توسط Michele Tucci، افسر ارشد استراتژی و MD آمریکا در credolab

تلفن‌ها و رایانه‌های ما به معنای واقعی کلمه گنجینه‌ای از داده‌ها هستند، که بیشتر آنها ماهیت بسیار شخصی دارند و کار کردن با آنها بسیار پیچیده است. اما تعداد زیادی داده نیز در این دستگاه‌ها ذخیره شده است – اکثر آنها در واقع – کاملاً غیر شخصی و ناشناس هستند. از نحوه حرکت دادن ماوس کامپیوتر هنگام درخواست یا چند وقت پیش سیستم عامل گوشی هوشمند متقاضی به روز رسانی شده است؟ شاید تعجب کنید که بدانید ما می توانیم از این داده های غیرشخصی چیزهای زیادی بیاموزیم.

همانطور که چشم انداز دیجیتال به تکامل خود ادامه می دهد، صنعت وام دهی با چالش های مهمی دست و پنجه نرم می کند، مانند کمبود داده برای ارزیابی اعتبار وام گیرندگان بالقوه و تهدید فزاینده تقلب. این چشم انداز نیازمند ادغام فناوری های جدید برای مقابله با این خطرات احتمالی است. به عنوان مثال، داده‌های رفتاری که از طریق فناوری‌های مبتنی بر هوش مصنوعی و یادگیری ماشین (ML) در طول تعامل با مشتری در صفحات وب یا برنامه‌های تلفن همراه جمع‌آوری می‌شوند. این تعاملات ذخیره ای غنی از اطلاعات را برای تجزیه و تحلیل دقیق ارائه می دهد، از جمله ویژگی های دستگاه کاربر، الگوهای تایپ و مدت زمان جلسه. چنین مجموعه داده های ارزشمندی به موسسات قدرت می دهد تا مکانیسم های کشف تقلب را تقویت کنند و هزینه های مرتبط با ریسک را کاهش دهند. یکی از عناصر مهم این روش این است که داده ها کاملاً ناشناس هستند و اطمینان حاصل می شود که هیچ اطلاعات شخصی به خطر نمی افتد.

با جمع‌آوری تصویری جامع بر اساس بیش از 200 میلیون ردپای دیجیتال، می‌خواهم برخی از رایج‌ترین الگوهای رفتاری و آنچه را که آنها می‌توانند به وام دهندگان دیجیتال در مورد اعتبار وام گیرنده یا تلاش‌های بالقوه کلاهبرداری بگویند را به اشتراک بگذارم.

آنچه دستگاه های ما می توانند در مورد ما به وام دهندگان بگویند

بیایید آنچه را که یک گوشی هوشمند می‌تواند در مورد اعتبار کاربر بدون اتکا به هیچ داده شخصی فاش کند، بررسی کنیم. اولاً، بدیهی است که کاربران دستگاه‌های پرچم‌دار ممتاز از برندهای مشهور به احتمال زیاد دارای مشخصات مالی پایدار و ریسک اعتباری کمتری هستند. این مشاهده کاملاً ساده است. اما وام دهندگان چه بینش ارزشمند دیگری را می توانند از ابرداده به دست آورند؟ زیاد!

• سیستم عامل: به روز نگه داشتن سیستم عامل تلفن نشان دهنده مدیریت مسئول دستگاه است که به ثبات مالی احتمالی اشاره دارد.
• ویژگی های امنیتی: استفاده از احراز هویت بیومتریک (به عنوان مثال، اثر انگشت یا تشخیص چهره) و ابزارهای رمزگذاری قوی، اولویت را برای امنیت داده های شخصی و مالی نشان می دهد، در نتیجه تصویر مثبتی را برای وام دهندگان ترسیم می کند.
• تنظیمات برگزیده مرورگر: مرورگر انتخابی کاربر، نسخه آن، و افزونه های نصب شده می تواند بینش مهمی را در مورد کلاهبرداری بالقوه ارائه دهد. مرورگرهای غیرمعمول یا قدیمی یا تنظیمات دستکاری شده مرورگر می‌توانند نشانه‌های قرمز برای رفتار متقلبانه باشند.
• صفحه نمایش و پیکربندی سخت افزار: اندازه صفحه، وضوح، ترکیبات عمق رنگ، تنظیمات زبان، و پیکربندی‌های سخت‌افزاری مانند نوع CPU یا GPU و حافظه موجود می‌توانند به طرح‌های کلاهبرداری شناخته شده یا تلاش برای پنهان کردن فعالیت‌های متقلبانه اشاره کنند.
• الگوهای نصب اپلیکیشن ها: دانلود مکرر برنامه‌های بهره‌وری، شبکه‌های حرفه‌ای، یا برنامه‌های آموزشی نشان‌دهنده رویکردی فعالانه به سمت توسعه شخصی و حرفه‌ای است که با ریسک اعتباری کمتر مرتبط است. تعدد زیاد قمار، بازی یا سایر نصب برنامه‌های مرتبط با رفتار اعتیادآور ممکن است نگرانی‌هایی را در مورد ثبات مالی و ریسک اعتباری ایجاد کند.

