«Инфосистемы Джет» опубликовала результаты исследования мер противодействия мошенничеству в кредитно-финансовых организациях. В опросе участвовали руководители антифрод-подразделений более 30 российских банков. По их ответам, базовые технологии защиты уже широко используются, но 70% участников не располагают внутренними ресурсами для самостоятельной настройки антифрод-систем.
Это делает исследование прежде всего кадровой новостью. Банкам нужны специалисты, которые понимают не только интерфейс готового продукта, но и логику правил, потоки данных, оценку риска и влияние изменений на весь процесс выявления мошенничества.
Технологии внедрены, но их трудно адаптировать
Защита интернет-банка и мобильных сервисов, по данным исследования, достигает почти 100%. При этом операции в отделениях и кредитные продукты покрыты средствами антифрода не более чем на 40%. Разрыв показывает, что зрелость защиты заметно различается в зависимости от канала и типа операции.
Более половины опрошенных банков не смогли внедрить новые регуляторные требования без масштабных доработок со стороны вендора. Ещё 73% участников сообщили, что не способны оперативно адаптировать антифрод-решения к новым требованиям без существенного внешнего участия. Поэтому на первый план выходит собственная команда, способная менять правила и потоки данных без длительного цикла доработок.
Какие навыки становятся особенно важными
Классические сценарии на основе правил остаются востребованными: ими удовлетворены 87% опрошенных банков. Многофакторные модели оценки риска устраивают всех участников, которые их используют, однако внедрены только в 40% организаций — в том числе из-за требований к внутренней экспертизе.
Отдельный пласт работы связан с данными. Возможности встроенной аналитики антифрод-платформ считают ограниченными 73% респондентов. Поэтому 80% банков создают собственные хранилища данных, а 40% дополнительно внедряют инструменты для поиска связей между клиентами, счетами и операциями.
Для специалистов это формирует понятный набор практических компетенций: разработка и корректировка правил, анализ транзакций и аномалий, работа с качеством данных, поиск связанных объектов, оценка риска и объяснение причин срабатывания системы.
Почему машинного обучения недостаточно
Только 13% участников используют машинное обучение как основной механизм выявления мошенничества, и ни один из них не оказался полностью удовлетворён его работой. Банки называют среди сложностей непрозрачность решений, высокие требования к качеству данных и стоимость эксплуатации моделей.
Поэтому знание ML полезно, но само по себе не заменяет прикладную антифрод-экспертизу. Аналитику необходимо сопоставлять вывод модели с контекстом операции, разбирать ложные срабатывания и понимать, как изменение признаков или правил повлияет на клиентов и бизнес-процессы.
Как готовиться к работе в антифроде
Исследование даёт ориентир студентам, начинающим аналитикам и действующим ИБ-специалистам: обучение стоит выбирать по рабочим задачам, а не только по названию технологии. Полезна программа, в которой есть практика с правилами выявления мошенничества, анализом данных, риск-моделями и разбором реальных сценариев.
Сравнить доступные программы можно в разделе курсов по антифроду. Для более глубокого практического погружения в каталоге IBCourses также представлен курс INSECA по противодействию мошенничеству. Это 10-недельная программа уровня Middle; перед выбором её содержание стоит сопоставить со своим опытом и задачами.
Полные результаты исследования опубликованы на официальной странице «Инфосистем Джет».
Подробности: исследование «Инфосистем Джет».
Больше возможностей для обучения, практики и карьеры в информационной безопасности — в Telegram-канале IBCourses. @ibcoursestg