Çevrim içi dolandırıcılıklar, dijital dünyadaki hedeflerinize ulaşmanız için ciddi tehditleri beraberinde getiriyor. Bu tehditlerin en kritiği ise sahtekarlıklarla birlikte doğan yanlış-pozitif (false-positive) vakalar. Dolandırıcılık tespitinde yanlış pozitifler ve bunlardan doğan maliyetler, risk değerlendirmesi alanında çalışan ekipler için ana zorluklardan biridir. Yanlış pozitifler işletmelere yılda onlarca, hatta yüz milyonlarca TL kayba mal olabilir. Dolandırıcılığı önlemenin en temel anahtarlarından biri, dolandırıcılıkta yanlış pozitiflerle ilgili potansiyel maliyetleri azaltırken riske maruz kalmanızı en aza indirmenizi sağlayan doğru fraud tespiti aracına sahip olmaktır.
Hedeflerinize giden yoldaki engelleri kaldırmak için yanlış-pozitif oranlarınızı nasıl azaltacağınızı öğrenin!
İşletmeler bu günlerde proaktif. Küresel olarak belirlenen çevrim içi topluluklar tarafından oluşturulan standartlarda gelişmeye çalışmak, dijitalde var olmaya çalışan tüm işletmelerin önceliğidir. Dijital endüstri dünyası, çevrim içi dolandırıcılık gibi tuzaklarla dolu. Dijitalde endüstrileşme riskleri de umut verici faydalarla birlikte geliyor. Bu çevrim içi sahtekarlıklar, içinde bulunduğumuz dijital çağda dijitaldeki hedefleriniz için ciddi tehditler oluşturuyor ve yanlış pozitif olarak ifade edilen ters saptamalar bu çevrim içi sahtekarlıkların negatif etkilerinin merkezinde bulunuyor. Yanlış-pozitifler, sorunsuz müşteri deneyimine ve dolayısıyla işinizin büyümesine maddi kayıplardan daha büyük zararlar verebilir.
Bu problemleri ele aldığımızda aşağıdaki gibi yanıtlanması gereken önemli bir dizi soruya da yanıt bulmak gerekiyor.
1- Müşterilerinizi fraud saldırılarından korumanın bir yolu var mı?
2- Fraud tespitinde yapay zeka kalıcı bir çözüm olarak ne sunuyor?
3- Yapay zeka ile yanlış pozitif oranını azaltmak mümkün mü?
Bu soruların yanıtlarını aşağıda sizin için bir araya getirdik.
Dolandırıcılık Tespitinde Yanlış Pozitif Nedir ve Nasıl Müşteri Kaybına Yol Açar? Müşterileri Korumanın Bir Yolu Var mı?
Dolandırıcılık tespitinde yanlış-pozitif (false-positive) olarak ifade edilen kavram aslında tamamen bir hesaplama, saptama veya algılama hatasıdır. Yanlış-pozitif bir durum meydana geldiğinde, meşru yani gerçek bir müşteri veya işlem, yanlış alarm verilerek şüpheli olarak tanımlanır. Tipik olarak sistemde bir yanlış-pozitif olması durumunda, müşterinin girişi veya işlemi reddedilir. Bir yanlış-pozitif hata, gerçek bir müşterinin veya yasal bir işlemin riskli bir işlem ya da dolandırıcılık faaliyeti olarak tanımlandığı yanlış bir tespit hatasıdır.
Hem yanlış-pozitifler hem de yanlış-negatifler, işletmelere oldukça zarar verir. Yanlış-pozitifler özellikle bankacılık sektöründe maddi kayıpların yanı sıra müşteri ve itibar kaybı gibi kritik zararlara yol açar. Uzman anket çalışmaları, bankacılık sektörü düşünüldüğünde yanlış-pozitif oranların %90’a kadar çıkabileceğini belirtiyor. Bu noktada, paydaşlar/müşteriler, hoş olmayan bir deneyimle sonuçlanan işlemi yeniden tekrar etmek zorunda kaldıkları için dijital müşteri deneyimleri olumsuz yönde etkilenir.