موسسات مالی همچنین می توانند با نظارت بر نصب یا حذف مکرر برنامه، فعالیت های بالقوه جعلی را شناسایی کنند. به عنوان مثال، نصب و حذف سریع برنامه‌های مرتبط با وام یا بانکداری می‌تواند به تلاش‌های متقلبانه برای استفاده از هویت‌های مختلف اشاره کند.

وام دهندگان دیجیتال اغلب از مزایای تأیید موقعیت مکانی کاربر با استفاده از آدرس IP آنها استفاده می کنند. بنابراین، تغییر ناگهانی یک آدرس IP به یک منطقه از راه دور یا پرخطر می تواند اقدامات امنیتی اضافی، از جمله تأیید اضافی یا تعلیق حساب را فعال کند. آدرس‌های IP مرتبط با سرویس‌های پراکسی یا VPN که برای پنهان کردن هویت استفاده می‌شوند، می‌توانند فعالیت مشکوک و همچنین بررسی فراوانی و حجم برنامه‌های وام از یک آدرس IP خاص را نشان دهند.

حتی ماوس هم فرق می کند

کاوش در رفتارهای کاربران، مانند الگوهای ضربه زدن به کلید، حرکات ماوس، و مدت زمان جلسه، می تواند به عنوان ابزار قدرتمندی برای شناسایی تلاش های بالقوه کلاهبرداری در برنامه های وام عمل کند. این عناصر می توانند بینش های گویا ارائه دهند:

• تحلیل دینامیک ضربه کلید. الگوهای تایپ که از تعاملات معمول کاربر و صفحه کلید منحرف می شوند، می توانند به استفاده از اسکریپت ها یا ربات های خودکار اشاره کنند. سرنخ‌ها ممکن است شامل مدت زمان فشار کلید، سرعت تایپ دور از حد متوسط، یا عدم تغییر ریتم تایپ باشد. الگوهای غیر معمول «زمان پرواز»، زمان بین رها کردن یک کلید و فشار دادن کلید بعدی، ممکن است کپی داده‌ها را از منابع خارجی یا ورودی‌های اسکریپتی پیشنهاد کند. استفاده مکرر از کلیدهای پس‌اسپیس و حذف می‌تواند به عدم اطمینان کاربر یا تلاش برای پنهان کردن اشتباهات یا دستکاری اطلاعات اشاره کند.
• تجزیه و تحلیل حرکت ماوس از آنجایی که حرکات ماوس انسان به طور کلی مسیرهای منحنی یا کمی ناهموار با سرعت های متغیر را دنبال می کند، مسیرهای ثابت و با زاویه تیز با سرعت ثابت می تواند استفاده از اسکریپت، ربات یا ابزار دسترسی از راه دور را پیشنهاد دهد. فقدان زمان بی‌حرکتی یا شناور بودن، یا دفعات بالای ضربه‌های نادرست یا خارج از مرز، ممکن است حاکی از یک اسکریپت یا توالی متقلبانه از اقدامات باشد.
• تجزیه و تحلیل مدت جلسه. زمانی که کاربر در هر صفحه یا بخش درخواست وام صرف می کند می تواند تقلب احتمالی را آشکار کند. تکمیل سریع درخواست وام ممکن است به فرم های از پیش پر شده، ابزارهای خودکار یا آشنایی به دلیل تلاش های تقلبی قبلی اشاره کند. مدت‌های غیرمعمول طولانی می‌تواند نشان‌دهنده ناآشنایی با داده‌ها، ارجاع متقابل از منابع دیگر، یا جستجوی کمک خارجی باشد – همه نشانه‌های احتمالی تقلب. کاربرانی که در صفحات خاصی معطل می‌شوند در حالی که سریعاً به نتایج دیگری می‌رسند، ممکن است سعی در دستکاری یا ساختن داده‌های خاصی داشته باشند.
• تجزیه و تحلیل استفاده از کلیپ بورد. کپی و چسباندن مکرر داده ها در فیلدهای برنامه می تواند به استفاده از اطلاعات از پیش کامپایل شده یا سرقت شده اشاره کند. کاربران معمولاً از کپی کردن داده های حساس مانند شماره بیمه ملی یا جزئیات بانکی از منابع خارجی اجتناب می کنند. چنین رفتاری ممکن است نشان دهنده تقلب باشد.
• تجزیه و تحلیل تصحیح میدان. ردیابی تغییرات ایجاد شده توسط کاربران در برنامه وام می تواند فعالیت های بالقوه کلاهبرداری را افشا کند. تغییرات مکرر در نام، تاریخ تولد، فیلدهای آدرس یا اطلاعات مالی حساس ممکن است به معنای دستکاری یا استفاده از داده های جعلی باشد. یک الگوی ثابت در اصلاحات، مانند تغییرات متناوب یا پیروی از یک نظم خاص، می‌تواند نشان‌دهنده پایبندی به یک اسکریپت از پیش ساخته شده یا مجموعه‌ای از پیش ساخته‌شده از داده‌های نادرست باشد. این تکنیک‌های تحلیلی به آشکار شدن پرچم‌های قرمز در درخواست‌های وام کمک می‌کند، به مؤسسات در مبارزه با تقلب و تضمین یکپارچگی فرآیند وام کمک می‌کند.

