Kolejny już rok najczęstszymi nadużyciami w sektorze finansów są wyłudzenia produktów kredytowych i pożyczek, a aż 80% firm leasingowych dostrzega wzrost ryzyka ich występowania w porównaniu z rokiem poprzednim.
Jeszcze 2 lata temu instytucje te były na 2 miejscu pod względem zwiększonego prawdopodobieństwa fraudów – wtedy przodowały banki (58%). Kwestię działań podejmowanych ku identyfikacji wyłudzeń w sektorze finansowym zgłębił tegoroczny (2021 r.) raport EY i ZPF, my natomiast skupimy się na gotowych rozwiązaniach. Ale najpierw…
W kolejnej już edycji ankiety wzięły udział 3 główne grupy respondentów:
W mniejszej liczbie ankietowani byli również przedstawiciele takich grup, jak:
W raporcie przedstawiono m.in., że mimo powolnej stabilizacji poziomu ryzyka wyłudzeń (odpowiedź „Intensywność występowania zjawiska nadużyć w ciągu ostatnich 12 miesięcy – bez zmian” 41% w 2020 r. i o 8 punktów procentowych więcej w roku 2021), zagrożenie to wciąż jest wysokie. Publikacja EY i ZPF wskazuje, że wymienione wyżej grupy instytucji finansowych narażone są na coraz bardziej wyszukane sposoby wyłudzeń (np. nowe schematy oszustw). Wyzwaniem w sprawnym wykrywaniu prób nadużyć finansowych jest odróżnienie klienta z mniejszą zdolnością kredytową od oszusta, a technologiczny pakiet AlgoLine stworzony przez Algolytics od lat wspiera instytucje w doskonaleniu tego procesu. Przyjrzyjmy się zatem kwestii opłacalności.
Raport wskazuje, iż prawie 40% instytucji finansowych odnotowało straty na poziomie ponad 500 tys. PLN w samym tylko 2021 roku! Ponad półmilionowy „minus” dotyczył nawet 80% firm leasingowych. Z tym samym problemem zmaga się także 20% instytucji pożyczkowych i 16% banków. Niepokojący jest fakt, iż 13% mniejszych przedsiębiorstw nie posiada wiedzy o stratach poniesionych z powodu nadużyć…
Jak widać, organizacje potrzebują skutecznego sposobu zwalczania problemu fraudów. Standardowym rozwiązaniem jest wyciąganie wniosków na postawie już wychwyconych wyłudzeń i ich prób, a następnie stopniowe zaostrzanie zasad udzielania np. kredytów. Dane z raportu EY i ZPF wskazują jednak, że zaledwie 22% instytucji postrzega swoje przygotowanie do przeciwdziałania nadużyciom jako „dobre”. Co z pozostałą grupą respondentów?
W większości ankietowani są „raczej przygotowani” – to zaś może wskazywać na niedociągnięcia procesowe. Co więcej, to nie kwestia alokacji środków spędza sen z powiek w działach Zarządzania Ryzykiem. W raporcie czytamy, iż:
ICo ciekawe, żaden z respondentów nie stwierdził, iż nakłady te są zbyt duże, a w odpowiedzi na pytanie o ocenę wysokości środków finansowych przeznaczanych aktualnie na rozwiązania antyfraudowe, ¼ ankietowanych skłonna jest zwiększyć wydatki na przeciwdziałanie nadużyciom. I nic w tym dziwnego – jeśli instytucje inwestują w walkę z wyłudzeniami 100 000 zł rocznie – inwestycja ta może się zwracać pięciokrotnie.
Fakt ten rzuca światło na kolejną statystykę – 90% firm leasingowych, 80% instytucji pożyczkowych i 66% ankietowanych banków zauważa wzrost restrykcji w procesie przyznawania finansowania (w porównaniu z rokiem poprzednim). Zdaniem ekspertów Algolytics to połączenie klasycznych reguł scoringowych z algorytmami ML i ewentualną interwencją przedstawiciela instytucji finansowej jest najskuteczniejszym sposobem przeciwdziałania oszustwom. W bankach czy telecomach taka forma nie jest niczym nowym – a jednak niezbędne okazuje się (zwłaszcza w perspektywie coraz nowszych metod wyłudzeń) stałe aktualizowanie procesu antyfraudowego. Odpowiedzią na to wyzwanie jest np. pakiet AlgoLine umożliwiający działanie w modelu „Continuous Training Machine Learning” („ciągłe uczenie maszynowe”; przyp. tłum.) – gdzie każdy „wyłapany” przypadek oszustwa lub jego próby doskonali proces wykrywania nadużyć.
