«Инфосистемы Джет» провели опрос о применении антифрод-систем в банках. Участниками стали эксперты по борьбе с мошенничеством больше чем из 30 российских кредитно-финансовых организаций, занимающие руководящие позиции разного уровня.

Авторы выявили степень покрытия антифрод-системами различных сегментов бизнеса, уровень распространения отдельных инструментов, а также удовлетворенность ими в кредитных организациях.

Ключевые выводы:

• степень покрытия антифрод-системами на сайтах и в мобильных приложениях банков составляет 100% для физических и 80% — для юридических лиц. По направлению операций в банкоматах и терминалах показатель находится на уровне 50%, по расчетно-кассовому обслуживанию в отделениях — 40%;
• как отмечают аналитики, банки концентрируют ресурсы на массовых дистанционных каналах обслуживания клиентов, которые наиболее подвержены рискам мошенничества и широко покрыты регуляторными требованиями;
• 43% респондентов используют централизованную антифрод-систему, которая объединяет несколько каналов, 33% — децентрализованную. 24% переходят к централизованной;
• 90% кредитно-финансовых организаций применяют гибридную модель размещения антифрод-системы, которая сочетает облачные сервисы для компонент сессионной аналитики и транзакционные платформы в контуре банка. Остальные 10% приходятся на полное размещение в контуре банка;
• все респонденты используют готовые антифрод-продукты. Это объясняется сложностью разработки и развития систем такого класса. Решения собственной разработки 15% опрошенных применяют для закрытия специфических потребностей как дополнение к готовым продуктам;
• больше 70% организаций не имеют достаточного человеческого ресурса для настроек и доработок антифрод-систем своими силами, поэтому привлекают для этого внешние компании;
• как отмечают авторы, нет одной технологии противодействия мошенничеству, которую бы респонденты считали наиболее эффективной. 40% применяют собственные скоринговые модели, отказавшись от коробочных из-за низкой эффективности;
• только 13% банков используют машинное обучение для предотвращения мошенничества и доверяют результатам ML-алгоритмов — это минимальный показатель среди всех рассмотренных технологий;
• причинами низкого уровня использования машинного обучения называется высокий порог входа, сложность интерпретации результатов и эксплуатации;
• крупные банки используют широкий спектр технологий, организации с ограниченным бюджетом — только те, что стали обязательными из-за регуляторных требований, и решения, эффективность которых уже доказана;
• наивысшую оценку респондентов среди технологий показали логистические правила (87%);
• банки применяют широкий спектр инструментов и сервисов для углубленной верификации пользователей и получения дополнительных данных для выявления аномалий. Максимально высокий показатель (87%) у двухфакторной аутентификации; 
• голосовая, фото- и видеобоиметрия демонстрируют наименьшую распространенность среди всех изученных технологий — по 13%. Как утверждают авторы, массовое распространение сдерживают барьеры регуляторного, инфраструктурного и экономического характера;
• 80% респондентов создают специализированные срезы данных для проведения ретроспективного анализа и тестирования новых правил выявления мошенничества. При этом визуализация данных с помощью BI применяется в два раза реже (40%). Уровень распространенности графового анализа составил 40%;
• по мнению 63% респондентов, антифрод-системы справляются с базовой задачей — выявлением подозрительных операций. 37% не удовлетворены их работой. Согласно аналитикам причинами недовольства могут быть завышенные ожидания.

Расскажите знакомым: