Сократив количество ложных результатов, мы смогли переключиться на доработку нашей стратегии, создавая меньше неудобств для пользователей, но блокируя мошенников.

Дэниел Холмс, Lloyds Banking Group

Расширение успеха интеллектуальных правил с помощью подхода «прозрачного ящика» к машинному обучению

Вслед за успехом Smart Rules для более эффективного выявления подлинного мошенничества Lloyds Banking Group поставила перед ThreatMetrix задачу разработать политику контроля на основе машинного обучения для повышения уровня доверия к благонадежным клиентам, тем самым уменьшая неудобства.

ThreatMetrix объединила данные наблюдений Lloyds с данными Сети цифровых профилей для построения модели Smart Learning, которую Lloyds использовал для расширения своей существующей политики, требующей большего контекста для конкретной транзакции.

Преимущества Smart Learning

  • Машинное обучение ThreatMetrix основано на итеративном подходе для адаптации к изменяющемуся со временем поведению клиентов.
  • Компании могут «выборочно» включать правила, сгенерированные с помощью модели Smart Learning, для расширения своей существующей политики.
  • Другие предложения по машинному обучению требуют дополнительных усилий по очистке данных, поступающих из разрозненных источников, прежде чем они смогут быть использованы платформой машинного обучения. Так как ThreatMetrix Smart Learning использует данные, поступающие из механизма политик ThreatMetrix, данные уже очищены и нормализованы, что экономит время и деньги.

Эта модель машинного обучения в случае развертывания поможет снизить ежедневную нагрузку по управлению отдельными правилами за счет более интеллектуального и автоматизированного способа объединения оценок.

ThreatMetrix Smart Learning дало нам возможность включить схему контроля на базе машинного обучения в текущую политику, что позволило повысить уровень доверия к благонадежным клиентам при входе в систему на 10%. При принятии решений о мошенничестве это позволяет сократить ложные результаты и неудобство для клиентов.

Дэниел Холмс, Lloyds Banking Group

Назначить консультацию

Начать сегодня
close btn

Powered By OneLink