Как с помощью аналитики повысить эффективность банковского антифрода?
Размещено на сайте 12.03.2018
Есть два ключевых драйвера развития антифрода: с одной стороны, мошенники быстро адаптируют свои схемы, обходя банковскую защиту, из-за чего та устаревает; с другой стороны — новые банковские продукты и технологии порождают и новые уязвимости. В результате банки вынуждены реагировать на новые вызовы с удвоенной скоростью. Какова роль аналитики в банковском антифроде? Как при помощи аналитических подходов увеличить точность оценки вероятности мошенничества POS-партнеров и повысить эффективность биометрической системы?
Сергей АФАНАСЬЕВ, КБ «Ренессанс Кредит» (ООО), начальник управления расследования мошенничества
Приводятся извлечения из статьи.
Полную версию материала читайте в журнале.
Подписаться
Отложенные мошеннические схемы маловероятны. Поэтому когда проводится поиск уязвимостей в бизнес-процессах банка и рассматриваются гипотетически возможные мошеннические схемы, в первую очередь необходимо прорабатывать «быстрые» схемы.
|
Всегда надо аккуратно относиться к результатам тестирований сервисов фотобиометрии, голосовой биометрии и т.д. Тестирование обычно проводится на маленьких выборках, а в промышленной эксплуатации на больших данных может реализоваться «проклятье дней рождений».
|
Объективно возникающие разнонаправленные изменения конкурентоспособности медицинских организаций в результате цифровой трансформации отрасли будут воздействовать на состояние кредитных портфелей финансовых институтов (косвенное воздействие рисков цифровой трансформации).
|
Необходимо использовать механизмы численного измерения уровней лояльности клиентов и их дальнейшего учета при оценке совокупных банковских рисков.
|
Как показали результаты расчетов, разброс между наиболее «оптимистичным» и наиболее «пессимистичным» прогнозами разных моделей для одной конкретной высоколиквидной компании может в среднем превышать 1%, что позволяет говорить о некоторой противоречивости построенных моделей.
|
Наиболее приемле-мыми моделями, построенными на основе 300-дневной выборки данных, по результатам расчета коэффициента нарушения и стандартного отклонения прогнозируемых значений стали модели HVaR, NVaR и EWMA NVaR (среднее стандартное отклонение прогнозов для всех компаний соответственно 0,44, 0,51 и 0,85%).
|
Наиболее эффективной моделью из числа рассмотренных в рамках нашего исследования является модель EWMA NVaR при уровне статистической значимости 5%.
|
