隐藏的欺诈经济：为什么合成身份需要新的防御策略：作者：Uma Shankar Kulasekaran

隐藏的欺诈经济：为什么合成身份需要新的防御策略

乌玛·香卡·库拉塞卡兰

欺诈一直是一种追逐。银行建立防御，犯罪分子找到新的入侵方式，如此循环不断。近年来，一些更安静、坦率地说更危险的东西正在蔓延。这被称为合成身份欺诈。

这与窃取某人的姓名或闯入他们的帐户不同。合成身份是一点一点构建的。真实的社会安全号码与从未存在过的姓名或属于空地的地址组合在一起。随着时间的推移，这些假人开始看起来很真实。他们申请信贷。他们开设账户。他们通过了基本检查。

最终，它们消失了。贷款未偿还，余额被注销，甚至没有人知道抱怨。这就是为什么监管机构发现很难追踪，也是为什么机构常常在损失堆积如山数年之后才意识到这个问题。

当前防御的盲点

大多数欺诈工具都依赖于历史。他们关注支出模式、贷款偿还和账户行为。综合身份在历史不存在的一个阶段蓬勃发展：一开始。

当新申请人出现时，没有可以比较的记录。从纸面上看，一切看起来都很好。这种干净的开始正是欺诈者想要的。当可疑行为出现时，同一身份可能已经与多个机构绑定。

事实很简单。预防必须从第一个接触点开始，而不是在多年的隐藏活动之后开始。

分析：构建数字指纹

向前迈出的第一步是分析。想象一下，为每个申请人建立一个数字指纹，不是经过多年的交易，而是从第一刻开始。

此个人资料不仅仅是姓名、出生日期和地址的集合。它收集的信号包括某人申请信贷的频率、他们在拒绝后再次尝试的速度、他们使用的设备或浏览器，以及这些详细信息是否与信用局等可信来源一致。

分析的价值在于随着时间的推移它会变得更加有效。真正的客户始终如一。合成的最终会绊倒并显露出来。

比较：看到更大的图景

分析本身很强大，但比较更进一步。

想象一下来自不同城市的五份申请。名称和详细信息不相同。乍一看，它们看起来毫无关联。但仔细检查发现，三个人共享相同的电话号码，两个人使用相同的设备，并且都通过一个可疑的电子邮件域进行连接。看似孤立的请求突然变成了一个欺诈团伙。

比较通过三种方式发挥作用。它会检查已知的欺诈概况。它会查看相关帐户的集群。它还根据合法客户的行为来衡量新的配置文件。一旦你将视角从个体案例转向互联网络，情况就会完全改变。

图、机器学习和反馈循环

为了大规模管理这一点，系统需要正确的工具。图形分析揭示了帐户之间的隐藏链接，显示了原本不可见的重叠部分。机器学习将这些联系与行为数据一起权衡并产生风险评分。

然后是反馈。每一个已确认的欺诈或误报案例都会反馈到系统中。模型进行调整。准确性提高。防御进化了。

这并不是追寻昨天的伎俩。这是为明天做好准备。

为什么商业领袖应该关心

合成身份欺诈不仅仅是一个技术挑战。这是一个涉及金融稳定、监管和客户信任的战略问题。

财务影响是严重的，而且往往是隐藏的，直到为时已晚。监管机构开始要求加强控制。当误报不公平地阻止客户时，客户就会失去耐心。当系统不够智能来过滤案件时，调查团队面临着巨大的工作量。

换句话说，依赖过时的防御措施会让一个机构处于不利地位。成本不仅以金钱来衡量，还以声誉和韧性来衡量。

从防御到韧性

过去，预防欺诈意味着筑起围墙。那不再有效了；如今，韧性比僵化更重要。

合成身份只是一个开始。借助人工智能和深度造假，欺诈者很快就会创造出看起来完美无缺的身份。如果防御无法适应，它们就会在压力下崩溃。

更好的途径是采用自适应系统。分析、比较、图形智能和机器学习共同使机构变得更强大。他们防止欺诈。他们加快了真正客户的入职速度。他们向监管机构保证，风险的管理是有远见的。

这就是韧性。韧性是一种策略。

前进之路

金融业面临着一个明确的选择。继续使用过时的工具修补漏洞，或采用积极主动的方法来消除盲点。

这不仅仅与技术有关。这是关于思维方式的转变。欺诈必须被视为一种网络经济，而不是一个孤立的事件。防御也必须联网。

骗子在暗处猖獗。我们的工作是开灯。

Uma Shankar Kulasekaran 是一名产品管理总监，专门从事金融犯罪预防工作。他是合成身份检测专利方法的发明者，该方法集成了分析、比较、图形分析和自适应机器学习。