四十年前，银行诈骗可能只涉及简单地伪造账户持有人的签名。现在，这些阴谋数量的增长速度和复杂性令人难以置信：一个学生银行帐户（已被某犯罪团伙掌控）收到10,000英镑的入账。几分钟之内，这些资金已经被转移到几十个不同的帐户，然后再被同时转账到一个国际账户，这一切都无声无息的在暗地里进行着。没有任何的警示。银行也对此毫不知情。等账户主人意识到钱不见之时，一切都已经为时过晚，钱和诈骗者早已经逃之夭夭。

　　在全世界各地，欺诈是各种商业风险日益增加的诱因之一。科罗尔和经济学情报组发布的2015/16全球欺诈报告显示，在去年，调查公司中有高达75％是欺诈行为的受害者，比三年前增加了14个百分点。欺诈对于金融机构来说是一个特别严重的问题，也许这并不足为奇。但金融专业人士协会的“2016年付款欺诈和控制调查”发现，73％的财务专业人士在2015年报告了企图或实际支付欺诈的行为。

　　当今金融机构欺诈行为的流行程度，可能使其变得十分难以解决。增加其挑战性的因素包括由于绝大多数机构每天受理的业务过于庞大，所以即使欺诈数量有所增加，也很容易被忽视，还有科技的飞速进步为欺诈手段提供了基础，再加上数据的不完整，以及金融机构之间缺乏信息的共享。银行大多数时间都缺乏实施必要保障措施的技术和能力。例如，试图快速将货币转移路径类型的电话集合在一起，以及时侦查有任何异常。

　　对于金融机构来说，数据分析的水平可以决定对于打击欺诈行为所进行观察、指导、决定和采取行动的决策周期。由于最好的见解往往处于行业或数据集重叠的边缘，因此对已知问题提出有针对性的提议，并结合各种信息，想办法研究出解决方案。通过将专有数据集合与行业基准、政府信息相结合，金融机构可以同时使用人工智能、机器学习和分析来大面积打击金融欺诈。财务主管们现在应该采取适当的措施，以发展和获得相关必要的人才，并创建适当的公司文化，将其分析整合到欺诈检测工作中。

　　正确定义对于数据的分析整合在应对金融欺诈中的作用

　　通过金融服务机构大量的数据流动，提升有效利用并分析这些数据的能力可以大大改进行业中的欺诈检测工作，也许还能同时提供一系列其他优势。将这些丰富的数据集与适当的分析模型相结合，可以更有效地收集识别和防止欺诈所需的信息。在某些情况下，机构所拥有的数据可以提供用于培训、检测欺诈事件的分析模型所需的数据集，然后与其他欺诈标记相结合。

　　对于希望打击欺诈行为的金融机构和政府机构而言，他们的目标应该是更好地汇总现有数据，以支持更及时的检测，并将这些数据与创建最有效的欺诈行为检测模型所需的专门知识相结合使用。这样做不仅可以节省资金，还可以有效保护企业的声誉和保持公众对于企业的信心。最近出现的一个例子成功地演示了将数据分析有效应用于欺诈行为的检测工作，是能够为企业提供及时并且显著好处的。

　　一个前所未有的、能够检测到转账重定向问题的模型

　　想象一下，你收到一封来自CEO的邮件，要求更新某关键供应商的付款细节。该邮件来源可靠，你当然会立即毫无疑问地执行老板下发的任务。但是，在你“完成任务“的同时，你不知不觉就成为一桩高级诈骗案件的其中一环。在这种情况下，冒名顶替者可以利用企业电子邮件帐户来说服无辜的员工将资金转入虚假账户。这种所谓的”CEO欺诈“案件在2015年至2016年第三季度期间上升了270％，在过去几年中导致了总计23亿美元的亏损。

　　大多数银行都有手动欺诈检测程序或基于一定规则的解决方案，但其作用十分有限。尤其是对于发票的转寄令（Invoice redirection）来说，这些既定程序遭到了额外的挑战，银行必须要及时发现那些看起来十分真实的虚假账户。打个比方，这就好像在干草堆里找一根针一样难 。在这种情况下，银行基本上无法及时得知资金去向的正当性。

　　将所需的数据进行组装，以用来训练可以准确识别潜在异常的分析模型，是打击欺诈行为的有力武器。 QuantumBlack与一家大型银行合作，旨在减少发票转寄令类欺诈案件的发生——从2010年至2015年的这类欺诈案件涉及资金达到了数千万美元，这一切都归功于利用该银行运营国家中最大的数据集之一。 现在他们的目标是开发一种工具，该工具可提供每日可疑交易报告，并确定超过80％的欺诈案例的发生和涉及资金数值。

　　QuantumBlack建立了监督机器学习模型，为了获得数百万日常交易中的潜在的每一笔欺诈。但是，当模型需要一个足够大的数据集来学习检测欺诈时，如果某一天的潜在欺诈交易的数量过小，全靠自动工作流程将花费过长的时间。对于该问题，QuantumBlack团队表示将研发出特定的训练模型，使其与日常操作分离开来，并已经创建了部分合成的数据集来训练该模型。

　　我们的团队与客户的数据工程团队密切合作，以确保其计算性能、数据库都处于最佳实践状态。 新合成的数据集成功地训练了模型，以确定哪些交易是安全的，哪些是潜在欺诈。

　　在实际使用当中，大多数日常交易可以立即被归类为非欺诈性。剩下的几千笔交易则是通过机器学习模式被检测的，该模型提供了一个风险分数，指示哪些交易可疑，哪些可以被认为是安全的。通过使用分析来结合每个交易的价值和风险概率，该模型可以通过风险评分立即将所有交易进行排序。两种不同的交易模式被用来计算风险分数：一个是资金来源和目的地帐户之间，另一个则是在目的地账户所建立的关系。

　　该模型的结果则是银行现在拥有了一个显著提高其检测高价值欺诈交易能力的工具。该工具每天平均通知银行35笔高风险的交易，处理着数百万元资金的流动，允许银行的反诈骗团队能够专注于真正需要密切调查的交易。然后得出的所有调查结果将用于对新型欺诈案件进行机器学习模式的培训当中。

　　该预测模型处理了交易当天超过85％的欺诈案件以及涉及资金价值，同时允许银行在业务关闭前停止交易并收回资金。在最近几周的实时记录交易中，该模型检测到大约10万美元的欺诈交易。许多其他银行表示对该产品有着浓厚兴趣，但这只是金融欺诈检测领域应用分析和建模的第一步。

　　携手共同打造实用的解决方案

　　这些方案都能够有效加强金融机构采用分析数据来反欺诈的机会。通常将大量、多方位的数据组合到同一张表格上，用其培训识别欺诈所需要的模型；通过大幅减少欺诈损失和增加公众对金融机构的信心，这些努力获得了很大的回报。

　　为了更好地以数据分析的方式来打压欺诈行为，金融机构的高管可以实施以下以四个关键领域为中心的框架：