Per migliorare la sicurezza delle proprie attività, molte società di servizi finanziari e di telecomunicazioni stanno investendo in nuove tecnologie. Secondo l’ultimo Consumer and Business Report di Experian, quasi la metà (49%) dei leader aziendali sta incrementando il budget dedicato alla prevenzione delle frodi.
La ricerca mostra che le aziende si rivolgono a Intelligenza Artificiale (AI) e Machine Learning (ML) per ridurre le perdite dovute alle frodi e i costi associati alla loro gestione grazie a un rilevamento più accurato e a una classificazione automatica.
Le principali problematiche che impediscono una gestione efficace delle frodi
La ricerca di Experian, condotta su quasi 600 leader aziendali di tutta la regione EMEA, mostra tre sfide principali a una gestione efficiente delle frodi.
Per il 41% degli intervistati, la sfida primaria risiede nella difficoltà e nella spesa associate alla gestione di svariate tipologie di software per la prevenzione delle frodi. Man mano che le minacce diventano più complesse, e caratterizzate da diversivettori di attacco, le aziende si trovano a dover combinare molteplici soluzioni antifrode. Senza un approccio coordinato, questi strumenti possono aumentare l’attrito nel percorso del cliente.
La seconda sfida evidenziata dalla ricerca è rappresentata dall’aumento dei ritardi e dei costi associati ai rinvii (36%). Le organizzazioni che si affidano a unaprevenzione delle frodi basata su regole stanno scoprendo di dover rivedere manualmente gran parte delle loro transazioni. Queste revisioni comportano costi elevati in quanto richiedono che un team di agenti antifrode sia costantemente disponibile per valutare richieste o acquisti. Inoltre, i ritardi causati dalle revisioni manuali hanno un impatto negativo sulle conversioni poiché costringono i clienti ad aspettare.
Le due sfide evidenziate si collegano direttamente alla terza: l’incapacità di allineare le strategie di frode con quelle di crescita dei ricavi (32%). I consumatori si aspettano che le loro esperienze online siano veloci e semplici: le soluzioni di prevenzione delle frodi che introducono ulteriori attriti possono ostacolare l’acquisizione di nuovi clienti.
I falsi positivi rappresentano un ulteriore problema. Norme antifrode rigide possono portare a rifiutare clienti legittimi per errore. A seconda dell’attività, questa perdita di guadagni potenziali può essere uguale o addirittura maggiore delle perdite effettive per frode. La ricerca suggerisce che molte aziende non sono nemmeno consapevoli dell’impatto dei falsi positivi poiché solo il 32% degli intervistati registra questa metrica.
L’ultima sfida evidenziata nella ricerca è che alcune organizzazioni hanno difficoltà ad adeguare modelli e regole in maniera sufficientemente rapida per rispondere alle nuove minacce di frode. Poiché le frodi si evolvono di continuo, molte organizzazioni sono alla ricerca di nuove soluzioni che le aiutino a tenere il passo e adattarsi alle nuove minacce.
In che modo il machine learning può risolvere queste sfide
L’uso del machine learning è ancora relativamente limitato, con solo la metà (53%) delle organizzazioni intervistate che lo utilizza già in diversi casi d’uso. Tuttavia, l‘adozione di questa tecnologia è in rapida crescita, con il 31% delle imprese intervistate che dichiara di voler implementare il machine learning nei prossimi 12 mesi. Ciò dimostra che un’ampia percentuale di organizzazioni sta iniziando a rendersi conto dei vantaggi che il machine learning può offrire rispetto alle soluzioni di prevenzione delle frodi basate solo su regole.
I benefici dell’utilizzo del machine learning nel rilevamento delle frodi vanno oltre l’obiettivo principale di ridurre le perdite, affrontando anche molte delle sfide associate alla loro gestione. I migliori modelli ML sono in grado di classificare automaticamente le transazioni con una precisione molto maggiore di quanto sia possibile solo con le regole. Questa maggiore accuratezza permette di bilanciare la riduzione del tasso di frode rispetto alla necessità di ricorrere ad una revisione manuale, riducendo il costo dei rinvii e migliorando l’esperienza del cliente.
Altro grande vantaggio dei modelli di frode ML è che possono essere continuamente riaddestrati sulle strategie più recenti: non appena viene identificato un nuovo tipo di frode, questo può essere aggiunto al modello prima che abbia un reale impatto. Tale processo di feedback continuo consente ai modelli ML di adattarsi alle mutevoli minacce in tempo reale e alle organizzazioni di rimanere un passo avanti rispetto ai trend di frode.
Come Experian aiuta le imprese
I modelli ML di Experian, uniti alla possibilità di creare facilmente quelle regole ritenute necessarie, consentono ai clienti di ottimizzare i risultati degli score prodotti da fonti dati di tipo diverso. Dalla profilazione tramite device ai “behavioral biometrics”, dalle soluzioni antifrode basate su dati applicativi all’intelligenza costruita su email, numeri di telefono e indirizzi IP, fino all’integrazione di modelli ML costruiti dagli stessi clienti con i propri dati interni o pubblici. Experian può orchestrare una pluralità di strumenti e permettere la gestione dei workflow più efficaci utilizzando i propri algoritmi per ottimizzare il risultato.
In un contesto di grandi incertezze a livello macroeconomico, e con una previsione di minacce di frode in aumento per il prossimo futuro, le soluzioni basate sul machine learning giocheranno un ruolo fondamentale nell’aiutare le aziende a resistere alle prossime ondate di attività fraudolente, aiutandole al contempo a incrementare i propri ricavi.
Alessandro Cirinei, Product, Proposition & Innovation Director di Experian
