Оценка технологических возможностей противодействия мошенническим практикам в банковском секторе

В связи с усилением западных санкций на российский банковский сектор резко выросло число злоумышленников, пользующихся доверием паникующих вкладчиков и нестабильной обстановкой на банковском рынке. В статье рассматриваются ключевые вопросы применения анализа больших данных как технологической основы противодействия мошенничеству в практической деятельности банков. Задачи такой борьбы – определить операции злоумышленников в потоке больших объемов статистической информации с наибольшей точностью и принять превентивные меры для минимизации ущерба. Целью статьи является оценка возможности использования банками технологии машинного обучения и разработка алгоритма выявления мошеннических операций на основе программирования. Особое внимание уделяется текущей экономической обстановке, ее влиянию на финансовую систему в целом, и особенно на переориентацию деятельности банковского сектора на борьбу с мошенническими действиями в условиях активизации фрод-деятельности.

1. Мамиконян О. 70 % россиян испытывают тревогу из-за сложившейся социально-экономической ситуации. Forbes. Среда 16 марта 2022. https://www.forbes.ru/forbeslife/459195-70-rossian-ispytyvaut-trevogu-iz-za-slozivsejsa-social-no-ekonomiceskoj-situacii (дата обращения: 18.08.2022).

2. Калюков Е. ВЦИОМ выявил рост тревоги у россиян из-за экономического кризиса. РБК. Среда 22 апреля 2020. https://www.rbc.ru/society/22/04/2020/5ea02d1c9a794704b82df2aa (дата обращения: 19.08.2022).

3. Банки.ру. Методы борьбы с банковской паникой. https://www.banki.ru/wikibank/metodyi_borbyi_s_bankovskoy_panikoy/ (дата обращения: 25.08.2022).

4. Ostapchenya D. The role of Big data in Banking: How do modern Banks use Big Data? Finextra. Friday 11 June 2021. https://www.finextra.com/blogposting/20446/the-role-of-big-data-in-banking--how-do-modern-banks-use-big-data (ac- cessed 25.08.2022).

5. Филина Ф. Big Data для банкира. Ведомости. Среда 25 октября 2017. https://www.vedomosti.ru/partner/articles/2017/10/23/739068-uznat-vse (дата обращения: 27.08.2022).

6. Бердышев А.В. Искусственный интеллект как технологическая основа развития банков. Вестник университета. 2018;(5):91–94. https://doi.org/10.26425/1816-4277-2018-5-91-94

7. KPMG. Global Banking Fraud Survey; May 2019. https://assets.kpmg/content/dam/kpmg/xx/pdf/2019/05/global-banking-fraud-survey.pdf (accessed 28.08.2022).

8. Гришина Е.А. Риски в платежных системах: мошеннические схемы в мире банковских карт. Финансы и кредит. 2018;24(6):1280–1291. https://doi.org/10.24891/fc.24.6.1280

9. Трифонов Д.А. Банковские карты в России: стоит ли пользоваться. Финансовая экономика. 2018;(9):287–291.

10. Лунина Е. Как устроен антифрод и почему с мошенниками так сложно бороться. РБК Тренды. Пятница 15 октября 2021. https://trends.rbc.ru/trends/industry/6167ff259a7947f4c6908e46 (дата обращения: 05.08.2022).

11. Ярцев А.Г. Алгоритмы оценки рисков и принятия решений по определению мошенничества в современных антифрод-системах. В кн. Теплотехника и информатика в образовании, науке и производстве: Сборник докладов IX Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых (TИМ’2021) с международным участием, Екатеринбург, 13–14 мая 2021 г. Екатеринбург: УрФУ; 2021. С. 331–335.

12. Kaggle. Fraud detection bank dataset 20K records binary. https://www.kaggle.com/datasets/volodymyrgavrysh/fraud-detec-tion-bank-dataset-20k-records-binary (accessed 10.08.2022).

13. Сенцова А.Ю., Тимергазин В.Э., Ильясова Р.И. Антифрод-система как инструмент предотвращения мошенничества. Информационные технологии. Проблемы и решения. 2021;4(17):101–107.