【数据分析】利用数据分析遏制金融犯罪

在过去的几年里，随着更多的企业推行数字化转型，数据的使用成倍增长。

在数字和数据驱动的组织中，分析是成功的关键。数据分析可以让企业更好地了解和细分他们的目标客户，实现追加销售和交叉销售，预测客户的获得和流失，创新产品供应以提高竞争力，并防止欺诈。

目前，仅有12%的企业数据被用于做出商业决策。只有29%的企业成功地将分析结果与行动联系起来。而五分之一的企业认为他们由于使用不完整或不准确的数据而失去了客户。（数据来源于Forrester）

此外，虽然机器学习（ML）被广泛认为是克服这些缺陷的关键，但有96%的企业承认在该技术方面存在困难。

如今，金融机构越来越依赖分析和数据驱动的能力来支持风险和监管合规这两个重要事项。

预测性分析和机器学习的日益发展使金融机构能够根据确定的业务目标做出更好的决策。通过准确预测未来的消费者行为，它们让信用风险分析师、金融营销分析师和欺诈检测团队得以更好地部署战略，同时防止对其业务模式的破坏。

金融欺诈有多种形式，涉及业务的多个方面，包括保险和政府福利索赔、零售回报、信用卡购买、少报和误报税务信息以及抵押贷款和消费贷款申请。

获取检测欺诈所需的数据往往是非常困难的。必要的数据经常出现在PDF文件、基于文本的报告或第三方系统的半结构化内容中。如果不能准确地访问和转换这些数据进行分析，就会减少对欺诈和异常交易和事件的检测。

在过去，银行使用基于规则的系统来解决欺诈问题，但今天这些系统通常是无效的，因为行为和策略变化得太快了。基于人工智能的欺诈检测和预防技术的适应性更强，可以大大减少异常和欺诈行为造成的危害。

现代人工智能技术可以在大量复杂的数据集中找到关联和模式。该技术非常强大，可以破译巨大数据量中的微妙趋势、模式和异常情况。人工智能使金融机构能够建立强大的战略来打击欺诈。

自助服务能力对这项工作至关重要。银行内了解无数类型欺诈的业务用户、合规人员和分析师必须能够持续更新他们的策略，而不必等待定制代码或IT部门的帮助。

智能部署正确的基于人工智能的欺诈检测系统有助于金融机构应对日益增长的数据速度，并有可能近乎实时地阻止欺诈。

例如，它们可以立即中断被盗信用卡的使用，可以实现在线贷款申请提交之前检测到正在输入的欺诈性信息。总结调查结果和趋势的每日报告以及实时警报对此类应用至关重要。

亚太地区的银行业环境正在迅速变得竞争激烈。

由于为成熟市场和发展中市场提供了机会，数字银行在整个地区迅速增长。增长的动力来自于不断变化的客户期望和增强的数字渗透率。

例如，自2015年以来，东南亚的数字银行数量已经增长了190%，并得到了大量投资和支持性法规的支持。随着数字银行的巩固，在线交易的增长只会增加对快速而准确的欺诈检测技术的要求，以快速筛选客户。

与传统的实体分行客户不同，现今年轻的数字银行客户不会为开立账户而等待数日。为了获得和留住客户，数字银行必须能够在几秒钟内完成尽职调查，所以只有通过人工智能让这一诉求成为可能。

银行有很多选择，可以使人工智能成为其账户管理和欺诈检测系统的组成部分，包括专门的产品、R和Python等开源库。然而，仅仅拥有必要的能力是不够的。

人工智能是复杂的，最好的技术选择将支持自助式的模型开发和维护，直观的工作流程，高度的灵活性，短暂的学习曲线，以及用户界面，使参与该过程的每个人都能轻松理解系统如何做出决策。此外，一个完整的系统必须能够有效地访问、连接、清理和管理来自广泛的不同来源的数据，并将人工干预降到最低，同时仍然支持所有数据操作的完整可追溯性。 

幸运的是，以今天先进的技术水平，银行可以实施强大的、成熟的工具，支持他们目前的所有要求，并使他们能够灵活地持续更新他们的工作流程和系统，以满足欺诈者的不断冲击。