Deze website maakt gebruik van cookies. Lees meer of klik hier om te accepteren. Accepteren Lees meer

VCMB - Verbonden door creditmanagement kennis!
VCMB

Cross-channel toepassen om fraude detectie te verbeteren

In het licht van industriële initiatieven en wereldwijde regelgeving – inclusief PSD2 , 3D Secure 2.0 en snellere betalingen – blijft één vraag open: werkt risicogebaseerde authenticatie echt? Dit wordt meestal gevolgd door vragen over fraudedetectiegraad, valse positieven en de impact op klanten. De voordelen van een aanpak op basis van machine learning zijn uiterst effectief gebleken door het consistent aantonen van fraudedetectiegraden tot 97%.

Ondanks deze resultaten, is het mogelijk om fraude zelfs voorspellen meer nauwkeurig en het aantal goede klanten die worden uitgedaagd een minimum te beperken?

De aanpak van het ecosysteem

Uniek en krachtig fraude risicobeheer is de laatste jaren een last geworden, en niet alleen omdat de aanvallers beter zijn geworden in hun spel. De tools en technologieën die worden gebruikt voor het detecteren en beperken van fraudegevallen zijn beter, maar ze zijn ook overvloedig. Uit een enquête in opdracht van RSA bleek dat 57% van de organisaties 4 tot 10 verschillende tools gebruikt in hun anti-fraudeoperaties.

Bovendien verandert het gezicht van digitaal bankieren en commercie snel. Er zijn nieuwe kanalen, nieuwe interacties en nieuwe soorten betaalmethoden die klanten gebruiken om zich met organisaties bezig te houden, wat de complexiteit alleen maar vergroot.

Door gebruik te maken van machine learning, kunnen organisaties een ecosysteem van gegevens gebruiken, inclusief externe risicogegevens van andere fraudepreventiehulpmiddelen, evenals hun eigen bedrijfsinformatie om risicoscoremodellen te verbeteren en de detectie van fraude te verbeteren.

Een case study

Een case study met een grote in de VS gevestigde financiële instelling illustreert de voordelen van een data-ecosysteembenadering. De bank had uitgebreide kennis van risicofactoren uit haar callcenter verzameld en wilde die gegevens gebruiken om de beveiliging binnen haar digitale kanalen te verbeteren. Met behulp van zes door de bank verstrekte en aan de riskantste transacties (de top 1 procent) toe te passen feiten, realiseerde de klant de volgende verbeteringen in hun bestaande fraudedetectiegraad:

  • 2% toename van bestaande fraudedetectiegraden voor alle soorten evenementen
  • 3,6% toename in fraudedetectie voor inlogtransacties
  • 1% toename in fraudedetectie voor betalingstransacties

Zelfs een toename van slechts 1% van de fraudedetectie voor betalingstransacties leverde significante resultaten op, die neerkwamen op een gemiddelde maandelijkse fraudebesparing van $ 44.000, – of meer dan een half miljoen dollar per jaar.

Klaar om resultaten voor jezelf te zien?

Bedrijfsgerelateerde informatie over intelligentie en risico’s van andere fraudepreventiehulpmiddelen kan, in combinatie met machine learning-modellen, een wereld van mogelijkheden openen voor uw strategie voor fraude-risicobeheer. Bekijk deze korte video over hoe u cross-channelgegevens kunt toepassen om het frauderisico nauwkeuriger te voorspellen.

Bron: RSA

Gerelateerde artikelen

© 2018 VCMB Maatwerk software door Way2Web

Wanneer onderneemt u actie bij het signalen van betalingsachterstanden?

Laden ... Laden ...