Door gebruik te maken van datavisualisatie kunnen banken hun fraudedetectiemogelijkheden aanzienlijk verbeteren. Ik sprak met Atmajitsinh Gohil, auteur van R Datavisualisatiekookboekover de technologieën die de strijd tegen financiële fraude transformeren.
Volgens de Nilson-rapportzullen de mondiale creditcardverliezen in 2026 naar verwachting 43 miljard dollar bedragen. Atmajitsinh Gohil, een gerenommeerd auteur van R Datavisualisatiekookboek, en een van de topexperts op het gebied van AI-tools, is van mening dat datavisualisatietechnieken cruciaal zijn in de strijd tegen fraude.
Atmajitsinh heeft met financiële instellingen samengewerkt om financiële gegevens te beoordelen en AI-hulpmiddelen te ontwikkelen voor de detectie van afwijkingen. Deze AI-hulpmiddelen identificeren patronen in de gegevens en sporen mogelijke fraudeurs op. Gohil heeft eigen tools voor datavisualisatie ontwikkeld om financiële fraude te identificeren, financiële gegevens te beveiligen en nieuwe en opkomende bedreigingen te detecteren.
Zijn R Datavisualisatiekookboek duikt diep in de programmeertaal R en biedt praktische kennis die onmisbaar is voor iedereen, van data-analysestudenten tot beleidsmakers.
“Tegenwoordig vertrouwen banken sterk op machine learning-modellen die misdaad identificeren door datasets te analyseren”, zegt Gohil. “Het aandeel fraude in deze datasets is erg klein, wat detectie lastig maakt.”
Momenteel werkt hij aan de validatie van machine learning-modellen voor de grootste banken ter wereld. Volgens Gohil gebruiken criminelen verschillende tactieken, zoals het verkrijgen van gehackte klantinformatie van het dark web, het gebruik van generatieve AI voor phishing van persoonlijke gegevens en het witwassen van geld via cryptocurrency.
Gohil is zeer bedreven in het inzetten van AI om financiële verliezen te beperken, een strategie die onlangs aan populariteit heeft gewonnen onder financiële instellingen. Mastercard bijvoorbeeld gelanceerd een generatief AI-model om banken te helpen verdachte transacties op hun netwerk beter te beoordelen.
Dit eigen algoritme wordt getraind op gegevens van ongeveer 125 miljard transacties die jaarlijks via het kaartnetwerk van het bedrijf passeren. Gemiddeld kan de technologie van Mastercard het detectiepercentage van fraude met 20% verbeteren, en in sommige gevallen heeft dit geleid tot verbeteringen tot wel 300%.
Preventie van financiële criminaliteit
Volgens Gohil verzamelen financiële bedrijven enorme hoeveelheden gegevens uit verschillende transacties, waaronder geldoverdrachten en inlogactiviteiten. Bij het identificeren van frauduleuze activiteiten wordt het profiel van een individu vergeleken met historische gegevens om verdachte patronen op te sporen.
De innovatieve datavisualisatietechnieken van Gohil spelen in dit proces een cruciale rol. “Visualisatie speelt een rol door dashboards te maken die kunnen laten zien hoeveel mensen inloggen, wat hun geslachten zijn, hun leeftijdsgroepen en waar fraude plaatsvindt”, zegt Gohil. “Dit helpt bij het identificeren of fraude geconcentreerd is in een bepaalde demografische groep of regio.”
Wanneer fraudemodellen niet goed presteren, voeren banken aanpassingen door en gebruiken ze visualisatietechnieken om oude en nieuwe modellen met elkaar te vergelijken.
“Je kunt gegevens visualiseren om de prestaties vóór en na de verandering te zien. Dit helpt ons te begrijpen of de aanpassingen het aantal valse positieven hebben verminderd of de detectiepercentages hebben verbeterd”, voegt Gohil toe.
De belangrijkste risico’s voor banken
Naarmate de technologie vordert, geldt dat ook voor de methoden die door criminelen worden gebruikt. “Fraudeurs passen zich heel snel aan. Ze werken agressief om het systeem te doorbreken, vooral nu AI zijn intrede doet”, waarschuwt Gohil. Technologie kan bijvoorbeeld worden gebruikt om valse identiteitsbewijzen te maken of andere misleidende manieren om banksystemen te doorbreken.
Een van de grootste risico’s waarmee banken worden geconfronteerd, is het behouden van het vertrouwen van klanten en het beschermen van hun gegevens. “Het tevreden houden van de klant en ervoor zorgen dat hun identiteit niet lekt, zijn grote zorgen”, merkt Gohil op.
Spraakherkenningstechnologie, ontwikkeld door externe leveranciers, is zo’n innovatie die banken helpt bij het identificeren van frauduleuze oproepen. Deze systemen kunnen verschillende invoergegevens analyseren, zoals telefoonnummers en geografische locaties, om verdachte activiteiten te signaleren.
“Stemherkenning kan op basis van verschillende variabelen in het model vaststellen of een oproep frauduleus is”, legt Gohil uit.
De toekomst van fraudepreventie
De bedreigingen waarmee banken worden geconfronteerd, evolueren voortdurend. Phishing-e-mails, spam en valse communicatie van CEO’s zijn slechts enkele van de tactieken die fraudeurs gebruiken. Gohil waarschuwt dat banken waakzaam moeten blijven en nieuwe technologieën moeten adopteren om zichzelf en hun klanten te beschermen.
Met behulp van de datavisualisatietechnieken van Gohil kunnen financiële bedrijven AI gebruiken om scenario’s te creëren waarin ze potentiële bedreigingen identificeren en voorzorgsmaatregelen nemen. Door e-mails als intern of persoonlijk te labelen, kunnen banken bijvoorbeeld de informatiestroom monitoren en phishing-aanvallen voorkomen.
Hoewel veel banken over effectieve instrumenten beschikken om ongewoon gedrag op te sporen dat op fraude kan duiden, zijn deze instrumenten niet perfect. Dit is de reden waarom de datavisualisatietechnieken van Gohil cruciaal zijn voor het identificeren van frauduleuze patronen.
“Geavanceerde technologie is essentieel om onderscheid te maken tussen legitieme en kwaadaardige transacties”, zei hij. Financiële bedrijven kunnen de effectiviteit van hun fraudedetectiesystemen alleen nauwkeurig beoordelen door gebruik te maken van gegevens.
Uitgelicht beeldtegoed: Eduardo Soares/Unsplash
