Top 10 Đại lý Phát hiện Gian lận và Giám sát Giao dịch

Top 10 Đại lý Phát hiện Gian lận và Giám sát Giao dịch

Cập nhật ngày 17 tháng 8 năm 2026

Phòng chống gian lận đang chuyển từ các điểm rủi ro riêng lẻ sang hoạt động rủi ro đầu cuối. Các hệ thống hiện đại được kỳ vọng sẽ chấm điểm một giao dịch theo thời gian thực, kết nối nó với các tài khoản và thiết bị liên quan, điều tra hoạt động xung quanh, giải thích quyết định và đề xuất các bước tiếp theo.

Quy trình làm việc đó rất quan trọng vì một mô hình giao dịch và một đại lý điều tra giải quyết các vấn đề khác nhau. Các quy tắc và mô hình học máy phát hiện và chấm điểm rủi ro. Các đại lý thu thập bằng chứng, kết nối các sự kiện, tóm tắt các trường hợp, đề xuất hành động và đôi khi tự động xử lý các trường hợp rủi ro thấp. Unit21 mô tả sự khác biệt này một cách trực tiếp: một đại lý gian lận nên thực hiện các nhiệm vụ điều tra thay vì chỉ hiển thị điểm số hoặc tóm tắt thông tin đã hiển thị cho nhà phân tích. (unit21.ai)

Do đó, các nền tảng mạnh nhất kết hợp:

• Quy tắc thời gian thực và học máy
• Thông tin tình báo về hành vi và thiết bị
• Phân tích thực thể và giao dịch dựa trên đồ thị
• Điều tra vụ việc và thu thập bằng chứng
• Các quyết định có thể giải thích và nhật ký kiểm toán bất biến
• Các đề xuất khắc phục
• Giám sát sự trôi dạt của mô hình và kết quả

Bài viết này so sánh mười nền tảng hàng đầu với các yêu cầu đó, đặc biệt chú ý đến độ chính xác, độ thu hồi, mức tăng cường phát hiện gian lận, kết quả hoàn tiền, năng suất của nhà phân tích, quyền riêng tư, độ trễ, khả năng giải thích và sự trôi dạt của mô hình.

Đánh giá tổng quan

Không có đại lý phát hiện gian lận nào là tốt nhất cho mọi trường hợp. Lựa chọn đúng đắn phụ thuộc vào việc vấn đề chính là gian lận thẻ, thanh toán tức thời, chiếm đoạt tài khoản, lừa đảo thanh toán đẩy được ủy quyền, rửa tiền, sàng lọc lệnh trừng phạt hay năng lực điều tra.

Kết luận quan trọng nhất là độ trưởng thành của đại lý và chất lượng phát hiện là những khía cạnh riêng biệt. Một nền tảng có thể có một trợ lý điều tra ấn tượng nhưng khả năng thu hồi ở cấp độ giao dịch yếu. Một nền tảng khác có thể có khả năng chấm điểm gian lận xuất sắc nhưng công việc xử lý vụ việc tự động còn hạn chế. Người mua nên đánh giá hai lớp này một cách riêng biệt.

Cách thức hoạt động của các đại lý phát hiện gian lận

Một kiến trúc giám sát gian lận và giao dịch thực tế có bốn lớp.

1. Ra quyết định theo thời gian thực

Lớp này đánh giá một khoản thanh toán trước khi nó được thanh toán. Nó thường kết hợp:

• Các quy tắc xác định
• Kiểm tra tần suất
• Hồ sơ hành vi
• Tín hiệu thiết bị và phiên
• Rủi ro khách hàng và đối tác
• Các mẫu giao dịch lịch sử
• Thông tin tình báo mạng lưới hoặc tập đoàn
• Học máy có giám sát và không giám sát

Kết quả đầu ra thường là quyết định phê duyệt, từ chối, giữ lại hoặc xem xét, đi kèm với điểm rủi ro và mã lý do.

2. Phân tích đồ thị và mối quan hệ

Các hệ thống dựa trên đồ thị kết nối:

• Khách hàng
• Tài khoản
• Thẻ
• Thiết bị
• Địa chỉ Internet
• Số điện thoại
• Địa chỉ email
• Người bán
• Người thụ hưởng
• Đối tác
• Giao dịch

Điều này đặc biệt hữu ích cho các băng nhóm gian lận, mạng lưới lừa đảo chuyển tiền (mule networks), danh tính tổng hợp, thông đồng, chiếm đoạt tài khoản và chuyển tiền qua nhiều tài khoản.

Tuy nhiên, phân tích đồ thị không tự động là “suy luận đồ thị”. Một hình ảnh trực quan cho thấy các thực thể được kết nối khác với một mô hình đánh giá các mối quan hệ đa bước, chuỗi giao dịch và hành vi mạng. Các hệ thống tốt nhất tạo ra đường dẫn bằng chứng, chẳng hạn như:

“Người thụ hưởng này đã nhận tiền từ bảy tài khoản mới mở gần đây, tất cả đều liên quan đến hai thiết bị và một số điện thoại đã từng được liên kết với gian lận đã xác nhận.”

3. Đại lý điều tra

Một đại lý điều tra có thể:

• Truy xuất lịch sử giao dịch
• Tìm kiếm các thực thể liên kết
• Xem xét các cảnh báo và quyết định trước đó
• Kiểm tra thông tin thiết bị và hành vi
• Truy vấn thông tin tình báo bên ngoài
• Xác định các trường hợp liên quan
• Xây dựng dòng thời gian
• Tóm tắt bằng chứng
• Đề xuất một quyết định xử lý
• Soạn thảo tường trình vụ việc nội bộ
• Chuẩn bị báo cáo hoạt động đáng ngờ

Đại lý phải hiển thị bằng chứng hỗ trợ cho mỗi kết luận. Một tường trình trôi chảy mà không có hồ sơ nguồn không đủ cho một cơ quan quản lý hoặc một nhà điều tra có kinh nghiệm.