Yanlış-Pozitif Ne Zaman ve Neden Oluşur?
Risk operasyonlarının çoğu alt kümesi gibi, şirketinizin ihtiyacını tam olarak karşılayamayan dolandırıcılık tespit araçları da müşterilerinizin deneyimini sorunsuz deneyimlerden ödün vermeye yatkın hale getirebilir. Yanlış-pozitifler, kullanılan dolandırıcılık tespit aracındaki hatalardan ya da yetersiz geliştirmelerden kaynaklanan kritik hasarlar oluşturabilir. Örneğin, gerçek bir müşteri bankanın dolandırıcılık tespit sistemi tarafından yanlışlıkla dolandırıcı olarak tanımlanabilir. Banka, dolandırıcılık olarak görülebilecek kalıpları ve şüpheli faaliyetleri belirlemek için sistemi geliştirebilecek hareket kabiliyetine sahip olmalıdır. Dahası bu araçlar yeni sistemlere kolayca entegre olabilmeli ve veri anlamlandırma sırasında yapay zekadan faydalanmalıdır.
Geliştirilen bu kalıplar banka tarafından ya da bir kural motoru aracılığı ile SML (Security Market Line ) sistemlerine bir veri olarak tanımlanır. Muhtemelen bu tanımlamalar basit bir itibar listesi ya da kara listeye dayalı olur. Titiz programlamaya rağmen, dolandırıcılık metotlarının günden güne gelişen doğası ile birlikte kural ve liste tabanlı sistemlerdeki açıklar ortaya çıkar. Bu durum da büyük ölçüde gerçek işlemlerin şüpheli işlemler ile karıştırılarak meşru müşterilerin dolandırıcı olarak etiketlenmesine ve suçlanmasına yol açabilir.
SML söz konusu olduğunda, tecrübeleri ile çalışan ve hileli olarak kabul edilmesi gereken işlemleri sisteme tanıtmak için bir profesyonel analist gerekir. SML gibi kural motorları eski deneyimlere dayanır, reaktiftir ve analistlerin kuralları güncellemeye devam etmesini gerektirir. Bu durum, SML ve kural motorlarını hızlı hareket eden dolandırıcılık taktikleriyle başa çıkmak için daha yetersiz hale getirir. Ayrıca, itibar listesi kesin olamayacak kadar savunmasızdır ve bozulabilir.
Neden Yanlış-Pozitif Oranını Düşürmek Dolandırıcılığın Kendisini Azaltmaktan Daha Önemlidir?
Meşru bir müşterinin kredi kartı işlemine ilişkin yanlış bir suçlama veya yanlış bilgilendirilmiş red, müşterinizin işinize şirketinize karşı olumsuz bir tavır sergilemesine sebebiyet verebilir; bu müşteriyi küçük düşürme senaryoları, işletmelere dolandırıcılığın onlara yapabileceklerinden daha pahalıya mal olur. Suçlanan müşteriler, bu tür bir işlem reddinden sonra büyük ölçüde bankalarını değiştirmeyi tercih etmektedir. Dolandırıcılığı önlemeye yönelik adımlar attığınız halde böyle bir itibar kazanmak, iyi bir değiş tokuş değildir. Müşterilerde oluşan bu memnuniyetsizliğin işletme üzerinde çok ciddi sonuçları olmaktadır. Bu nedenle, yanlış-pozitifleri azaltmak, dolandırıcılığın kendisini azaltmaktan daha önemlidir.
Yapay Zeka Yanlış-Pozitif Oranları Nasıl Azaltabilir?
Yanlış-pozitif oranını düşürmenin temel gereksinimlerinden biri, normal eylemleri sahte olanlardan ayırt edebilen, satıcılardan alınan, analiz edilebilir gerçek ve bütünsel verilere sahip olmaktır, çünkü dolandırıcılar gerçek müşterileri taklit edebilir ve sistemdeki zayıflığı kullanabilir. Dolandırıcılık yöntemleri gelişen teknoloji ile paralel olarak değişmeye devam ederken ideal çözüm onların hızla değişen yöntemlerine ve artan hızına ayak uydurabilmelidir. Ayrıca, dolandırıcılığın uzun vadeli varlığı, çok sayıda benzersiz örnekle karşılaşabilecek bir karşı önlem gerektirir.