تشخیص ناهنجاری ها: نقاط پرت، انحرافات و پیامدهای تجاری آنها

الگوهای رفتاری که در بالا مورد بحث قرار گرفت، تمام بینش‌های ارزشمندی را که می‌توان از داده‌های ناشناس استخراج کرد، در بر نمی‌گیرد. استقرار چنین داده‌هایی برای طیف وسیعی از نهادها، از جمله دفاتر اعتباری، بانک‌های سنتی و نئوبانک‌ها، خدمات «اکنون پرداخت کن» (BNPL)، وام دهندگان دیجیتال، برنامه‌های سواری و دسترسی به دستمزد (EWA)، شرکت‌های بیمه حیاتی‌تر می‌شود. و وام دهندگان کریپتو.

با ظهور پلتفرم‌های دیجیتالی مانند آمازون، Grab و سایر برنامه‌های فوق‌العاده، عملکرد وام‌دهی فراتر از محدودیت‌های سنتی خود در بانک‌ها تکامل یافته است. این پلتفرم‌های نوآورانه چشم‌انداز مالی را با ادغام خدمات مالی با سایر صنایع مانند تجارت الکترونیک، سوارکاری و رسانه‌های اجتماعی متحول می‌کنند. در مواجهه با این دگرگونی، موسسات مالی سنتی باید سازگار شوند و نوآوری کنند یا در معرض فرسودگی قرار گیرند. بدیهی است که آینده وام دهی به طور قابل توجهی یکپارچه تر و متکی به تجزیه و تحلیل داده ها خواهد بود.

در این چشم‌انداز در حال تحول، توانایی شناسایی نقاط دورافتاده و انحراف‌ها در استراتژی‌های مدیریت ریسک وام‌دهندگان اهمیت بالایی دارد. بررسی کامل ابرداده های تلفن همراه در سراسر برنامه های وام می تواند بینش های مهمی را در مورد فعالیت های بالقوه کلاهبرداری آشکار کند. با این حال، حمایت از استفاده مسئولانه‌تر از داده‌های رفتاری به همان اندازه حیاتی است. همه انحرافات لزوماً نشان دهنده فعالیت متقلبانه یا ناتوانی در بازپرداخت وام نیست. برخی از کاربران ممکن است الگوهای رفتاری غیرمعمولی را به دلیل شرایط خاص و معتبر نشان دهند که بر ضرورت یک رویکرد جامع و چند لایه برای کشف تقلب تاکید می کند.

وام دهندگان می توانند با ترکیب تجزیه و تحلیل ابرداده با تکنیک های مختلف کشف تقلب، وقوع موارد مثبت کاذب را کاهش دهند و درک دقیق تر و دقیق تری از رفتار کاربر ارائه دهند و کارایی استراتژی های مدیریت ریسک را تقویت کنند. اساساً، شناسایی و درک ناهنجاری‌ها صرفاً در مورد شناسایی تهدیدهای بالقوه نیست. همچنین درک گسترده تری از رفتار مصرف کننده و ریسک اعتباری را غنی می کند. این دیدگاه جامع کلیدی برای پرورش اکوسیستم مالی ایمن تر، قابل اعتمادتر و قابل درک تر، تقویت اعتماد و دقت در جهانی به طور فزاینده ای است.

درباره نویسنده

Michele Tucci مدیر ارشد استراتژی و مدیر عامل در آمریکای شمالی و لاتین در credolab، یکی از بزرگترین ارائه دهندگان کارت امتیازی دیجیتال درجه بانکی و راه حل های غنی سازی داده است. میشل قبل از پیوستن به credolab در سال 2018 به‌عنوان مدیر ارشد محصول و بازاریابی، بیش از 20 سال بر روی وظایف مشاوره بین‌المللی، مدیریت محصول و نقش‌های توسعه تجاری با Capital One، MasterCard، Intesa Sanpaolo Bank و Telecom Italia Mobile کار کرده است.

سلب مسئولیت: بینش های صنعت به روز رسانی بیومتریک محتوای ارسال شده است. نظرات بیان شده در این پست متعلق به نویسنده است و لزوماً منعکس کننده نظرات Biometric Update نیست.

موضوعات مقاله

بیومتریک رفتاری | بیومتریک | Credolab | خدمات مالی | پیشگیری از تقلب | گوشی های هوشمند