4. Khắc phục và phản hồi

Lớp cuối cùng đề xuất hoặc thực hiện các hành động, chẳng hạn như:

• Phê duyệt giao dịch
• Yêu cầu xác thực khách hàng mạnh mẽ hơn
• Tạm giữ
• Từ chối giao dịch
• Tạm ngừng tài khoản
• Chặn một thiết bị hoặc người thụ hưởng
• Thu hồi hoặc hoàn trả tiền
• Liên hệ khách hàng
• Chuyển lên nhà điều tra cấp cao
• Nộp báo cáo hoạt động đáng ngờ
• Khởi tạo quy trình thẩm định nâng cao
• Tạo hoặc sửa đổi một quy tắc
• Thêm các thực thể liên kết vào danh sách theo dõi
• Giám sát khách hàng chặt chẽ hơn

Các hành động rủi ro cao phải tuân thủ các kiểm soát chính sách và sự phê duyệt của con người. Đại lý không được có quyền hạn không giới hạn để thay đổi quy tắc, đóng tài khoản vĩnh viễn hoặc nộp báo cáo quy định mà không có sự quản lý.

Hạn chế quan trọng của các tiêu chuẩn công khai

Các nhà cung cấp giải pháp gian lận thường công bố các tỷ lệ phần trăm ấn tượng, nhưng những số liệu này hiếm khi có thể so sánh trực tiếp. Các nghiên cứu điển hình công khai có thể báo cáo:

• Thay đổi phần trăm so với một đường cơ sở không được tiết lộ
• Giá trị gian lận được phát hiện thay vì độ thu hồi ở cấp độ giao dịch
• Giảm thiểu dương tính giả mà không có dữ liệu âm tính giả
• Kết quả từ một kênh thanh toán
• Thời gian thử nghiệm ngắn
• Một triển khai dành riêng cho khách hàng
• Một loại hình gian lận được chọn
• Một mô hình hoạt động cùng với các kiểm soát khác

Hầu hết các nhà cung cấp không công bố một ma trận nhầm lẫn tiêu chuẩn hóa bao gồm số lượng giao dịch, tỷ lệ gian lận, độ chính xác, độ thu hồi, tỷ lệ dương tính giả, tỷ lệ từ chối sai, kết quả hoàn tiền và khoảng tin cậy.

Điều đó có nghĩa là các xếp hạng dưới đây dựa trên sự phù hợp về khả năng và bằng chứng công khai, chứ không phải dựa trên tuyên bố rằng một nhà cung cấp đã đạt được độ chính xác hoặc độ thu hồi cao nhất trong thế giới thực một cách dứt khoát.

Độ chính xác và độ thu hồi

Đối với một công cụ phát hiện gian lận:

• Độ chính xác hỏi: Trong số các giao dịch được gắn cờ là gian lận, có bao nhiêu giao dịch thực sự là gian lận?
• Độ thu hồi hỏi: Trong số tất cả các giao dịch gian lận, hệ thống đã phát hiện được bao nhiêu giao dịch?
• Tỷ lệ dương tính giả đo lường hoạt động hợp pháp bị gắn cờ hoặc chặn sai.
• Tỷ lệ âm tính giả đo lường gian lận đã không bị phát hiện.

Bởi vì gian lận thường hiếm khi xảy ra so với hoạt động hợp pháp, độ chính xác có thể gây hiểu lầm. Một nghiên cứu gần đây sử dụng bộ dữ liệu thẻ tín dụng châu Âu công khai đã làm việc với 284.807 giao dịch và tỷ lệ gian lận chỉ 0,173 phần trăm, đồng thời áp dụng phân chia dữ liệu theo trình tự thời gian để mô hình hóa sự trôi dạt theo thời gian. (pubmed.ncbi.nlm.nih.gov)

Một mô hình có thể có vẻ rất chính xác nhưng vẫn bỏ lỡ một lượng gian lận đáng kể về mặt thương mại. Người mua nên ưu tiên:

1. Độ chính xác ở tỷ lệ xem xét thực tế
2. Độ thu hồi ở tỷ lệ từ chối hoặc can thiệp thực tế
3. Giá trị gian lận được phát hiện
4. Các giao dịch bị từ chối sai
5. Tỷ lệ hoàn tiền và tranh chấp
6. Tỷ lệ chấp thuận và chuyển đổi
7. Khối lượng công việc của nhà phân tích
8. Hiệu suất sau khi nhãn dữ liệu trưởng thành

Ảnh chụp bằng chứng công khai

Các số liệu sau đây là kết quả do nhà cung cấp báo cáo hoặc từ các nghiên cứu điển hình của khách hàng, trừ khi có ghi chú khác. “Không được công bố công khai” có nghĩa là nhà cung cấp không công bố kết quả độ chính xác và độ thu hồi có thể so sánh cho toàn bộ nền tảng.

Top 10 đại lý phát hiện gian lận và giám sát giao dịch

1. Unit21: Nền tảng tự động toàn diện tốt nhất cho gian lận và tội phạm tài chính

Unit21 là một trong những ví dụ rõ ràng nhất về một nền tảng được thiết kế xoay quanh quy trình làm việc hoàn chỉnh từ phát hiện đến điều tra. Hệ thống của nó kết hợp các quy tắc, tín hiệu hành vi, thông tin thiết bị, phân tích đồ thị, thông tin tập đoàn chống gian lận, quản lý trường hợp và các đại lý trí tuệ nhân tạo.