Yapay zeka, en yetenekli insan analistlerinin bile gözden kaçırdığı dolandırıcılık faaliyetlerini tanımlayabildiğinden, yapay zekâ destekli dolandırıcılık tespit teknolojileri, tüm bu gereksinimleri diğer çözümlerden daha fazla karşılar. Gerçek zamanlı verilere erişime sahip makine öğrenimi, sizin/satıcının iyi analiz edilmiş kararlar vermesini ve yanlış-pozitiflere yol açan yanlış alarmları azaltmasını sağlayabilir. Makineler, daha fazla girdi verisine sahip olduklarında daha verimlidirler. Büyük veri kaynaklarına sahip makineler, tespitlerinde çok daha hassastır. Dolandırıcılık tespit sisteminin başarısız olmasının nedenlerinden biri, tespit sistemlerinin neyin dolandırıcılık olarak değerlendirildiği konusunda durağan bir anlayışa sahipken, dolandırıcılık yöntemlerinin gelişmesidir.
Gelişen dolandırıcılık yöntemleri, sistemin durgunlaşmasını önlemek ve dolandırıcılık tespit yaklaşımını daha dinamik hale getirmek için makinelerin sürekli öğrenmesiyle ele alınmalıdır. Mevcut müşterilerin verilerine erişime sahip makineler, anormal müşteri davranışı ile sahte müşteri davranışı arasında ayrım yapabilir. Geçmişteki müşteri davranışları veya harcama alışkanlıkları ile eğitilen yapay zekâ modelleriyle de bu ayrımı yapmak mümkündür. Yapay zekâ, uzun soluklu sahtekarlıklarla başa çıkmak için idealdir. Ayrıca, dinamik olarak veriler ile eğitilebilir olduklarında hızlı ve yüksek tempolu dolandırıcılık eylemlerine uyum sağlama yeteneğine de sahiptir.
Yapay Zeka Destekli Dolandırıcılık Tespit Sisteminizi Nasıl Daha İyi Hale Getirebilirsiniz?
Makine öğrenimi, kalıpları ortaya çıkarmak ve işlemlerin hileli olup olmadığına dair genel sonuçlar çıkarmak için verilerin en iyi şekilde nasıl gruplanacağına ilişkin algoritmalar tarafından yönlendirilir. Makineler verilerden öğrenir ve ardından gelen yeni verilerin anormallikler açısından nasıl değerlendirileceğini belirleyecek standartlar oluşturmak için bunları etiketler. Makineleri eğiten en popüler iki algoritma, denetimli öğrenme modeli ve denetimsiz öğrenme modelidir. Denetimli Makine Öğrenimi (Supervised Machine Learning), neyin dolandırıcılık olarak kabul edildiğini belirlemek için önceden tanımlanmış parametrelere ihtiyaç duyar. Denetimsiz model ise kendi kendine öğrenme yeteneğine sahip olduğundan sistem tarafından daha önce deneyimlenmemiş yeni dolandırıcılık davranışlarını tespit edebilir. Yapay zeka ile yanlış-pozitifleri azaltmak için sisteminizin karşılaştığı duruma göre bir algoritma seçebilirsiniz.
Algoritmalar tarafından sağlanan ilgili verilerle yüksek performanslı modeller oluşturabilirsiniz. Ardından, yapay zekâ modelleriniz sahtekarlıkları doğru bir şekilde tanımlayabilir, yanlış pozitifleri azaltabilir ve kara para aklama operasyonlarını henüz gerçekleşmeden tespit edebilir.
Algoritmalara fayda sağlayacak veri türlerinden bazıları şunlardır:
- Standart müşteri verileri:
Müşterileriniz için “know your customer“ (KYC) olarak toplanan verilerdir. Müşterilerin yaşı, diğer hesap sahipleriyle mevcut ekonomik ilişkileri ve borç ödeme sıklığı gibi ek verileri almak avantajlı olabilir.
