بانکها برای شناسایی کلاهبرداری، رفتار مشتریان را تحلیل میکنند
افزایش کلاهبرداریهای مبتنی بر مهندسی اجتماعی، بانکها را به سمت تحلیل رفتار مشتری، هوش رفتاری و هوش مصنوعی برای شناسایی تقلب سوق داده است.
بانکها با افزایش نوعی از کلاهبرداری مواجه شدهاند که در آن مشتریان پس از فریب یا تحت تأثیر قرار گرفتن از سوی مجرمان، خودشان پرداختها را تأیید میکنند. گزارش Fraud Readiness Benchmark 2026 شرکت ThreatMark نشان میدهد که صنعت بانکداری در حال ورود به دورهای است که مهندسی اجتماعی، الزامات بازپرداخت خسارت و افزایش حجم پروندههای کلاهبرداری، شیوه مقابله بانکها با تقلب را تغییر داده است.
مهندسی اجتماعی؛ انتقال ریسک به تعامل با مشتری
۵۵ درصد از مؤسسات مالی شرکتکننده در این بررسی اعلام کردهاند که مهندسی اجتماعی در بیشتر موارد کلاهبرداری آنها نقش دارد. مجرمان ممکن است خود را بهعنوان کارمند بانک یا افراد مورد اعتماد مشتری معرفی کنند تا او را متقاعد کنند که پولی را به حسابی تحت کنترل مجرمان انتقال دهد.
در چنین شرایطی، مشتری ممکن است با استفاده از اطلاعات کاربری و اعتبارنامههای واقعی خود، تراکنش را شخصاً تأیید کند. به همین دلیل، سامانههایی که برای شناسایی سرقت اطلاعات ورود، دستگاههای مشکوک یا تصاحب حساب طراحی شدهاند، ممکن است تراکنش را کاملاً قانونی تشخیص دهند؛ چراکه ظاهراً خود مشتری در حال انجام یک تراکنش عادی است.
به همین دلیل، تیمهای مقابله با کلاهبرداری توجه بیشتری به رفتار مشتری در طول فرایند بانکداری نشان میدهند. آنها به دنبال نشانههایی هستند که نشان دهد مشتری تحت فشار قرار گرفته یا پیش از انتقال پول، از دستورالعملهای فرد دیگری پیروی میکند.
هوش رفتاری وارد برنامههای مقابله با کلاهبرداری میشود
هوش رفتاری (Behavioral Intelligence) یکی از فناوریهایی است که برای شناسایی این نشانهها مورد استفاده قرار میگیرد. این فناوری میتواند الگوهای تعامل مشتری با سرویس بانکی را بررسی کرده و تغییرات غیرعادی را در طول یک جلسه شناسایی کند.
نشانههایی مانند مکثهای غیرمعمول، تکرار چندباره مراحل انجام تراکنش یا انتقال مبلغی غیرعادی به یک دریافتکننده جدید میتوانند زنگ خطر محسوب شوند.
۸۳ درصد از پاسخدهندگان، هوش رفتاری را برای شناسایی کلاهبرداریهای ناشی از مهندسی اجتماعی مؤثر ارزیابی کردهاند. با این حال، استفاده از این فناوری هنوز گسترده نشده است. تنها ۱۸ درصد اعلام کردهاند که در حال حاضر از هوش رفتاری استفاده میکنند، در حالی که تعداد بیشتری از مؤسسات مالی در حال برنامهریزی برای بهکارگیری آن هستند.
هوش رفتاری میتواند با شناسایی الگوهای غیرعادی تعامل مشتری، اطلاعات تکمیلی در اختیار سایر سامانههای تشخیص کلاهبرداری قرار دهد. ممکن است یک تراکنش از تمام بررسیهای فنی استاندارد عبور کند، اما رفتار مشتری نشانههایی ارائه دهد که نیازمند بررسی بیشتر باشد.
قوانین بازپرداخت خسارت، فشار بیشتری بر بانکها وارد میکند
کلاهبرداری از نوع Authorized Push Payment (APP) بهتدریج به یک موضوع مهم در حوزه مقررات مالی تبدیل شده است. در این نوع کلاهبرداری، قربانی در نتیجه فریب یا دستکاری روانی، خودش انتقال وجه را به حساب مجرم تأیید میکند.
از آنجا که پرداخت از حساب واقعی صاحب حساب انجام شده است، شناسایی کلاهبرداری و بازگرداندن وجه میتواند دشوارتر باشد.
در آمریکای شمالی، ۶۹ درصد از پاسخدهندگان انتظار دارند طی دو سال آینده قوانینی وضع شود که بانکها را ملزم به بازپرداخت خسارت ناشی از کلاهبرداریهای APP کند. با این حال، تنها ۳۱ درصد اعلام کردهاند که مؤسسه آنها در حال حاضر برای چنین الزامی آمادگی دارد.