Đại lý phát hiện của nó phân tích các giao dịch và cảnh báo theo thời gian thực. Đại lý điều tra của nó thu thập bằng chứng, xác định các thực thể liên kết, tóm tắt rủi ro, đề xuất hành động và tạo tường trình vụ việc. Nền tảng này cũng hỗ trợ các quy trình làm việc từ cảnh báo đến vụ việc đến báo cáo hoạt động đáng ngờ với các bước điều tra được ghi lại. (unit21.ai)

Nơi Unit21 hoạt động tốt

• Phù hợp mạnh mẽ cho các công ty fintech, công ty thanh toán và tổ chức tài chính
• Tuyên bố ra quyết định theo thời gian thực dưới 250 mili giây
• Các quy tắc, học máy có thể giải thích, các quy tắc dựa trên đồ thị và các đại lý điều tra trong một môi trường duy nhất
• Thử nghiệm bóng (shadow testing), xác thực lịch sử và triển khai sandbox
• Giám sát đa kênh trên các kênh thanh toán tự động (ACH), chuyển khoản điện tử, thẻ, thanh toán tức thời, tiền điện tử và thanh toán tài khoản-tài khoản
• Các đường dẫn bằng chứng do đại lý tạo ra thay vì chỉ tóm tắt tường trình

Unit21 cũng nhấn mạnh rằng các nhóm rủi ro có thể xem biến nào đã đóng góp vào điểm học máy và có thể sử dụng các quy tắc dựa trên đồ thị để làm lộ các mối quan hệ ẩn. (unit21.ai)

Đánh giá tiêu chuẩn

Các tài liệu công khai báo cáo giảm 50% dương tính giả và giảm 70% tổn thất gian lận trong một ví dụ sản phẩm dành cho khách hàng, nhưng công ty không công bố một tiêu chuẩn về độ chính xác, độ thu hồi hoặc hoàn tiền trên tất cả các khách hàng. (unit21.ai)

Lựa chọn tốt nhất cho: Một công ty công nghệ tài chính hoặc tổ chức thanh toán đang phát triển muốn có một nền tảng duy nhất cho chấm điểm theo thời gian thực, điều tra, phân tích đồ thị và quy trình làm việc khắc phục.

Rủi ro chính: Người mua nên xác minh liệu đại lý điều tra có được phép tự động đóng cảnh báo, chỉ đề xuất quyết định xử lý hay thực hiện các hành động khác nhau theo cấp độ rủi ro.

2. Sardine: Tốt nhất cho thông tin thiết bị, đồ thị gian lận và thương mại điện tử

Sardine kết hợp thông tin thiết bị, phân tích hành vi, học máy, quy tắc, thông tin tình báo mạng, phân tích đồ thị và hoạt động chống gian lận tự động. Nó đặc biệt mạnh mẽ khi gian lận liên quan đến hành trình của khách hàng trước giao dịch, bao gồm quá trình onboarding, đăng nhập, chiếm đoạt tài khoản, bot, danh tính tổng hợp, gian lận thanh toán và hành vi lừa đảo.

Khả năng đồ thị của nó kết nối người dùng, thiết bị, địa chỉ internet, số điện thoại, địa chỉ email và giao dịch. Các đại lý của nó bao gồm giám sát giao dịch, phân tích đồ thị, hỗ trợ quy tắc, phân tích dữ liệu, nghiên cứu thông tin tình báo nguồn mở, sàng lọc lệnh trừng phạt và tạo báo cáo hoạt động đáng ngờ. (sardine.ai)

Nơi Sardine hoạt động tốt

• Thông tin tình báo về thiết bị và hành vi
• Phát hiện chiếm đoạt tài khoản và bot
• Phân tích danh tính và giao dịch đa kênh
• Gian lận người bán và thương mại điện tử kỹ thuật số
• Điều tra băng nhóm gian lận dựa trên đồ thị
• Các quy tắc được tạo từ mô tả ngôn ngữ tự nhiên
• Quy trình làm việc tranh chấp và hoàn tiền tự động
• Rủi ro thanh toán ngân hàng trước khi gửi và thanh toán

Sardine báo cáo một số kết quả cụ thể của khách hàng, bao gồm độ chính xác 95% trong một trường hợp sử dụng quyết định onboarding, giảm 70% tổn thất hoàn tiền liên quan đến thẻ trong một triển khai ngân hàng, và tỷ lệ hoàn tiền 0,0003% trong cùng trường hợp đó. Nó cũng báo cáo rằng một triển khai đã giải quyết 55% cảnh báo trong khoảng 30 giây. (sardine.ai)

Đánh giá tiêu chuẩn

Các số liệu hoàn tiền của Sardine hữu ích về mặt thương mại, nhưng tỷ lệ hoàn tiền không giống với độ thu hồi. Tỷ lệ hoàn tiền thấp hơn có thể do phát hiện tốt hơn, xác thực khách hàng mạnh mẽ hơn, chính sách phê duyệt chặt chẽ hơn, sự pha trộn người bán khác nhau hoặc sự thay đổi trong trách nhiệm pháp lý.

Lựa chọn tốt nhất cho: Các ngân hàng kỹ thuật số, công ty thanh toán, thị trường, nền tảng tiền điện tử và người bán cần thông tin về danh tính, thiết bị, đồ thị và giao dịch cùng nhau.

Rủi ro chính: Yêu cầu một tiêu chuẩn đánh giá theo từng kênh. Kết quả từ việc onboarding hoặc gian lận thẻ không nên được giả định áp dụng cho các khoản thanh toán ACH, lừa đảo thanh toán đẩy được ủy quyền hoặc giám sát chống rửa tiền.

