Wereldwijde verliezen door online betalingsfraude bedroegen in 2022 41 miljard dollar, een bedrag dat naar verwachting zal zijn opgelopen tot 48 miljard dollar aan het einde van 2023. Het bestrijden van betalingsfraude en het beperken van de verwoestende financiële en reputatieschade ervan is een topprioriteit geworden voor bedrijven. Naast de directe financiële verliezen die betalingsfraude met zich meebrengt, krijgen bedrijven ook te maken met een mogelijke erosie van het vertrouwen en de loyaliteit van klanten, en ook met verhoogde controle door toezichthouders en wetshandhavingsinstanties. Om deze groeiende dreiging het hoofd te bieden, wenden organisaties zich tot machine-learning.

Machine-learning, een deelgebied van kunstmatige intelligentie (artificial intelligence, AI), biedt een krachtige en adaptieve oplossing om de complexe en evoluerende aard van betalingsfraude aan te pakken. Door grote datasets en geavanceerde algoritmen te mobiliseren, kan machine-learning patronen en anomalieën opsporen die wijzen op frauduleus gedrag, waardoor het voor bedrijven mogelijk wordt om fraude in realtime op te sporen en te voorkomen. Uiteindelijk kan machine-learning bedrijven helpen een veilige omgeving rond betalingen in stand te houden om hun klanten, inkomsten en reputatie te beschermen.

We bespreken wat machine-learning voor fraudepreventie kan betekenen en hoe bedrijven deze tool kunnen gebruiken in verschillende betaalscenario's.

Wat staat er in dit artikel?

• Wat is machine-learning?
  
• Hoe wordt machine-learning gebruikt bij fraudepreventie en -opsporing?
  
• Certificering van fraudebestrijding op basis van machine-learning
  
• Voorbeelden van machine-learning voor fraudeopsporing
  

What is machine learning?

Machine learning is a subfield of AI that focuses on developing algorithms and models that give computers the ability to learn from data, identify patterns from within the data, and make decisions based on their learnings.

There are three main types of machine learning:

Supervised learning

Supervised learning is a type of machine learning in which a computer is taught to make predictions or decisions based on examples. Think of it like a student learning from a teacher: the teacher provides the student with a set of problems and correct answers to those problems, and the student studies these examples, learning to recognize patterns. When the student faces a new problem, they can use their previous knowledge to find the correct answer.

In supervised learning, the computer algorithm is given a dataset with both the input data (problems) and the correct output (answers). The algorithm studies this dataset and learns the relationship between the input and output. Eventually, the algorithm can make predictions or decisions for new data that it has not seen before.

Unsupervised learning

Unsupervised learning is a type of machine learning in which a computer learns to identify patterns or structures in data without being given any specific examples or correct answers. This is similar to how a detective would try to solve a case without any initial leads—by looking for clues and connections in the available information to uncover hidden patterns or relationships. In unsupervised learning, the computer algorithm is given a dataset with only input data, without any corresponding correct outputs (answers). The algorithm’s job is to analyze this data and discover underlying patterns.

Reinforcement learning

Reinforcement learning is a type of machine learning in which a computer learns to make decisions by interacting with an environment and receiving feedback in the form of rewards or penalties. Think of how you might train a dog to perform tricks. When the dog performs the trick correctly, you offer it a treat (a reward), and when the dog doesn’t do the trick, you may give it a gentle correction (a penalty). Over time, the dog learns to perform the trick correctly to maximize the number of treats it receives.

In reinforcement learning, the computer algorithm, often called an agent, explores an environment and makes decisions. For each decision it makes, it receives feedback as either a reward or a penalty. The algorithm’s goal is to learn the best strategy, or policy, to make decisions that maximize its cumulative rewards over time. It does this through trial and error, adapting and improving its strategy based on the feedback.

Machine learning techniques are used in many different scenarios, including natural language processing, image and speech recognition, medical diagnosis, financial analysis, and autonomous vehicles.

Hoe wordt machine-learning gebruikt bij fraudepreventie en -opsporing?

