С ростом объёмов телефонного мошенничества всё чаще стала применяться функциональность оформления кредитов. По данным из открытых источников, в 2021 году из рук злоумышленников было спасено 24,2 млрд рублей кредитных средств клиентов. Расскажем, как применять антифрод для защиты от кредитного мошенничества, на примере разработки компании «Фаззи Лоджик Лабс».
- Введение
- Типы мошенничества в кредитной сфере
- Преимущества применения антифрод-систем для защиты от мошенничества с кредитами
- Современные антифрод-технологии для обнаружения мошенничества в кредитной сфере
- Антифрод в решении практических кейсов по кредитному мошенничеству
- Выводы
Введение
К рискам кредитного мошенничества можно отнести кредиты с просроченной задолженностью свыше 90 дней, по которым отсутствуют платежи и контакты с заёмщиком. При этом заёмщик предоставляет кредитору заведомо ложные сведения о своём имущественном положении (например, фальсифицированный баланс организации, фальшивую справку о доходах или заработной плате), которые служат основанием для выдачи кредита, либо недостоверную информацию.
Фальсификацией считается также сознательное предоставление сведений, которые соответствовали фактическим данным, но в силу определённых условий утратили достоверность (например, данные о доходах или заработной плате, месте работы за прошлый период). Предметом преступления могут быть деньги и иное имущество.
Рисунок 1. Данные по кредитному мошенничеству за период с октября 2020 г. по июль 2021 г.
Типы мошенничества в кредитной сфере
Мошенничество в кредитной сфере напрямую связано как с прогрессом кредитования, предлагающего всё большее разнообразие займов своим клиентам, так и с растущей конкуренцией банков с другими финансовыми организациями, которые готовы бороться за каждого клиента. Так, продукты онлайн-кредитования позволяют получить заём удалённо в короткие сроки через мобильный или интернет-банк. В зависимости от платёжного профиля и кредитной нагрузки пользователя предварительно одобренный кредит может достигать 10 млн рублей! Это, в свою очередь, провоцирует изобретение новых методов социнженерии и мошенничества в ДБО с кредитной функциональностью.
Таблица 1. Распространённые типы мошенничества в кредитной сфере
|
Типы мошенничества |
Короткое описание |
|---|---|
|
Невозвратные кредиты |
Заёмщик взял кредит, но возвращать его не собирается. |
|
Кредит по подложным документам |
Мошенники оформляют кредиты, а позже опротестовывают их, заявляя, что это были не они, а на момент оформления кредита у них и вовсе был утерян паспорт. |
|
Кредит по чужим документам |
Оформление кредита по документам другого человека. Нередко обычные ни в чём не повинные граждане становятся жертвами кредитных мошенников, которые берут займы на их имя. |
|
Фиктивные фирмы с кредитами на подставные лица |
Фиктивная фирма для получения займов отправляет в банк данные клиентов, большая часть которых — заранее подготовленная подставная информация. При этом банк перечисляет на счёт фирмы денежные средства за якобы купленные её клиентами товары и услуги в кредит. |
|
Жертвы «чёрных риэлторов» |
Так называемый «кредитный брокер» помогает клиенту в оформлении кредита, выступая его доверенным лицом. Позже брокер извещает клиента об отрицательном решении по кредиту, в то время как решение чаще всего бывает положительным, а сам вместе с его деньгами исчезает из поля зрения обманутого «несостоявшегося» заёмщика. |
|
Наличные вместо товара |
Оформление кредита на покупку определённого товара, например автомобиля или квартиры, который позже, уже будучи в залоге, продаётся втайне от кредитора. |
|
Телефонное мошенничество (социальная инженерия) |
Различные виды мошенничества, включая взятие кредита в банке и залог недвижимости. |
Если это не корпоративное мошенничество, в котором участвуют сотрудники организации, и банк готов выдать кредит по удалённому каналу, то банк обязан безошибочно идентифицировать клиента. Сейчас банки начали использовать системы антифрода, больше времени уделять проверке операций после получения кредита, фиксировать перевод кому-то кредитных средств сразу после их получения и запускать дополнительные механизмы проверки в случае обнаружения сомнительных операций. При этом важно, чтобы система антифрода являлась кросс-канальной, так как мошенничество и вывод средств происходят часто в разных каналах.