W dobie ogólnodostępnego internetu i całych forach poświęconych coraz sprytniejszym sposobom na wyłudzenia, szansą na stabilną przyszłość sektora finansowego są inteligentne rozwiązania antyfraudowe. Technologia może wykryć próbę wyłudzenia już na etapie formularza kontaktowego. Weźmy na tapet 3 przykładowe use case’y:
W przypadku manipulacji danymi wykrycie jej możliwe jest poprzez automatyczne wywoływanie reguł cross checkingowych. Odnosząc wpisane dane do wielu źródeł informacji za każdym razem, wychwycenie próby manipulacji staje się prostsze. Nieocenione okazuje się być porównanie z danymi historycznymi. Jeśli więc formularz zostanie wypełniony kilka razy, np.:
są to elementy sprawnie wychwytywane przez system. Przykład?
Wśród ostatnich przypadków wyłudzeń, technologia Algolytics wykryła np. małżeństwo, które w około rok złożyło 34 wnioski kredytowe.
A to tylko pojedynczy przypadek!
Podnieśmy więc poprzeczkę – następnym wyzwaniem jest wykrycie użycia skradzionych danych. Wedle badań Algolytics, proces weryfikacyjny musi tu pokryć wiele poziomów, gdyż tradycyjne metody antyfraudowe są niewystarczające.
Ale przejdźmy dalej! Use Case numer 3, czyli wykrycie zmyślonej tożsamości, opierać się będzie na podobnych mechanizmach, co wykrycie użycia skradzionych informacji. Tu znów, oprócz weryfikacji danych w bazach zewnętrznych, warto zautomatyzować także wykrywanie anomalii i powiązań. W przypadku prób wyłudzeń o wyższym wskaźniku ryzyka, np. poprzez kanał Call Center, warto uszczelnić proces już wspomnianym zabezpieczeniem Know Your Customer. Zapewne wszyscy kojarzymy standardowe pytanie o nazwisko panieńskie matki – tu jednak wchodzimy na wyższy, bo geolokalizacyjny poziom wykrywania fraudów.
Zerknij na listę przykładowych 10 pytań, na jakie szybko oraz poprawnie odpowie wyłącznie realna osoba zamieszkująca podany przez nią adres. Pytania generowane są automatycznie – na podstawie aktualnych danych demograficznych i geograficznych. To rozwiązanie sprawdzi się jako element uszczelniający procesy antyfraudowe w każdej organizacji finansowej – od małej instytucji pożyczkowej, aż po banki. Podkreślamy tu jednak, że te przykładowe pytania stanowią część całego procesu weryfikacyjnego.
Przy wykorzystaniu technologii Algolytics, proces ten odbywa się w czasie rzeczywistym i jest niezauważalny dla użytkownika strony internetowej. Skuteczne przeciwdziałanie antyfraudom opiera się na połączeniu mechanizmów w taki sposób, aby zapewnić wygodę użytkowania każdej ze stron – i klientowi, i instytucji finansowej. Gdy dana osoba inicjuje proces udzielenia pożyczki, technologia Algolytics dla Działu Zarządzania Ryzykiem zbiera takie dane, jak m.in.:
W tle odbywa się jednocześnie weryfikacja, analiza i porównanie napływających danych z bazami danych i wartościami historycznymi. Bazując na wyniku procesu weryfikacyjnego, możliwe są 3 dalsze scenariusze działań:
Co ważne, wyniki te dystrybuowane są wielokanałowo – tak, aby i stacjonarny punkt bankowy, i Dział Zarządzania Ryzykiem natychmiastowo miał informację o podejrzanym kliencie. A skoro jesteśmy już przy klientach…
Obecnie algorytmy scoringowe są dostępne w kilka kliknięć, lecz ich wyniki są… niekoniecznie zadowalające. I właśnie dlatego, tworząc technologie przeznaczone instytucjom finansowym, eksperci Algolytics znacząco podnieśli poprzeczkę dla standardowych rozwiązań. Usprawnione zostały takie aspekty, jak m.in.:
A to zaledwie kilka przykładów! Do opisania wszystkich nie starczy nam artykułu 😉
W świetle statystyk z raportu faktem jest, że przeciwdziałanie wyłudzeniom finansowym to proces wymagający eksperckiego podejścia opartego o dane, a jakość technologii istotnie wpływa na wyniki (i zyski). Jeśli więc chcesz, aby nasi eksperci pomogli zminimalizować liczbę wyłudzeń w branży finansowej, zaprezentowali demo autorskich rozwiązań i doradzili, jak skutecznie optymalizować już zachodzące procesy – zapraszamy do kontaktu.