اجرای قوانین بازپرداخت میتواند بخش بیشتری از هزینههای مالی ناشی از کلاهبرداری را به بانکها و ارائهدهندگان خدمات پرداخت منتقل کند. این موضوع باعث افزایش فعالیتهایی مانند بررسی درخواستهای خسارت، تحقیقات، ارتباط با مشتری و بازیابی وجوه خواهد شد.
شناسایی زودهنگام کلاهبرداری میتواند به بانکها کمک کند برخی تراکنشهای مشکوک را پیش از نهایی شدن متوقف کنند و از ایجاد هزینههای بعدی جلوگیری شود.
هوش مصنوعی بخش بیشتری از تحقیقات کلاهبرداری را بر عهده میگیرد
تیمهای مقابله با کلاهبرداری از هوش مصنوعی (AI) برای پردازش پروندهها پس از ایجاد هشدار استفاده میکنند. بررسی یک پرونده کلاهبرداری ممکن است نیازمند جمعآوری اطلاعات از چندین سامانه، ردیابی تراکنشها، بررسی ارتباطات و ایجاد یک خط زمانی از رویدادها باشد.
۹۱ درصد از مؤسسات شرکتکننده در این پژوهش موافق بودهاند که هوش مصنوعی میتواند زمان مورد نیاز برای تحقیقات کلاهبرداری بانکی را به میزان قابلتوجهی کاهش دهد.
از جمله کاربردهای هوش مصنوعی میتوان به ارتباط دادن هشدارهای مرتبط، ایجاد خط زمانی از فعالیتهای حساب و اولویتبندی پروندهها بر اساس سطح ریسک اشاره کرد.
هوش مصنوعی میتواند به تیمهای مقابله با تقلب کمک کند حجم بالای پروندهها را بهتر مدیریت کرده و پروندههایی را که نیازمند قضاوت انسانی هستند در اولویت قرار دهند. تحقیقات سریعتر همچنین فرصت بیشتری برای مسدود کردن وجوه یا هماهنگی برای بازیابی پول پس از شناسایی کلاهبرداری ایجاد میکند.
اتوماسیون نیز میتواند حجم فعالیتهای تکراری مورد نیاز برای بررسی هر پرونده را کاهش دهد.
مرز میان مقابله با کلاهبرداری و امنیت سایبری در حال کمرنگ شدن است
تیمهای مقابله با کلاهبرداری و امنیت سایبری با بسیاری از تهدیدهای مشترک، از جمله فیشینگ، بدافزار، سرقت اطلاعات کاربری و تصاحب حسابهای بانکی مواجه هستند.
بسیاری از متخصصان حوزه کلاهبرداری اکنون مسئولیتهایی در زمینه امنیت سایبری نیز بر عهده دارند. در نتیجه، اطلاعات مربوط به کلاهبرداری و تهدیدهای سایبری بیش از گذشته در فرایندهای مشترک مورد استفاده قرار میگیرد.
بر اساس این گزارش، ۸۱ درصد از متخصصان مقابله با کلاهبرداری که در این نظرسنجی شرکت کردهاند، مسئولیتهایی در حوزه امنیت سایبری نیز دارند.
بانکها همچنین با شرکتهای ارائهدهنده خدمات تخصصی و شبکههای اشتراکگذاری اطلاعات مربوط به کلاهبرداری همکاری میکنند. بهاشتراکگذاری دادهها میتواند به مؤسسات مالی در شناسایی کمپینهای کلاهبرداری، حسابهای مشکوک و الگوهای حمله مشترک میان چند سازمان کمک کند. البته الزامات مربوط به حریم خصوصی و رعایت مقررات همچنان بخش مهمی از این همکاریها است.
شناسایی رفتار غیرعادی مشتری، به خط دفاعی جدید بانکها تبدیل میشود
یکی از چالشهای اصلی بانکها، شناسایی کلاهبرداری در مراحل اولیه فرایند پرداخت است.
مهندسی اجتماعی میتواند بسیاری از نشانههای فنی معمول را پنهان کند؛ زیرا در این شرایط، مشتری واقعی با استفاده از حساب خود تراکنش را انجام میدهد. در چنین شرایطی، بررسی رفتار مشتری میتواند روش دیگری برای شناسایی احتمال دستکاری و فریب در اختیار بانکها قرار دهد.
در نتیجه، تمرکز بیشتری بر این موضوع ایجاد شده است که مشتری در طول یک جلسه بانکی چه رفتاری دارد، آیا رفتار او با الگوهای معمول و سابقه فعالیتش تفاوت دارد و آیا بانک باید پیش از تکمیل پرداخت وارد عمل شود یا خیر.
به نظر میرسد ترکیب هوش رفتاری، هوش مصنوعی و سامانههای سنتی تشخیص تقلب در سالهای آینده نقش مهمتری در مقابله با کلاهبرداری بانکی ایفا خواهد کرد؛ بهویژه در شرایطی که مجرمان به جای سرقت مستقیم اطلاعات، تلاش میکنند خود مشتری را به انجام تراکنش غیرمجاز متقاعد کنند.