- İşlemsel ve işlemsel olmayan veriler:
İşlem hacmi ve sıklığı bilgileriyle birlikte en sık tercih edilen işlem türüdür. İşlem dışı veriler için hesap özelleştirme verileri veya anormal harcama davranışları için idealdir.
- Konum verileri:
Müşterilerin IP konumu ve fatura konumu, her ikisi de farklı olması durumunda, genellikle kırmızı bir işarettir. Farklı bir yerden birden fazla para çekme işlemi de dolandırıcılık göstergesi olabilir.
Risk yönetimindeki vurgu, hileli faaliyetlerin belirlenmesi üzerinde değil, müşteri hakaretinin gerçekleşmemesini sağlarken bu faaliyetlerin önlenmesi üzerinde olmalıdır. Yapay zeka ile yanlış-pozitifleri azaltmak, meşru müşterileri suçlamadan bu dolandırıcılık faaliyetlerinden kurtulmanın en etkili bir yoludur. Yapay zekâ, en yetenekli dolandırıcılık analistlerinin bile kaçıracağı dolandırıcılık faaliyetlerini belirlemede çok daha yetkindir. Yapay zekâ destekli dolandırıcılık tespit sistemleri, yanlış-pozitifleri büyük ölçüde azaltmaya yardımcı olur, böylece işletmeniz için mali kayıp ve itibar kaybı gibi ikincil zararları ortadan kaldırır.
Yapay zekâ destekli dolandırıcılık tespitinin özellikle bankacılık sektöründe sunduğu kolaylıklar hakkında daha fazla öğrenmek için şimdi “Bankacılıkta Yapay Zeka ile Gerçek Zamanlı Dolandırıcılık Tespiti” yazımıza göz atın.
Not: Bu içerik Formica.ai tarafındanTRAI için yazılmıştır.
Formica, yapay zekâ destekli dolandırıcılık tespit ve önleme çözümü ile şirketlerin büyük verileri dönüştürerek dolandırıcılık tespitindeki operasyonel zorluklarını çözmelerine yardımcı olan bir veri işleme platformudur. Formica ile veriye dayalı kullanım senaryoları, yapay zekâ destekli içgörüler ve gerçek zamanlı otomasyonlar ayarlayarak ekiplerinizde ve kuruluşunuzda veriye merkezli bir çalışma kültürü oluşturabilirsiniz.
Formica’nın gerçek zamanlı yapay zeka destekli dolandırıcılık tespiti çözümleri ile sahte faaliyetleri gerçek zamanlı olarak yakalayabilir, işletmenizi ve müşterilerinizi korurken daha az yanlış-pozitif vaka ile mücadele edersiniz. Müşterilerinizi ve şirketinizi korumak için her gün milyonlarca işlemi analiz ederken şirketinizin ihtiyaçlarına göre geliştirilen özelleştirilebilir iş akışları ile sermaye kaybını azaltabilir ve itibarınızı koruyabilirsiniz.
Müşterilerinizin davranışlarını ve çevrim içi etkinliklerini analiz ederken kendi kendine öğrenme yeteneklerine sahip yapay zekâ modeli kullanan Formica sayesinde her gün daha az dolandırıcılık vakasıyla ilgilenirsiniz. Çalışanlarınızın ve risk ekiplerinizin üzerindeki stresli ve verimsiz dolandırıcılık takibi yükünü azaltarak şirketinizin performansını ve dönüşüm oranını optimize edebilirsiniz.
Detaylı bilgi ve sorularınız için şimdi bu formu doldurabilir ya da hello@formica.ai adresi üzerinden Formica AI ekibi ile iletişime geçebilirsiniz.
Bağlantılı Haberler
Bankacılıkta Yapay Zeka ile Gerçek Zamanlı Dolandırıcılık Tespiti
Finans Sektöründe Mobil Uygulamalarının ve Yapay Zekanın Önemi - Architecht Blog
[…] Yanlış-Pozitif Oranını Azaltın | Türkiye Yapay Zekâ Inisiyatifi (turkiye.ai) – https://turkiye.ai/yapay-zeka-dolandiricilik-tespiti/ – Erişim: 7 Nisan […]