BI.ZONE AntiFraud
Monitors financial and nonfinancial operations (e.g., personal data access, contact detail change) in real time to identify fraud schemes that spread across different channels
Counters little-known schemes with a fraud analytics model drawing on the experience of the largest organizations
Tracks illegal login attempts based on common indicators of fraudulent authorization and deviations from typical customer behavior
Detects multi-accounting, device emulation, and logins from ill-reputed devices.
Tracks automated user activity, generates ID session detections, and forwards them to WAF
Enables seamless login experience through RBA
Identifies and blocks fraudulent financial and nonfinancial operations, drawing on expert rules and AI models trained to detect abnormal user behavior. Supports multiple transaction channels for comprehensive cross-channel monitoring
Automatically blocks fraudulent transactions with a response time as low as 0.1 seconds
Features ready-made rules and rule creation capabilities. Supports customization of fraudulent transaction response scenarios. Allows users to generate reference books and additional parameters for future rules and AI models
Leverages an AI model for user profiling to reduce false positives and identify emerging fraud schemes
Allows users to test rules and aggregates on loaded transaction pools before deployment as well as to analyze the test results
Analyzes over 350 mobile device and web application parameters in real time to detect anomalies. Builds global user profiles, enhancing the effectiveness and accuracy of fraud detection
Assesses device legitimacy, supported by a global reputation database
Analyzes and stores key user behavioral characteristics registered during online service sessions
Identifies potential fraud indicators for detailed analysis. Key detections include remote connections, active calls, malware presence, VPN/Tor usage, credential spoofing, robotic activity, and more than 80 additional criteria
The entire deployment procedure comes down to running a few installation packages, which significantly reduces costs and implementation time
Employees log in using their corporate credentials, which streamlines user onboarding and permissions management
The system automatically suggests input options in English, eliminating the need to know exact attribute or function names
Users can leverage ready-made AI models or upload their own based on the XGBoost algorithm for more efficient antifraud automation
Ask our experts
You might also need
Фрод — это вид киберпреступлений, обычно нацеленный на деньги жертвы. В сущности, это мошенничество в интернете, чаще всего — в банковской сфере. При этом в рамках фрода злоумышленники часто задействуют социальную инженерию, кардинг (операции, использующие данные украденных карт) и другие инструменты, например трояны.
Антифрод‑системы позволяют кредитным организациям и онлайн‑сервисам обезопасить клиентов от мошенников. Задача антифрод‑решений — находить подозрительные транзакции по ряду признаков, чтобы выяснить, легитимны ли они, а также предлагать заказчику варианты дальнейших действий. Помимо прочего, антифрод‑системы позволяют противостоять отмыванию доходов и финансированию терроризма (anti‑money laundering, AML).
Банки используют два вида антифрод‑решений: транзакционный и сессионный.
- Транзакционный антифрод проверяет легитимность каждого действия клиента, например аутентификации, запроса баланса карты или платежа. Банк отправляет в антифрод‑систему набор параметров, на основе которых она выносит вердикт: разрешить операцию, заблокировать или отправить на рассмотрение аналитику.
- Сессионный антифрод наблюдает за действиями клиента по ряду параметров, пока тот взаимодействует с онлайн‑сервисом. Если система замечает аномалии в его поведении, то передает данные о нелегитимных действиях в банк.
В решении BI.ZONE AntiFraud (BAF) применяются оба вида антифрода.
Антифрод актуален для интернет‑магазинов, страховых компаний, программ лояльности и госучреждений. В общем смысле антифрод нужен любому онлайн‑сервису, где необходимо предотвращать кражу аккаунтов, обнаруживать учетные записи преступников, отсекать исходящий от ботов трафик и упрощать аутентификацию для клиентов.
Существует несколько параметров.
В первую очередь антифрод должен строить единый платежный профиль клиента. Этот профиль позволяет оценить легитимность транзакций по нескольким каналам одновременно и предотвратить фрод, перетекающий из одного канала в другой в рамках атаки. Кросс‑канальные антифрод‑платформы справляются с этой задачей лучше всего.
Второй важный фактор при выборе антифрода — наличие настраиваемого или адаптивного механизма управления правилами. Он позволит внедрять новые правила быстрее, что, в свою очередь, ускорит реагирование на появляющиеся преступные схемы.
Также антифрод‑система должна позволять оценить риски на базе модели машинного обучения. Использование этой технологии повысит эффективность правил.
Что касается поставщика, то у его специалистов должен быть подтвержденный опыт работы с крупными организациями.
Модель машинного обучения, безусловно, полезна: она позволяет снизить объем ложных и повторных срабатываний, постоянно учится на новых атаках, а также подсвечивает уровень риска для подозрительных операций. Однако это не панацея, и полагаться только на нее в антифроде нельзя — необходимо сочетать машинное обучение со строгим набором правил и работой аналитиков.
Для небольших компаний актуальна облачная антифрод‑платформа: она позволяет сэкономить на закупке железа. При этом облако по умолчанию защищено — персональные данные клиентов не передаются, чувствительная информация хешируется, а трафик идет по закрытым каналам.
