Банковские продукты для управления инвестициями оказались защищены лишь на 15%
В банковской отрасли фиксируется серьезный разброс в уровне защищенности продуктов — от 15% в инвестиционных услугах, до 100% в онлайн-услугах для физлиц. Онлайн-каналы работают эффективнее офисов благодаря единой системе сбора данных. Но банки недовольны антифрод-системами из-за их негибкости и слабых аналитических возможностей.
Банковский эквайринг защищен антифрод-системами на 50%, управление инвестициями — на 15%, расчетно-кассовое обслуживание в отделениях — на 40%, кредитные продукты — на 30%, такие данные приводятся в исследовании системного интегратора «Инфосистемы Джет», пишет «Коммерсантъ».
В исследовании приняли участие более 30 кредитных организаций. Распределение по размеру клиентской базы выглядит следующим образом: 70% составили банки с числом клиентов до 1 миллиона, 20% — с базой от 1 до 5 миллионов, и еще 10% — банки, обслуживающие более 5 миллионов клиентов.
В направлении интернет-банка (сайт и мобильные приложения) степень покрытия антифрод-системами для физических лиц составляет 100%, для юридических лиц — 80%.
Как отмечается в исследовании, онлайн-каналы технологически однородны, что позволяет выстроить централизованный сбор данных и автоматизированный скоринг. В офисах же главной точкой входа для обслуживания клиента остается операционист.
Помимо этого, эксперты указывают на разрыв между функциональными возможностями используемых антифрод-систем и реальными потребностями банков. Банкирам не нравится, что вендоры жестко фиксируют настройки и не дают их глубоко менять под свои задачи. Также им не хватает гибких интерфейсов для сложных бизнес-процессов и инструментов, чтобы анализировать прошлые данные и проверять новые гипотезы. Многие антифрод-системы изначально проектировались как системы принятия решений с акцентом на скорость обработки данных, что обернулось недостаточной гибкостью настройки и слабым функционалом для углубленной аналитики.
В исследовании также указывается, что только 13% банков используют алгоритмы машинного обучения как базовый механизм выявления мошенничества, при этом 100% пользователей не удовлетворены результатами. При низком качестве моделей возрастает число ложных срабатываний, в частности блокировка карт. Отмечается, что модели должны регулярно переобучаться и тестироваться на новых сценариях мошенничества, а их эффективность необходимо оценивать не только по точности, но и по количеству предотвращенного ущерба и ложных срабатываний. Кроме того, важно расширять набор анализируемых сигналов и объединять их в едином контуре.
Читайте также