3. Feedzai: Tốt nhất cho việc ra quyết định chống gian lận thanh toán quy mô lớn

Feedzai là một nền tảng chống gian lận doanh nghiệp trưởng thành tập trung vào các quyết định thanh toán theo thời gian thực, khối lượng lớn. Nền tảng RiskOps của nó kết hợp các kiểm soát danh tính, gian lận và chống rửa tiền, trong khi các sản phẩm mạng của nó bổ sung thông tin tình báo tập thể mà không yêu cầu các tổ chức chia sẻ thông tin nhận dạng cá nhân thô.

Feedzai IQ tuyên bố rằng dữ liệu thô vẫn nằm trong môi trường của tổ chức trong khi các tín hiệu rủi ro ẩn danh và các mẫu tổng hợp được trao đổi qua mạng. Feedzai báo cáo phát hiện gian lận nhiều hơn bốn lần, ít cảnh báo hơn 50% so với các phương pháp dựa trên quy tắc và cải thiện 27% trong việc chấp nhận thanh toán cho người dùng sản phẩm thông tin tình báo mạng của nó. (feedzai.com)

Nơi Feedzai hoạt động tốt

• Các ngân hàng lớn, bộ xử lý thanh toán và mạng lưới thẻ
• Chấm điểm thanh toán đa kênh theo thời gian thực
• Quy tắc và học máy được sử dụng cùng nhau
• Thông tin tình báo mạng và trực quan hóa đồ thị
• Mã lý do có thể giải thích
• Tạo quy tắc bằng ngôn ngữ tự nhiên
• Điều tra vụ việc và quy trình làm việc của nhà phân tích
• Thông tin tình báo hợp tác có ý thức về quyền riêng tư
• Triển khai mô hình khối lượng lớn

Feedzai báo cáo rằng một ngân hàng lớn ở Bắc Mỹ đã đạt được tỷ lệ phát hiện giá trị trung bình 75% ở tỷ lệ can thiệp 0,1%, cùng với tỷ lệ phát hiện dương tính giả 12 trên 1. Nó cũng báo cáo giảm 73% dương tính giả và phát hiện gian lận nhiều hơn 62% so với giải pháp trước đó trong các ví dụ doanh nghiệp khác. (feedzai.com)

Khả năng điều tra Genome của Feedzai sử dụng các mối quan hệ trực quan giữa khách hàng, thẻ, giao dịch và các thực thể khác. Một nghiên cứu điển hình của khách hàng báo cáo rằng một cuộc điều tra trước đây mất nửa ngày có thể hoàn thành trong khoảng mười phút, với mức tăng 15% trong việc phát hiện gian lận trên các cảnh báo cụ thể. (feedzai.com)

Giám sát sự trôi dạt

Feedzai cũng đã công bố nghiên cứu về giám sát mô hình tự động cho dữ liệu gian lận truyền trực tuyến. Phương pháp giám sát của nó được thiết kế để xác định các thay đổi trước khi các nhãn trở nên khả dụng và đưa ra giải thích cho nguyên nhân có thể gây ra sự trôi dạt. Nghiên cứu đã được đánh giá trên năm bộ dữ liệu gian lận thực tế với tổng số hơn 22 triệu giao dịch trực tuyến. (research.feedzai.com)

Lựa chọn tốt nhất cho: Các ngân hàng lớn, bộ xử lý và mạng lưới thanh toán cần ra quyết định theo thời gian thực trưởng thành, phạm vi thanh toán rộng và hoạt động mô hình phức tạp.

Rủi ro chính: Feedzai có một danh mục sản phẩm rộng. Người mua nên kiểm tra sự kết hợp chính xác của chấm điểm gian lận, tự động hóa điều tra, thông tin tình báo mạng và chức năng chống rửa tiền đang được mua.

4. ComplyAdvantage Mesh: Tốt nhất để khắc phục giám sát giao dịch tự động

ComplyAdvantage Mesh mạnh nhất trong lĩnh vực chống rửa tiền, giám sát giao dịch, sàng lọc khách hàng, sàng lọc lệnh trừng phạt và thông tin tình báo rủi ro. Chiến lược nền tảng gần đây của nó đặt các quy trình làm việc tự động vào một hệ thống quản lý trường hợp thống nhất.

Nền tảng này tuyên bố rằng chuỗi quyết định của nó có thể giải quyết 65 đến 85% cảnh báo dương tính giả thông qua sự kết hợp của chấm điểm rủi ro, các đại lý trí tuệ nhân tạo và các nhà phân tích. Nó cũng báo cáo hơn 100 giao dịch mỗi giây với thời gian phản hồi dưới một giây và hơn 3,5 tỷ tin nhắn được xử lý hàng ngày trên toàn nền tảng. (complyadvantage.com)

Nơi ComplyAdvantage hoạt động tốt

• Các quy tắc và học máy tiên tiến hoạt động cùng nhau
• Giám sát giao dịch và sàng lọc thanh toán
• Tạo quy tắc bằng ngôn ngữ tự nhiên
• Các mẫu đồ thị và phân cụm
• Khắc phục cảnh báo tự động
• Quản lý trường hợp và nhật ký kiểm toán
• Chuẩn bị báo cáo hoạt động đáng ngờ
• Thông tin tình báo rủi ro dựa trên lệnh trừng phạt, những người có ảnh hưởng chính trị, truyền thông bất lợi và tín hiệu hành vi
• Tách biệt dữ liệu theo khu vực và kiểm soát bảo mật doanh nghiệp

ComplyAdvantage báo cáo rằng PayNearMe đã giảm thời gian của nhà phân tích dành cho việc giám sát giao dịch khoảng 50 phần trăm. Paytron báo cáo giảm 20% dương tính giả và giảm 75% truy vấn sau giao dịch. (complyadvantage.com)

Các tài liệu nền tảng công khai của nó tuyên bố giảm tới 82% dương tính giả, nhưng những con số này nên được coi là kết quả do nhà cung cấp báo cáo chứ không phải là một tiêu chuẩn độc lập. (complyadvantage.com)