Machine-learning wordt steeds vaker gebruikt bij fraudepreventie en -opsporing vanwege het vermogen om grote hoeveelheden gegevens te analyseren, patronen te ontdekken en zich aan te passen aan nieuwe informatie. Veelvoorkomende toepassingen van machine-learning bij fraudepreventie zijn:

• Opsporing van onregelmatigheden
  Machine-learning-algoritmen kunnen ongebruikelijke patronen of afwijkingen van normaal gedrag in transactiegegevens ontdekken. Door te 'trainen' op historische gegevens leren de algoritmes legitieme transacties te herkennen en verdachte activiteiten te signaleren die op fraude kunnen duiden.

• Risicoscore
  Machine-learning-modellen kunnen risicoscores toewijzen aan transacties of gebruikersaccounts op basis van verschillende factoren, zoals transactiebedrag, locatie, frequentie en gedrag in het verleden. Hogere risicoscores duiden op een grotere kans op fraude, waardoor organisaties hun middelen kunnen prioriteren en zich kunnen concentreren op specifieke transacties of accounts die verder onderzoek rechtvaardigen.

• Netwerkanalyse
  Fraudeurs werken vaak samen en vormen netwerken om hun activiteiten uit te voeren. Machine-learning-technieken zoals de analyse van grafieken kunnen helpen deze netwerken bloot te leggen door relaties tussen entiteiten (zoals gebruikers, accounts of apparaten) te analyseren en ongebruikelijke verbindingen of clusters te ontdekken.

• Tekstanalyse
  Machine-learning-algoritmen kunnen ongestructureerde tekstgegevens analyseren, zoals e-mails, berichten op sociale media of klantrecensies, om patronen of trefwoorden te identificeren die kunnen duiden op fraude of oplichting.

• Identiteitsverificatie
  Machine-learning-modellen kunnen door de gebruiker verstrekte informatie analyseren en verifiëren, zoals afbeeldingen van identiteitsdocumenten of gezichtsherkenningsgegevens, om ervoor te zorgen dat een persoon is wie hij beweert te zijn en om identiteitsdiefstal te voorkomen.

• Adaptief leren
  Een van de sterkste punten van machine-learning is het vermogen om te leren en zich aan te passen aan nieuwe informatie. Naarmate fraudeurs hun tactiek veranderen, kunnen machine-learning-modellen met nieuwe gegevens opnieuw worden getraind, waardoor ze up-to-date blijven en beter zijn uitgerust om opkomende fraudepatronen op te sporen.

Het gebruik van machine-learning bij fraudepreventie kan een krachtige manier zijn voor organisaties om hun opsporingmogelijkheden te verbeteren, het risico op fout-positieven te verminderen en de algehele beveiliging en klantervaring te verbeteren.

Certificering van fraudebestrijding op basis van machine-learning

Certificering van fraudebestrijding op basis van machine-learning is een bepaald type professioneel certificerings- of trainingsprogramma, dat zich richt op de toepassing van machine-learning-technieken bij het opsporen en voorkomen van fraude. Het doel van deze certificering is om individuen de kennis, vaardigheden en tools te bieden die nodig zijn om machine-learning toe te passen in de strijd tegen fraude.

Programma's voor certificering van fraudebestrijding op basis van machine-learning hebben doorgaans betrekking op:

• Grondbeginselen van machine-learning: Een inleiding tot de basisconcepten en -principes van machine-learning, inclusief onder toezicht, zonder toezicht en reinforcement learning-technieken, evenals tot de meest gebruikte algoritmen.

• Voorbereiding en voorbewerking van gegevens: Technieken voor het opschonen, transformeren en voorbereiden van gegevens voor gebruik in machine-learning-modellen, waaronder het verwerken van ontbrekende of door ruis aangetaste gegevens (beschadigde of anderszins onbruikbare gegevens), feature engineering en gegevensnormalisatie.

• Modeltraining en -evaluatie: Methoden voor het trainen van machine-learning-modellen, het selecteren van geschikte algoritmen, het optimaliseren van modelparameters en het evalueren van modelprestaties met behulp van metrieken zoals nauwkeurigheid, precisie, recall en F1-score (een maatstaf voor precisie en recall).

• Technieken voor fraudeopsporing: Een overzicht van verschillende op machine-learning gebaseerde benaderingen die worden gebruikt bij fraudeopsporing, zoals de opsporing van onregelmatigheden, risicoscores, netwerkanalyse, tekstanalyse en identiteitsverificatie.

• Gebruik in de praktijk: Best practices voor het inzetten en gebruik van machine-learning-modellen in een productieomgeving, waaronder modelversiebeheer, monitoring en behoud van modelprestaties in de loop van de tijd.

