چگونه بانک‌ها می‌توانند کلاهبرداری در پرداخت‌ها را متوقف کنند؟
۰
احتمالاً معاملات در دنیای بانکی از سال ۲۰۲۲ تا سال ۲۰۲۷، از ۶۷۵ میلیون دلار به ۲.۶ میلیارد دلار افزایش یابد که نشان‌دهنده نرخ رشد ۳۰.۶ درصدی است. بانک‌ها برای جلب اعتماد مشتری در برابر کلاهبرداری در پرداخت‌ها، باید از رویکردهای نوآورانه استفاده کنند.
به گزارش اکو ۳۶۵ و به نقل از تجارت‌نیوز، پرداخت‌های آنی بانکی و کارت‌به‌کارت‌ها، بدون درنگ، ۲۴ ساعت شبانه‌روز و ۳۶۵ روز در سال پردازش می‌شوند و وجوه در عرض چند ثانیه در دسترس قرار می‌گیرند. این امر مزیت‌های متعددی برای استفاده‌کنندگان دارد؛ از جمله شفافیت موجودی حساب‌ها، بدون نگرانی در مورد معاملات معلق و کامل نشده.
این پرداخت‌ها جریان نقدی و سرمایه در گردش را برای مشاغل افزایش می‌دهد چراکه حتی اگر تحویل کالا یا خدمات چند روز طول بکشد، بازگشت وجه بسیار دشوار یا غیرممکن است. رشد تجارت بین‌الملل، تجارت الکترونیکی و بانکداری دیجیتال، همراه با تغییر در رفتار مصرف‌کننده، تقاضا برای تحویل سریع کالا و خدمات را بالا برده و موجب تشدید نیاز به پرداخت‌های فوری شده است.
سیستم‌های پرداخت جدید به عنوان یک کاتالیزور برای نوآوری بیشتر در کل اکوسیستم عمل خواهند کرد. با این حال، موسسات مالی و ارائه‌دهندگان سیستم پرداخت شخص ثالث باید با طیف وسیعی از مسائل مقابله کنند. این موارد شامل پیروی از دستورات نظارتی جدید، مدیریت نقدینگی در سراسر سیستم‌ها و اطمینان از تجربه راحت و یکپارچه برای مشتری است.
کلاهبرداری در پرداخت‌ها
اجرای این فرایندها همچنین مستلزم محافظت در برابر الگوهای تقلب، پولشویی، تامین مالی تروریسم و احزابِ تحریم‌شده است. این چالش مهم باید در کانون توجه قرار گیرد.
تشخیص تخلف بدون درنگ
اکنون پرسشی دیگر در میان است. چگونه یک موسسه مالی می‌تواند پرداخت‌های غیرقانونی را شناسایی و از آن جلوگیری کند، در حالی که زمان اتمام فرایند پرداخت حداکثر ۱۰ ثانیه است؟
این امر به‌ویژه برای موسسات مالی باسابقه بسیار دشوار خواهد بود. زیرساخت‌های قدیمی آنها، که معمولاً برای توان عملیاتی بالا طراحی شده‌اند، به بودجه قابل توجهی برای تطبیق تراکنش‌های با تاخیر بسیار کم نیاز دارند. علاوه بر این، آنها برای رعایت شرایط سخت‌گیرانه SLA، به مهندسی مجدد کل فرایندهای خود از جمله کشف تقلب، غربالگری تحریم‌ها و تحقیقات ضدپولشویی نیازمندند. موسسات باید به همه این شرایط دست یابند بدون اینکه نرخ پردازش مستقیم‌شان تاثیر پذیرد.
این سیستم‌های سنتی مبتنی بر قوانین به صورت دستی در پاسخ به تهدیدات در حال تحول پیکربندی و به‌روز می‌شوند. با این حال، تحت فشار حل‌وفصل سریع، ظهور سناریوهای جدید و افزایش حجم تراکنش‌ها، خطر عقب افتادن از نیروهای پلیس، تلاش برای افزایش مقیاس و ایجاد ناراحتی غیرضروری برای مشتریان محتمل است.
هوش مصنوعی به کمک می‌آید
ابزارهای تحلیلی که از هوش مصنوعی (AI) و یادگیری ماشینی (ML) استفاده می‌کنند، موثرترین راه‌حل برای حمایت از تیم‌های پیشگیری پلیس را ارائه می‌دهند. در نهایت، آنها می‌توانند مشتریان را در برابر فعالیت‌های جعلی که ممکن است به دلیل محدودیت منابع یا محدودیت‌های زمانی ناشناخته از بین بروند، محافظت کنند. علاوه بر این، این فناوری به حداقلی کردن پرداخت‌های دروغین کمک می‌کند، تیم‌های کلاهبرداری را قادر می‌سازد تا روی موارد واقعی کلاهبرداری تمرکز کنند و به مشتریان اطمینان می‌دهد که با هیچ‌گونه ناراحتی، به‌ویژه در سناریوهای پرداخت فوری، مواجه نمی‌شوند.
هوش مصنوعی و ماشین لرنینگ می‌توانند داده‌های پرداخت، رفتارهای فعلی مشتری و الگوهای در حال ظهور را برای شناسایی و جلوگیری از تقلب بررسی کنند. این کار می‌تواند با رهگیری تراکنش‌ها در مراحل مختلف چرخه حیات پردازش، از شروع تا انتشار تا شبکه‌های پرداخت، صورت پذیرد. هیچ یک از متخصصان فناوری‌های قدیمی نمی‌توانند این کار را انجام دهند.
علاوه بر این، هوش مصنوعی و ماشین لرنینگ می‌توانند انواع جدیدی از کلاهبرداری را پیش‌بینی و مدل‌سازی کنند. این امر به پلیس امکان می‌دهد یک قدم جلوتر از مجرمان بماند و حرکت بعدی آنها را شناسایی و پیش‌بینی کند. با شناسایی ناهنجاری‌ها در دستگاه‌ها، تراکنش‌ها و مکان‌ها، و مرتبط کردن این داده‌ها با پروفایل‌های رفتار مشتری و پایگاه‌های اطلاعاتی گسترده موارد کلاهبرداری، هوش مصنوعی و ماشین لرنینگ در مقیاس و سرعت بالایی عمل می‌کنند و از فعالیت کلاهبرداران جلو می‌زنند.
سهم استفاده‌کنندگان
آموزش عموم نیز برای تضمین تراکنش‌های ایمن بسیار مهم است. این آموزش‌ها شامل احتیاط در مورد ایمیل‌های ناخوانده و ناخواسته، لینک‌ها و درخواست‌هایی برای اطلاعات بانکی است. علاوه بر این، افراد باید قفل تایید دومرحله‌ای را برای تراکنش‌های مشکوک تنظیم کنند و در صورت بروز چنین مواردی، به هیچ عنوان اعتماد نکنند.