Quyền riêng tư và quản trị

ComplyAdvantage tuyên bố rằng Mesh hỗ trợ mã hóa khi lưu trữ và truyền tải, phân tách dữ liệu theo địa lý, quyền dựa trên vai trò, đăng nhập một lần, Tổ chức Tiêu chuẩn hóa Quốc tế 27001, Kiểm soát Tổ chức Dịch vụ 2 và xử lý dữ liệu tuân thủ Quy định Bảo vệ Dữ liệu Chung (GDPR). Đây là những kiểm soát hữu ích, nhưng người mua vẫn cần xem xét hợp đồng, nhà thầu phụ, thời gian lưu giữ và các điều khoản đào tạo mô hình. (complyadvantage.com)

Lựa chọn tốt nhất cho: Các công ty thanh toán và tổ chức tài chính mà nút thắt chính là khối lượng cảnh báo chống rửa tiền và khắc phục thay vì độ trễ ủy quyền thẻ.

Rủi ro chính: Xác thực độ thu hồi cụ thể về gian lận riêng biệt với hiệu suất giải quyết cảnh báo chống rửa tiền.

5. NICE Actimize: Tốt nhất cho điều tra ngân hàng lớn và báo cáo quy định

NICE Actimize là một nền tảng tội phạm tài chính doanh nghiệp bao gồm phòng chống gian lận, chống rửa tiền, lệnh trừng phạt, báo cáo hoạt động đáng ngờ, quản lý trường hợp và quy trình làm việc điều tra.

Nền tảng của nó báo cáo rằng nó giám sát hơn năm tỷ giao dịch mỗi ngày và sử dụng phát hiện gian lận ở cấp độ mili giây. Nó cũng cung cấp phân tích mạng, chấm điểm rủi ro dựa trên kiểu hình, điều tra tích hợp và trí tuệ nhân tạo tạo sinh cho tóm tắt trường hợp và tường trình báo cáo hoạt động đáng ngờ. (info.niceactimize.com)

Nơi NICE Actimize hoạt động tốt

• Các tổ chức tài chính lớn và phức tạp
• Các chương trình gian lận và tội phạm tài chính đa kênh
• Quản lý trường hợp và điều phối điều tra
• Chuẩn bị báo cáo hoạt động đáng ngờ
• Trực quan hóa mạng
• Quản trị và báo cáo quy định
• Quy trình làm việc điều tra có sự tham gia của con người
• Tích hợp hệ thống cũ

NICE báo cáo rằng khả năng điều tra của nó có thể giảm thời gian điều tra tới 50% và thời gian chuẩn bị báo cáo hoạt động đáng ngờ tới 70%. Xceed FraudDesk CoPilot của nó báo cáo phân loại và xem xét cảnh báo nhanh hơn 80%, giảm 60% thời gian xử lý từ trường hợp đến báo cáo và ít dương tính giả hơn 40%. (resources.niceactimize.com)

Đánh giá tiêu chuẩn

NICE công bố các tuyên bố mạnh mẽ về hoạt động và quy mô nhưng ít dữ liệu công khai về độ chính xác và độ thu hồi ở cấp độ giao dịch. Người mua nên yêu cầu:

• Độ chính xác và độ thu hồi theo loại hình gian lận
• Kết quả trước và sau khi áp dụng học máy
• Độ thu hồi có trọng số giá trị
• Tỷ lệ từ chối sai
• Thời gian điều tra theo độ phức tạp của trường hợp
• Độ chính xác của việc tự động xử lý
• Hiệu suất dưới tải cao điểm

Lựa chọn tốt nhất cho: Các ngân hàng lớn cần phạm vi bao phủ rộng về tội phạm tài chính, quản trị đã được thiết lập và khả năng báo cáo quy định chuyên sâu.

Rủi ro chính: Độ phức tạp của việc triển khai và khả năng các khả năng tiên tiến nhất yêu cầu một số mô-đun và công việc tích hợp rộng rãi.

6. Hawk: Tốt nhất để giám sát gian lận và tội phạm tài chính có thể giải thích, độ trễ thấp

Hawk tập trung vào trí tuệ nhân tạo có thể giải thích, giám sát giao dịch theo thời gian thực, phòng chống gian lận, chống rửa tiền, sàng lọc lệnh trừng phạt và sự hội tụ của các hoạt động chống gian lận và tội phạm tài chính.

Nền tảng gian lận giao dịch của nó báo cáo thời gian quyết định trung bình 150 mili giây và hỗ trợ các kênh thanh toán tự động (ACH), thẻ, séc, ngang hàng, chuyển khoản điện tử và các kênh thanh toán khác. Hawk cũng thúc đẩy một cách tiếp cận lai trong đó các quy tắc truyền thống tạo ra các trường hợp ngoại lệ và học máy đánh giá khả năng một cảnh báo là dương tính thật hay dương tính giả. (hawk.ai)

Nơi Hawk hoạt động tốt

• Học máy có thể giải thích
• Can thiệp thanh toán theo thời gian thực
• Các quy tắc và học máy trong một quy trình làm việc
• Hội tụ gian lận và chống rửa tiền
• Quản lý quy tắc tự phục vụ
• Quản trị mô hình
• Triển khai dưới dạng phần mềm dịch vụ (SaaS), đám mây riêng hoặc công nghệ tại chỗ
• Tự động hóa điều tra

Hawk báo cáo độ chính xác cao hơn ba đến năm lần, ít cảnh báo sai hơn 70%, xác định thêm 30% khách hàng gian lận và giảm 62% thời gian điều tra chống rửa tiền trên các tài liệu tác động được công bố của nó. (hawk.ai)

Đại lý điều tra năm 2026 của nó mở rộng Hawk vượt ra ngoài việc phát hiện và ưu tiên cảnh báo sang thu thập bằng chứng và hỗ trợ điều tra. (hawk.ai)

Đánh giá tiêu chuẩn

Vị trí về khả năng giải thích và độ trễ của Hawk rất hấp dẫn, nhưng hệ số nhân độ chính xác rất khó đánh giá nếu không có độ chính xác ban đầu, dân số, thời gian thử nghiệm và tỷ lệ can thiệp. Người mua nên yêu cầu đường cong độ chính xác-độ thu hồi đầy đủ chứ không chỉ là tỷ lệ cải thiện được tuyên bố.