Крупному бизнесу важно на 100% контролировать информационные активы, поэтому компаниям в этом сегменте лучше подойдет вариант антифрода on‑premise — внутри IT‑периметра.
Доступность поставщика и скорость общения с ним крайне важны, поскольку позволяют:
- быстро исправлять баги в антифрод‑системе;
- добавлять новые типы платежей и функции;
- консультироваться насчет корректности правил по выявлению фрода.
Нет стандартного набора параметров, который подходил бы каждой компании. Однако чаще всего бизнес оценивает антифрод‑системы по следующим показателям:
- Доля false positive. Это одна из главных метрик, за которыми стоит следить. Она показывает число ложных срабатываний от общего объема транзакций за конкретный период. Когда доля false positive в антифрод‑системе высока, растет нагрузка на кол‑центр и отдел финмониторинга. Это даже портит впечатление клиентам: им приходится звонить в банк и доказывать легитимность операций.
- Объем предотвращенного мошенничества. Тут все просто: чем больше денежных средств защитила от мошенников антифрод‑система, тем лучше. Желательно, чтобы у вас была возможность посмотреть, какую часть транзакций остановило то или иное правило: так вы сможете оценить его эффективность.
- Скорость внедрения новых правил. Чем грамотнее в антифрод‑системе устроен процесс настройки правил (даже сложных), тем выше скорость, с которой вы сможете реагировать на очередную мошенническую схему.
- Клиент совершает действие: проходит аутентификацию, оплачивает услугу или пытается купить товар.
- Ваши автоматизированные системы (АС) направляют транзакцию на анализ в BAF. На основе сопутствующих данных строится профиль клиента и его устройств.
- BAF оценивает уровень риска операции. Для этого антифрод‑платформа определяет соответствие типичному поведению.
- По результатам оценки риска и проверки по набору правил BAF выносит вердикт: разрешить, приостановить или заблокировать транзакцию. После этого антифрод‑решение возвращает вердикт в АС.
- В зависимости от вердикта АС либо проводят транзакцию, либо отклоняют/приостанавливают ее и сообщают об этом клиенту.
- Если транзакция отклоняется или приостанавливается, в системе создается инцидент. Фрод‑аналитик может дать подтверждение или опровергнуть факт преступной активности.
- Итоги обработки транзакций и расследования инцидентов используются для ежедневного переобучения математических моделей.
Каждый модуль BAF ежедневно принимает и обрабатывает сотни гигабайт данных, чтобы обеспечивать безопасность транзакций.
- Модуль защиты платежных операций анализирует срез данных в момент транзакции. Список собираемых сведений согласуется с банком или онлайн‑сервисом на этапе внедрения антифрод‑системы. Сюда входит, например, информация об устройстве клиента, о его интернет‑соединении и самой транзакции (сумма, получатель и т. п.).
- Модуль глубокой сессионной аналитики запрашивает набор данных, таких как номер телефона, IP‑адрес, тип сетевого соединения, чтобы снять цифровой отпечаток с устройства клиента. Это позволяет сразу выявлять аномалии, которые не видны на срезе в моменте. Помимо прочего, модуль отметит нехарактерные движения мышью или ввод текста на клавиатуре с непривычной скоростью.
С помощью API система BI.ZONE AntiFraud может быть интегрирована с любой системой ДБО и процессинга. Уже работает готовая интеграция с ФинЦЕРТ (Центром взаимодействия и реагирования департамента информационной безопасности, специальным структурным подразделением Банка России) и с процессинговыми центрами на базе Way4 и Compass Plus. BAF — комплексное решение, интегрируемое с различными системами заказчика (банка или любого другого агрегатора платежей), позволяющее обезопасить клиентов от мошенничества.
Интеграция с экосистемой BI.ZONE позволяет обеспечить защиту компании на разных уровнях. С помощью BI.ZONE WAF система дает проактивную защиту от большинства атак, направленных на веб‑приложения и их пользователей. Платформа BI.ZONE ThreatVision повышает эффективность антифрод-решения, так как проводит киберразведку и обогащает внутренние базы данных. Продукт BI.ZONE Mobile Security защищает пользователей от звонков мошенников и предупреждает о скомпрометированных учетных записях. Услуга «Управление киберинцидентами» снижает вероятность финансовых и репутационных потерь до минимума, так как сотрудники BI.ZONE оперативно реагируют на происшествие, а после этой ситуации проводят тщательное расследование.
Да. 27 июня 2018 года был принят 167‑ФЗ
Приведем пример блокирования операции, которая считается подозрительной по критериям Банка России. С телефона держателя карт банка переводится некоторая сумма другому пользователю. Когда антифрод‑система работает, при наличии подозрений запускается проверка перевода с карты. Банк приостанавливает платеж, сумма блокируется, запрашивается подтверждение сомнительной операции у клиента. Если это несанкционированный перевод, он отклоняется, мошенник не получает деньги.