سامانه کشف تقلب و تخلف
تخلف هرگز از بین نمیرود بلکه روشهای انجام آن تغییر میکند. تخلف، جرم تطبیقی است، به این معنی که افراد متخلف خود را با شرایط جدید تطبیق میدهند. به مرور زمان و پیشرفتهای تکنولوژی میتوان با راهکارهایی آن را کنترل و آمار آن را کاهش داد.
ابداع روشهای جدید کلاهبرداری وتخلف و عدم توانایی شرکتها و مؤسسه های مالی برای پیشگیری و کشف آنها، مجموعهها را تا مرز ورشکستگی سوق میدهد و بسیاری از صنایع مانند: بانکداری، بیمه و … را تحت تأثیر قرار داده است. به عنوان نمونه در بانکداری، تخلف شامل کارتهای اعتباری دزدیدهشده، جعل چک، فعالیتهای نامتعارف حسابها و موارد متعدد دیگر است.
سیستمهای مالی مبتنی بر فناوری اطلاعات به دلیل پتانسیل بالا برای سرقت های حجیم، اهداف راحتی برای سارقان هستند. متخلفان از نقص احراز هویتهای متعدد مانند: امضا الکترونیکی، پینکد، رمزعبور، کدامنیتی کارت و یا نقاط ضعف موجود در مدلهای امنیتی اجراشده، در جهت تراکنشهای غیرقانونی مالی سرویسها و از طریق اجرای حملات سیستمی خلاقانه در جهت منافع سودجویانه خود بهره می برند.
سامانه کشف تقلب و تخلف
کشف اولین نشانههای تقلب با طراحی و پیادهسازی سامانه کشف تقلب و تخلف میسر می گردد، این سامانه بستری مطمئن برای تشخیص تخلفات بالقوه و بالفعل را، در یک سازمان فراهم می کند. در سالهای اخیر با افزایش دسترسی به دادههای مشتریان و تراکنشهای مالی متعدد، بهبود قابلیتهای تحلیل دادهها و با استفاده از مسیرهای هوشمند و روشهای دادهکاوی، فعالیتهای مختلفی درجهت تحلیل رفتار مشتری و تراکنشهای مالی انجام گرفته است.
سامانه کشف تقلب و تخلف سان با بهرهگیری از الگوریتمها و روشهای مختلف تحلیلی، با بررسی دادهها و عملیات موجود در سازمانها، شرکت ها، بانکها و نهادهای مالی، موارد مشکوک به تخلف را شناسایی نموده و به ذینفعان ارائه مینماید. این سامانه بهعنوان ابزار نظارت، تشخیص و پیگیری تقلب و تخلفات در حوزهی تراکنشهای مالی، مخابراتی و عملیاتی شناخته شده است و سهم بهسزایی در افزایش کارایی، حفظ منابع و اطمینان دارد.در حال حاضر سامانه کشف تقلب و تخلف سان در صنعت بانک و مخابرات مورد استفاده قرار گرفته است.
سامانه کشف تقلب و تخلف سان، بررسی دادههای تراکنشی حجیم را ممکن میسازد و موارد مشکوک را در قالب گزارشها و داشبوردهای اطلاعاتی در اختیار مسؤولین ذیربط قرار میدهد. این کار به دو روش صورت میگیرد:
- با استفاده از سناریوها و قواعد از پیش تعریف شده
- رفتارشناسی عملیات (Anomaly Detection) و تحلیل گراف با استفاده از یادگیری موارد کشف شده (Machine Learning)
- بررسی رفتارهای مالی و عملیاتی در طول زمان و تشخیص رفتارهای غیرمعمول در ایجاد تراکنش
- توانایی تشخیص برخط (online) تخلفات و تقلبات، قبل از به اتمام رسیدن یک تراکنش