• Ethiek en regelgeving: Een bespreking van ethische overwegingen en wettelijke compliance met betrekking tot machine-learning en fraudepreventie, zoals gegevensprivacy, redelijkheid en uitlegbaarheid (het vermogen om aan een mens uit te leggen wat een machine-learning-model doet van invoer tot uitvoer).

Het behalen van een certificering van fraudebestrijding op basis van machine-learning kan professionals helpen hun expertise op dit gespecialiseerde gebied te laten zien, waardoor ze waardevol kapitaal worden voor organisaties die hun fraudeopsporingmogelijkheden willen verbeteren. Er zijn veel soorten professionals die baat kunnen hebben bij een dergelijke certificering, waaronder datawetenschappers, analisten, fraudeonderzoekers en cyberbeveiligingsspecialisten.

Voorbeelden van machine-learning voor fraudeopsporing

Bedrijven die te maken hebben met betalingen van klanten kunnen fraudeopsporing en -preventie op basis van machine-learning toepassen voor verschillende betaalscenario's:

Fysieke betalingen

• Opsporing van creditcardfraude
  Machine-learningalgoritmen kunnen transactiegegevens analyseren (zoals tijd, locatie, bedrag en bedrijf) om patronen te ontdekken en potentieel frauduleuze transacties in real time te signaleren. Als de kaart van een klant bijvoorbeeld binnen een kort tijdsbestek op twee ver uit elkaar liggende locaties wordt gebruikt, kan het systeem de transacties als verdacht markeren.

• Opsporing van onregelmatigheden bij verkooppunten
  Machine-learning kan transacties op verkooppunten monitoren en ongebruikelijke patronen op het spoor komen. Als een werknemer bijvoorbeeld een ongewoon hoog aantal terugbetalingen of kortingen heeft verwerkt, kan dat duiden op interne fraude of diefstal.

Mobiele betalingen

• Identificatie van apparaten aan de hand van hun kenmerken
  Machine-learning-modellen kunnen apparaatspecifieke informatie analyseren (bijv. apparaatmodel, besturingssysteem, IP-adres) om een unieke 'vingerafdruk' voor elke gebruiker te creëren. Dit helpt bij het detecteren van frauduleuze activiteiten, zoals accountovernames of meerdere accounts die aan één apparaat zijn gekoppeld.

• Gedragsbiometrie
  Machine-learning kan gedragspatronen van gebruikers analyseren, zoals typesnelheid, veegbewegingen of app-gebruik, om de identiteit van de gebruiker te verifiëren en mogelijke onregelmatigheden op te sporen die op fraude kunnen duiden.

E-commerce

• Preventie van accountovername
  Machine-learning kan het aanmeldingspatroon van gebruikers volgen en ongebruikelijke activiteiten op het spoor komen, zoals meerdere mislukte aanmeldingspogingen of aanmeldingspogingen vanaf nieuwe apparaten of locaties, wat kan duiden op een poging tot accountovername.

• Opsporing van vriendelijke fraude
  Machine-learning kan patronen vinden die verband houden met vriendelijke fraude, waarbij klanten een aankoop doen en later beweren dat de transactie ongeautoriseerd was of dat ze het product nooit hebben ontvangen. Modellen kunnen factoren analyseren zoals de aankoopgeschiedenis van klanten, retourpercentages en chargebackpatronen om potentiële gevallen van vriendelijke fraude te signaleren.

Andere relevante toepassingen

• Opsporing van factuurfraude
  Machine-learning kan facturen en gerelateerde documentatie analyseren om naar verschillen te zoeken, zoals dubbele facturen, niet-overeenkomende bedragen of verdachte leveranciersgegevens, die op fraude kunnen duiden.

• Opsporing van fraude met loyaliteitsprogramma's
  Machine-learning kan het gedrag van klanten binnen loyaliteitsprogramma's volgen, zoals het verzamelen van punten, het inwisselen van punten en de activiteit van het account, om potentiële fraude of misbruik te identificeren en te signaleren.

Door op machine-learning gebaseerde systemen voor fraudeopsporing en -preventie te gebruiken, kunnen bedrijven zichzelf en hun klanten beter beschermen tegen fraude, financiële verliezen beperken en het vertrouwen en de tevredenheid van klanten verbeteren.