OPIS PROJEKTU

Każda transakcja dokonywana przez klienta kartą osobistą jest weryfikowana przez system zapobiegania oszustwom finansowym. Narzędzie to, przy użyciu zestawu reguł i prognoz, klasyfikuje daną transakcję jako prawdziwą lub jako potencjalne przestępstwo. Jeśli transakcja zostanie uznana za zagrożoną przestępstwem, system uruchamia alert, odrzuca ją i blokuje odpowiednią kartę. Efektywność działań prewencyjnych dla indywidualnych użytkowników kart kredytowych jest wysoka, ale skutkuje również wysoką liczbą tzw. false positives, czyli prawdziwych transakcji zakwalifikowanych jako oszustwo finansowe, na które bank musi zareagować. Co do zasady wiele z nich można rozwiązać self-servicem, natomiast nie wszystkie. Wówczas zespół ds. oszustw ręcznie sprawdza każdy przypadek poprzez kontakt z klientem, aby potwierdzić czy transakcja, której dotyczy alert, była prawdziwa.

– Alerty, które nie zostały obsłużone przez użytkowników za pomocą SMS-ów, generują zapytania klientów. Bank, jako instytucja zaufania publicznego, musi zająć się każdym takim problemem, by mieć pewność, że dana transakcja na pewno nie była przestępstwem. Z punktu widzenia obsługi i doświadczeń klientów ważne jest, żeby karty działały, zatem czas reakcji jest bardzo istotny. Jeżeli liczba fałszywych alertów jest oceniana jako zbyt wysoka, wiąże się to również ze znacznymi kosztami dla organizacji. Problemem, który stanowi niedoskonałość tego systemu jest odpowiednia kalibracja, którą nie można swobodnie zarządzać, gdy bank pracuje na zewnętrznym narzędziu – tłumaczy Magda Kotowska-Gawrylczyk, Plastics Fraud & Fraud CoE Optimisation Lead, Data & Analytics w NatWest.

Rola technologii

W realizowanym projekcie technologia stanowi kręgosłup proponowanego rozwiązania. Modele związane z machine learning funkcjonują w banku od jakiegoś czasu. Jest to jednak pierwszy model machine learningowy, który jest tak ściśle zintegrowany z systemami bankowymi i jednocześnie działa w czasie rzeczywistym, opierając się w pełni o rozwiązania chmurowe w organizacji. Zakres tego rozwiązania obejmuje zarówno rozwój danych i infrastruktury wspierającej model uczenia maszynowego, jak i jego integrację z procesami zespołu zarządzania oszustwami związanymi z osobistymi kartami kredytowymi.