Преимущества применения антифрод-систем для защиты от мошенничества с кредитами
- Сбор пользовательской информации по всем каналам, включая мобильные приложения и интернет-банк.
- Сведения об устройствах, включая IP-адреса, модель, номер устройства, удаленное управление (TeamViewer) и т.п.
- Проверка по справочникам, чёрным и белым спискам.
- Нормализованная оценка риска проведения финансовых операций методом правил и алгоритмами машинного обучения, расчёт параметров в памяти (in-memory) по внутрисистемным объектам.
Современные антифрод-технологии для обнаружения мошенничества в кредитной сфере
В компании «Фаззи Лоджик Лабс», развивая кросс-канальную систему обнаружения и выявления мошеннических транзакций в режиме реального времени Smart Fraud Detection, мы разработали технологии, которые показали себя эффективными в выявлении мошенничества в кредитной сфере.
Рисунок 2. Схема работы антифрод-системы для выявления мошенничества с кредитами
- Технология для оценки поведенческих профилей
Функциональность позволяет индивидуально настраивать собственные объекты хранения для расчёта данных о поведении. Так, например, по составному объекту «карта — терминал» будет доступна следующая информация: время первой операции, время последней операции, объём операций за день, за месяц, отношение объёмов операций за месяц и за день. Это позволяет выделить атипичные долгосрочные действия и отследить аномалии в поведении.
Таблица 2. Виды элементов и массивов для создания собственных объектов хранения данных о поведении пользователя
|
Элемент |
Массив |
|
Первое значение атрибута |
«Время первого значения» и «Уникальное значение» |
|
Последнее значение атрибута |
«Время последнего значения» и «Уникальное значение» |
|
Суммирование значений атрибута |
«Дата» и «Суммирование значений атрибута» |
|
Минимальное значение атрибута |
«Дата» и «Минимальное значение атрибута» |
|
Максимальное значение атрибута |
«Дата» и «Максимальное значение атрибута» |
|
Счётчик количества транзакций |
«Дата» и «Счётчик количества транзакций» |
|
Время первого значения атрибута |
«Дата» и «Строка уникальных значений за дату» |
|
Время последнего значения атрибута |
«Время» и «Значение атрибута» |
|
Строка уникальных значений |
«Время первого значения» и «Уникальное значение атрибута с резолюцией» «Время последнего значения» и «Уникальное значение атрибута с резолюцией» |
- Технология «Генератор правил»
В этой технологии правила-гипотезы формируются автоматически и последовательно оптимизируются после каждой итерации. Если, например, выполняется оптимизация правил для социальной инженерии, то система по результатам работы предложит новые правила для лучшего нахождения таких операций при минимальном количестве ложных срабатываний.
Правила генерируются (оптимизируются) в режиме «офлайн» и удобны для дальнейшего анализа. Например, можно создать новые запросы копированием и сохранить набор данных для повторных запусков; можно расширить список доступных операторов, экспортировать результаты и посмотреть в них общую статистику по транзакциям. Ещё одно важное преимущество системы — это экономия ресурсов: все данные хранятся в оперативной памяти. Обращение к базам данных заказчика нужно только для синхронизации.
- Технология дополнительного мониторинга транзакций и оценки риска проводимых платежей по протоколу 3-D Secure 2.0
В режиме реального времени создаются более точные профили объектов в различных каналах, а также связи между ними (клиенты, получатели платежей, мерчанты, IP-адреса, реквизиты и геолокации клиентских устройств…); определяются кросс-канальные регулярные платежи, типовые устройства, скорость перемещения по IP; проверяются платежи по реквизитам и устройствам известных мошеннических операций, проведённых в других банковских каналах.
Рисунок 3. Технология выявления мошенничества по протоколу 3DS2
Антифрод в решении практических кейсов по кредитному мошенничеству
Кейс 1. Невозвратные кредиты, кредиты по подложным документам, кредиты по чужим документам
Банковский мошенник с февраля 2021 г. получал и не возвращал кредитные займы в Москве и Санкт-Петербурге. Персона проходила под разными установочными данными (более 10) в разных городах. Подтверждённые случаи мошенничества — более 30 эпизодов, подтверждённый ущерб — 3 756 281 руб.