Lựa chọn tốt nhất cho: Các ngân hàng, công ty thanh toán và tổ chức tài chính ưu tiên khả năng giải thích, triển khai nhanh chóng, can thiệp theo thời gian thực và triển khai linh hoạt.

Rủi ro chính: Xác nhận liệu đại lý điều tra có đủ khả năng cụ thể về gian lận hay chủ yếu được tối ưu hóa cho các cuộc điều tra chống rửa tiền.

7. Featurespace: Tốt nhất để phát hiện gian lận hành vi thích ứng

Featurespace được phân biệt bởi Phân tích hành vi thích ứng và Mạng lưới hành vi sâu tự động của nó. Thay vì chủ yếu dựa vào các chỉ báo xấu đã biết, nền tảng này mô hình hóa hành vi bình thường và xác định các sai lệch đáng kể.

Cách tiếp cận này hữu ích khi những kẻ gian lận bắt chước hoạt động hợp pháp hoặc khi tổ chức có các nhãn gian lận được xác nhận hạn chế. Featurespace tuyên bố rằng các mô hình của họ thích ứng với hành vi thay đổi và yêu cầu ít đào tạo lại thủ công hơn, trong khi các quyết định của nhà phân tích phản hồi lại việc giám sát trong tương lai. (staging.www.featurespace.com)

Nơi Featurespace hoạt động tốt

• Gian lận thẻ
• Thanh toán tài khoản-tài khoản
• Lừa đảo thanh toán đẩy được ủy quyền
• Gian lận ứng dụng
• Danh tính tổng hợp
• Hồ sơ khách hàng thích ứng
• Giảm suy thoái mô hình
• Chấm điểm giao dịch theo thời gian thực, khối lượng lớn

Bằng chứng khách hàng công khai là một trong những bằng chứng mạnh nhất về phát hiện gian lận. Central 1 báo cáo 79% khối lượng gian lận được phát hiện, được mô tả là mức tăng 51% so với tiêu chuẩn ngành của họ, và 67% giá trị gian lận được phát hiện trong khi duy trì tỷ lệ dương tính giả 2 trên 1. (featurespace.com)

NatWest báo cáo cải thiện 135% giá trị lừa đảo được phát hiện và giảm 75% dương tính giả trong một bản tóm tắt nghiên cứu điển hình sau đó. Các tài liệu trước đó báo cáo tăng 50% giá trị gian lận và lừa đảo được phát hiện trong vòng 24 giờ sau khi triển khai. (featurespace.com)

Featurespace cũng báo cáo rằng TSYS chấm điểm một tỷ giao dịch mỗi tháng và 77,8% giao dịch bị thách thức là gian lận trong một nghiên cứu điển hình năm 2025. (featurespace.com)

Đánh giá tiêu chuẩn

Featurespace có bằng chứng công khai mạnh mẽ về phát hiện giá trị gian lận và mô hình hóa hành vi thích ứng, nhưng ít bằng chứng công khai về các đại lý điều tra tự động và các đề xuất khắc phục.

Lựa chọn tốt nhất cho: Các tổ chức phát hành, ngân hàng, bộ xử lý và nhà cung cấp thanh toán nơi hành vi khách hàng thay đổi và suy thoái mô hình là những mối quan tâm lớn.

Rủi ro chính: Đảm bảo rằng khả năng quản lý trường hợp và điều tra của nền tảng đáp ứng cùng một tiêu chuẩn với khả năng chấm điểm giao dịch của nó.

8. Quantexa: Tốt nhất cho việc giải quyết thực thể dựa trên đồ thị và điều tra theo ngữ cảnh

Quantexa mạnh nhất khi tín hiệu gian lận hoặc tội phạm tài chính được phân phối trên các mối quan hệ hơn là hiển thị trong một giao dịch duy nhất.

Nền tảng của nó tạo ra một cái nhìn kết nối về khách hàng và đối tác thông qua việc giải quyết thực thể và tạo đồ thị. Giám sát theo ngữ cảnh đánh giá các giao dịch cùng với các mối quan hệ, cấu trúc sở hữu, hoạt động lịch sử và thông tin bên ngoài. Q Assist hỗ trợ các quy trình làm việc điều tra và tạo báo cáo. (quantexa.com)

Nơi Quantexa hoạt động tốt

• Giải quyết thực thể
• Phân tích đối tác và quyền sở hữu thụ hưởng
• Mạng lưới lừa đảo chuyển tiền và rửa tiền
• Điều tra phức tạp
• Giám sát chống rửa tiền theo ngữ cảnh
• Ưu tiên rủi ro dựa trên đồ thị
• Báo cáo quy định
• Hợp nhất dữ liệu trên các hệ thống phân mảnh

Quantexa báo cáo giảm tới 75% dương tính giả, giảm 50% hoặc hơn trong nỗ lực điều tra và tới 40% rủi ro được Quantexa xác định mà các hệ thống cũ đã bỏ sót. Một trang tác động công khai khác báo cáo giảm tới 80% thời gian điều tra ở quy mô lớn. (quantexa.com)

Đánh giá tiêu chuẩn

Quantexa thường không phải là lựa chọn đầu tiên cho quyết định ủy quyền thẻ dưới 100 mili giây. Giá trị của nó thường lớn hơn trong phân tích rủi ro theo ngữ cảnh, khám phá mạng và tăng tốc điều tra.

