Automatisointi vilpillisten liiketoimien havaitsemiseen ja pysäyttämiseen

Bank Automation Summitissa Informedin autolainastrategiasta vastaava johtaja Jessica Gonzalez liittyi Ally Financialin tuote- ja strategiajohtajan Kevin Faragherin kanssa paneeliin, jota moderaattorina toimi Bank Automation Newsin apulaistoimittaja Whitney McDonald.

Tässä osa keskustelua.

Whitney – Millaiset petokset ovat yleistymässä? Jessica voitko kertoa joitain lukuja?

Jessica – Petokset ovat kuuma aihe. Auton ostajat käyttävät digitaalista käyttöliittymää autojen ostamiseen ja rahoittamiseen, joten autolainauksessa tappiot ovat 4.7 miljardia dollaria. Informedin havaitsemien petosten keskiarvo on 2.25 % kaikista lainanantajaistamme. Digitaalinen läsnäolo itse asiassa lisää petoksia 08 % – huijarit ovat yhä kehittyneempiä ja he käyttävät digitaalisia alustoja mahdollistaakseen ne.

Joten varmistamme, että petokset estetään. Lainvalvonta on keskittynyt identiteettivarkauksiin, koska se on helposti rangaistavaa ja "kuuma rikos". Keskitymme palkkatuppipetokseen, koska se korreloi siihen, että kuluttajat maksavat lainansa takaisin. Sen sijaan, että keskittyisimme tunnistamiseen tai KYC:hen, varmistamme, että pystymme laskemaan kuluttajien tulot.

Whitney – Olet puhunut paystub-petoksista ja julkaisit juuri tiedotteen. Voitko kertoa lisää näkemästäsi?

Jessica – Lainanantajien petosaste on ~2.25 %. Digitaalisesti näemme 35 % enemmän petoksia. Digitaalinen vähittäiskauppias näkee 10 kertaa todennäköisemmin petollisia palkkalappuja ja asiakirjoja asuntolainoissa ja lainoissa. Tarkasteltaessamme trendejä, vertaamme sitä keskiarvoon 2.25 %. Se ei ehkä kuulosta isolta jutulta, mutta sen arvo on miljardeja. Avainasemassa ei ole vain tietoja petosten seurantaa varten, vaan se varmistaa, että tunnistat trendit.

Kuten Kevin sanoi, trendejä on vaikea seurata manuaalisesti. Analyytikot tarkastelevat asiakirjoja – he näkevät useita asiakirjoja päivittäin. He eivät voi yhdistää kaikkia näitä datapisteitä trendien paljastamiseksi. Pankissa ollessani näimme puhelinlaskun, jossa oli eri nimi ja osoite, mutta sama puhelinnumero kuin jollain muulla, ja tunnistaminen kesti melkein kuusi kuukautta. Reaaliaikainen automaattinen tapahtuma-analyysi on välttämätön petostiimin ja laajemman alan varustamiseksi jakamalla tietoresursseja.

Tekoäly voi kestää ne miljoonat tapahtumat ja korostaa trendejä. Joten ei vain tietojen saaminen, vaan niiden oikea käyttö ja analysointi on avainasemassa.

Whitney – Jessica kertoi meille, mitä hän näkee. Nyt, Kevin, Allyn kanssa – Voitko kertoa näkemäsi petollisen toiminnan viimeaikaisesta lisääntymisestä?

Kevin – Ajattelet, kuinka petoksia ennen oli. Joku varasti jonkun postin, sai väärennetyn henkilötodistuksen ja osti auton. Älykäs vakuutuksenantaja saattaa huomata, että tällä kaverilla on luottokortti Kaliforniassa ja he hakevat lainaa Detroitista, mikä ei ollut järkevää. Mutta tänään kaikki on nopeaa. Nopeus on yksi tärkeimmistä liiketoiminnan arvolupauksista.