Сотрудница банка построила изощрённую пирамиду и украла у клиентов более 579 тысяч рублей. Она оформляла без их ведома фиктивные кредиты в Твери, фальсифицировала сведения и готовила подложные кредитные договоры. Чужие деньги она использовала для погашения уже имеющихся задолженностей по фиктивным кредитным договорам, а также в личных целях. Суд назначил ей условное наказание на два года.
Решение с помощью антифрод-системы SFD: использование технологий «Генератор правил» и «Оценка поведенческих профилей».
Рисунок 4. Выявление мошенничества при совпадении по номеру мобильного телефона, имени и фамилии, но несовпадении по дате рождения
Рисунок 5. Выявление мошенничества при несовпадении номера паспорта
Рисунок 6. Пример срабатывания правил антифрода по спискам и входящим параметрам
Кейс 2. Телефонное мошенничество (социальная инженерия)
Инцидент с кражей более 500 тыс. рублей с банковской карты: мошенник представился сотрудником банка и попросил клиента зайти в личный кабинет и включить высшую степень защиты, так как якобы от его имени удалённо пытаются взять кредит. Для этого клиенту предложили скачать приложение (QuickSupport) и вместе с сотрудником сделать все операции. При звонке клиента на горячую линию параллельно поступил встречный звонок с совпадением девяти цифр номера горячей линии, где мошенник под видом сотрудника банка сообщил о «мошеннической» заявке на кредит. Введя клиента банка в заблуждение и осуществив удалённое подключение к телефону через установленное приложение, злоумышленник сделал несколько списаний денежных средств, которые были сняты в городе отличном от места проживания клиента банка.
Решение с помощью антифрод-системы SFD: использование технологий «Генератор правил» и «Оценка поведенческих профилей», дополнительный мониторинг транзакций и оценка риска проводимых платежей по протоколу 3-D Secure 2.0.
Рисунок 7. Выявление фиктивных номеров с заменой одной-двух цифр относительно телефона горячей линии банка
Рисунок 8. Отслеживание повторяемости «похожих» номеров в кредитных заявках
Кейс 3. Фиктивные фирмы с кредитами на подставные лица
В октябре 2021 г. завершилось расследование дела о хищении 120 зданий и исторических особняков в Москве. Ущерб государству от действий обвиняемых превысил 2 млрд рублей, общая стоимость недвижимости, которую они планировали похитить, составила более 10 млрд рублей. По версии следствия, банк выдавал кредиты различным ООО под фиктивные поручительства ФГУПов, в хозяйственном ведении которых находились здания. Объекты недвижимости оказались в залоге у банка.
Решение с помощью антифрод-системы SFD: использование технологий «Генератор правил» и «Оценка поведенческих профилей».
Рисунок 9. Выявление мошенничества при создании массовых заявок
Кейс 4. Наличные вместо товара
Мошенники оформили потребительский кредит на ограниченно дееспособного пенсионера за счёт схемы с навязанной продажей фильтра для воды. От имени пенсионера отправили анкетные данные в банк, где был оформлен кредит, а сумма кредита была выплачена банком злоумышленникам на счёт некоего ООО.
Решение с помощью антифрод-системы SFD: использование технологий «Генератор правил» и «Оценка поведенческих профилей».
Рисунок 10. Выявление мошенничества, когда мобильный телефон из анкеты мошенника встречается как телефон контактного лица в другой заявке
Выводы
Одной из основных задач любого банка является обнаружение мошенника как можно быстрее, лучше — ещё на этапе подачи заявки на кредит. Но если кредит уже выдан, то риски потенциального мошенничества могут быть обнаружены и на ранних стадиях постмониторинга антифрод-системами и службами безопасности банка. С помощью антифрод-системы Smart Fraud Detection можно выявлять и предотвращать мошеннические транзакции во всех каналах обслуживания клиентов, эффективно отслеживать и прогнозировать новые схемы мошенничества в кредитной сфере.