Các phương pháp dựa trên đồ thị có thể rất hiệu quả, nhưng người mua phải kiểm tra:

• Độ chính xác của việc giải quyết thực thể
• Các liên kết sai giữa các khách hàng không liên quan
• Tần suất cập nhật đồ thị
• Độ trễ tìm kiếm đa bước
• Khả năng giải thích của các tính năng đồ thị
• Hiệu suất khi dữ liệu mối quan hệ không đầy đủ

Lựa chọn tốt nhất cho: Các ngân hàng lớn và tổ chức được quản lý mà các trường hợp khó nhất liên quan đến các mối quan hệ ẩn, đối tác, mạng lưới lừa đảo chuyển tiền hoặc dữ liệu phân mảnh.

Rủi ro chính: Công việc tích hợp và nền tảng dữ liệu có thể đáng kể trước khi suy luận dựa trên đồ thị tạo ra kết quả đáng tin cậy.

9. Nasdaq Verafin: Tốt nhất cho hoạt động chống gian lận ngân hàng cộng đồng được hỗ trợ bởi tập đoàn

Nasdaq Verafin phục vụ các ngân hàng và liên minh tín dụng với các công cụ phát hiện gian lận, chống rửa tiền, sàng lọc lệnh trừng phạt, quản lý khách hàng rủi ro cao, chia sẻ thông tin và điều tra. Nasdaq báo cáo rằng Verafin phục vụ hơn 2.750 tổ chức tài chính Bắc Mỹ và sử dụng thông tin tập đoàn dựa trên dữ liệu từ hàng nghìn tổ chức. (ir.nasdaq.com)

Vào năm 2025 và 2026, Nasdaq đã giới thiệu Lực lượng lao động Trí tuệ nhân tạo Tự động (Agentic Artificial Intelligence Workforce) của mình, bao gồm các nhà phân tích lệnh trừng phạt kỹ thuật số, nhà phân tích thẩm định nâng cao, nhà phân tích chống rửa tiền tự động và nhà phân tích gian lận tự động. Nhà phân tích gian lận được công bố ban đầu tập trung vào hoạt động ACH bất thường. Nền tảng này hỗ trợ chế độ đề xuất, đảm bảo chất lượng, xem xét thủ công có thể cấu hình và tự động xử lý các cảnh báo dương tính giả theo kế hoạch. (nasdaq.com)

Nơi Verafin hoạt động tốt

• Các tổ chức tài chính cộng đồng và khu vực
• Thông tin tình báo tập đoàn
• Gian lận ACH, séc, chuyển khoản điện tử và tiền gửi
• Phát hiện và báo cáo tội phạm tài chính
• Nghiên cứu thực thể
• Chia sẻ thông tin giữa các tổ chức tài chính
• Quy trình làm việc tự động có kiểm soát của con người

Đánh giá tiêu chuẩn

Mô hình tập đoàn của Verafin có ý nghĩa chiến lược vì một tên tội phạm có thể phân phối hoạt động trên nhiều tổ chức. Tuy nhiên, các tài liệu công khai không cung cấp một tiêu chuẩn về độ chính xác, độ thu hồi, hoàn tiền hoặc thời gian của nhà phân tích cho các công cụ tự động mới.

Một số khả năng đã được công bố để triển khai theo từng giai đoạn trong nửa cuối năm 2026. Người mua nên xác nhận chính xác những công cụ, kiểu hình, kiểm soát tự động xử lý và tùy chọn triển khai nào có sẵn chung vào ngày hợp đồng. (nasdaq.com)

Lựa chọn tốt nhất cho: Các ngân hàng và liên minh tín dụng Bắc Mỹ tìm kiếm một nền tảng chuyên biệt theo ngành với thông tin tình báo tập đoàn và tự động hóa tự động hóa dần dần mở rộng.

Rủi ro chính: Các chức năng tự động mới nhất kém trưởng thành hơn so với nền tảng chống gian lận và rửa tiền Verafin cơ bản.

10. FICO Platform: Tốt nhất cho việc ra quyết định doanh nghiệp có quản lý

FICO được xem tốt nhất là một nền tảng ra quyết định và quản trị mô hình doanh nghiệp với khả năng chống gian lận chuyên sâu, hơn là một đại lý điều tra tự động duy nhất.

Danh mục chống gian lận của FICO bao gồm chấm điểm giao dịch theo thời gian thực, mô hình tập đoàn chống gian lận, phân tích hành vi thích ứng, quản lý chiến lược, phát triển mô hình, tối ưu hóa và khả năng giải thích. FICO cũng đã nhấn mạnh các giải thích theo thời gian xác định các giao dịch trong quá khứ có liên quan đóng góp vào một quyết định. (investors.fico.com)

Các tài liệu nhà đầu tư năm 2026 của nó mô tả Nền tảng FICO là “được thiết kế theo kiểu tự động”, với trí tuệ nhân tạo có thể giải thích và kiểm toán được, các mô hình tập đoàn chống gian lận được đào tạo trên hàng tỷ giao dịch, và các công cụ để xây dựng, kiểm tra, tối ưu hóa và giám sát việc ra quyết định. (investors.fico.com)

Nơi FICO hoạt động tốt

• Các tổ chức tài chính lớn với đội ngũ khoa học dữ liệu nội bộ
• Phát triển chiến lược quyết định được kiểm soát
• Quản trị mô hình và quản lý vòng đời
• Chấm điểm gian lận theo thời gian thực
• Thông tin tình báo tập đoàn chống gian lận
• Điều phối quyết định trên toàn doanh nghiệp
• Triển khai mô hình có thể giải thích
• Tích hợp với các hệ thống quyết định hiện có

FICO báo cáo rằng các mô hình dịch vụ tài chính tập trung của nó có thể tạo ra mức tăng hơn 35% trong một số trường hợp sử dụng phân tích giao dịch, bao gồm phát hiện gian lận. Velera báo cáo giảm 85% thời gian cảnh báo gian lận và tăng 76% hiệu quả tự phục vụ của chủ thẻ sau khi triển khai các khả năng của Nền tảng FICO. (investors.fico.com)

Lựa chọn tốt nhất cho: Các tổ chức lớn muốn kiểm soát rộng rãi dữ liệu, mô hình, chiến lược, kiểm tra và quản trị.