Tämä sopii digitaaliseen hyvin, koska huijarit käyttävät hyväkseen ja yrittävät olla nopeampia. Yksi suurimmista petostyypeistä, joita näemme, ovat petokset, joissa ihmiset muodostavat osittain tai kokonaan luottoprofiilin, joka on suunniteltu selviytymään vakuutusjärjestelmistämme. Näin äskettäin esimerkin, jossa jonkun luottopisteet paranivat mallikaupan linjalla, mikä teki sopimuksen tuloksesta paremman.

Joten tarkistamme kaikki tiedot ja teemme simulaation. Meillä on ihmisiä, jotka katsovat niitä, mutta niitä on todella vaikea havaita. Kun sopimus tulee läpi synteettisellä tunnuksella, sinun on silti tuettava henkilöllisyyttä. Siellä kyky saada tekoäly kaappaamaan huonon palkkalistan ja ilmoittamaan siitä ihmisillemme on todella arvokasta.

Whitney – Mainitsitte molemmat, kuinka Ally toimii informed.IQ:n kanssa vilpillisten liiketoimien ilmoittamiseksi. Jessica, voitko kertoa, kuinka pankit voivat hyödyntää tätä tekniikkaa?

Jessica – Informed havaitsee automaattisesti palkkalistoilla tapahtuvat petokset, mikä on yksi ensimmäisistä aloituspisteistä lainausprosessissa. Joten on välttämätöntä ymmärtää, että pidämme huijareita todella korkean teknologian välineinä, ja vaikka se voi olla totta, se on myös jokapäiväistä ihmisten kohtaamaa. pääsyn este. Jos keskityt vain ei-asiakirjoihin, saatat törmätä moniin synteettisiin tunnuksiin. Jos keskityt KYC- ja identiteettipetokseen, mutta et käytä digitaalisia asiakirjoja, voit ottaa käyttöön automaattisen havaitsemisen rajoituksen.

Jos olet saanut litteän kuvan, vain asiakirjan kuvan sähköpostista tai faksista, kuvan laatu on ongelma. Joten jos saat faksin tai kuvan kuvasta, on vaikea tietää, onko se petollinen. Tekoäly voi keskittyä tunnukseen, mutta jos se on litteä kuva, onnistut vain 10–20 % ajasta. Useimmat lainanantajat luottavat edelleen paperiin, joten keskitymme siihen, missä voimme vaikuttaa merkittävästi – missä meillä on suuri luottamus paljastavamme petoksia. Informedin paystub-petostoimenpiteeseen luottaminen on hyvä indikaattori lainanantajille varmistaakseen, että he tunnistavat paitsi KYC:n myös tehostetun petoksen. Ehkä joku ei näe petoksia, koska väärennetyn maksutunnisteen saaminen on paljon helpompaa kuin väärennetyn henkilötodistuksen saaminen, ja koska KYC- ja henkilöllisyystodistusten varmentamiseen on kiinnitetty enemmän huomiota, on todennäköisempää, että maksutukipetoksia tapahtuu enemmän.

On tärkeää varmistaa, että lainanantajat voivat avata tilejä ja tarjota asiakkaille saumattoman kokemuksen asiakirjojen lataamisesta. Jos sinulla on nämä tarkastukset etupäässä, voit vähentää petoksia merkittävästi. On tärkeää varmistaa, että tarkistat petoksia vesiputouksen alussa. Huono kuvanlaatu korreloi lainasalkun huonoon tulokseen. Jos sinulla on ihmisiä, jotka pystyvät ja aikovat maksaa lainat takaisin, mutta eivät pysty toimittamaan asiakirjoja, he todennäköisesti yrittävät synteettistä tunnusta tai CPN-koodia, mutta kun näemme todellisen paystub-petoksen, he todennäköisemmin epäonnistuvat. Heillä ei vain ole keinoja maksaa näitä maksuja.

Lisätietoja petosten ilmoittamisesta on osoitteessa informediq.com.