Rủi ro chính: Các tổ chức có thể cần chuyên môn nội bộ đáng kể để đạt được giá trị đầy đủ của nền tảng.

So sánh suy luận dựa trên đồ thị với các quy tắc và học máy

Hệ thống chỉ dựa trên quy tắc

Điểm mạnh:

• Có thể giải thích cao
• Nhanh và xác định
• Dễ dàng ánh xạ tới chính sách
• Hữu ích cho các kiểu hình đã biết
• Đơn giản để kiểm tra và phát lại

Điểm yếu:

• Tạo ra khối lượng lớn dương tính giả
• Có thể bị bỏ qua bởi những thay đổi hành vi nhỏ
• Yêu cầu bảo trì quy tắc liên tục
• Thường không thể xác định các mẫu gian lận mới
• Khó khăn với các mối quan hệ giữa các tài khoản

Các quy tắc nên vẫn là một phần của kiến trúc vì chúng cung cấp các rào cản và kiểm soát rõ ràng. Chúng không nên là toàn bộ chiến lược phát hiện.

Hệ thống lai giữa quy tắc và học máy

Các hệ thống lai nói chung cung cấp sự thỏa hiệp hoạt động tốt nhất. Các quy tắc xử lý các ràng buộc cứng và rủi ro đã biết, trong khi học máy xử lý:

• Các sai lệch hành vi
• Các mẫu cụ thể của khách hàng
• Các bất thường trong nhóm ngang hàng
• Xếp hạng rủi ro
• Giảm dương tính giả
• Ưu tiên động
• Hành vi mới nổi

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO và một số nền tảng khác sử dụng các biến thể của mẫu lai này. Hawk mô tả rõ ràng một quy trình hai giai đoạn trong đó các quy tắc tạo ra các trường hợp ngoại lệ và học máy đánh giá liệu các trường hợp ngoại lệ đó có khả năng là dương tính thật hay dương tính giả. (insights.hawk.ai)

Suy luận dựa trên đồ thị

Các phương pháp đồ thị mạnh nhất khi bằng chứng được phân phối trên các thực thể và thời gian. Chúng có thể xác định:

• Các thiết bị được chia sẻ giữa các tài khoản
• Các số điện thoại được sử dụng lại
• Các người thụ hưởng chung
• Chuyển tiền kiểu fan-in và fan-out
• Hành vi chuyển tiền nhanh chóng
• Hoạt động phối hợp của người bán
• Các cụm danh tính tổng hợp
• Mạng lưới lừa đảo chuyển tiền
• Thông đồng

Một mô hình đồ thị có thể cải thiện độ thu hồi đối với gian lận có tổ chức trong khi giảm nhu cầu điều tra các cảnh báo riêng lẻ. Tuy nhiên, các hệ thống đồ thị đưa ra các yêu cầu bổ sung:

• Giải quyết thực thể chất lượng cao
• Cập nhật đồ thị thường xuyên
• Kiểm soát quyền riêng tư mối quan hệ
• Quản lý độ trễ đa bước
• Bảo vệ chống lại các liên kết không chính xác
• Giải thích rõ ràng về đường dẫn đã tạo ra tín hiệu rủi ro

Một nghiên cứu gian lận thẻ tín dụng dựa trên đồ thị năm 2024 báo cáo độ chính xác 0,82 và độ thu hồi 0,92, nhưng những số liệu đó đến từ một bộ dữ liệu nghiên cứu cụ thể và thiết lập thử nghiệm. Chúng không nên được so sánh trực tiếp với các nghiên cứu điển hình của nhà cung cấp hoặc tỷ lệ hoàn tiền sản xuất. (sciencedirect.com)

Điều tra tự động

Các đại lý có giá trị nhất sau khi một tín hiệu đã được tạo ra. Chúng có thể giảm thời gian dành cho việc thu thập bằng chứng và chuẩn bị tường trình, nhưng chúng không nên được coi là sự thay thế cho một mô hình gian lận đã được hiệu chỉnh.

Kiến trúc được đề xuất là:

1. Các quy tắc đồng bộ và học máy cho quyết định giao dịch
2. Các tính năng đồ thị nhanh cho rủi ro mối quan hệ tức thì
3. Khám phá đồ thị không đồng bộ để điều tra sâu hơn
4. Một đại lý điều tra để thu thập bằng chứng và chuẩn bị vụ việc
5. Khắc phục có kiểm soát chính sách
6. Sự phê duyệt của con người cho các hành động không thể đảo ngược hoặc có giá trị cao

Khả năng giải thích cho các đánh giá của cơ quan quản lý

“Trí tuệ nhân tạo có thể giải thích” có thể có một số ý nghĩa khác nhau. Người mua nên phân biệt giữa:

1. Mã lý do Ví dụ bao gồm số tiền bất thường, thiết bị mới, tốc độ cao hoặc đối tác rủi ro.

2. Gán thuộc tính tính năng Hệ thống cho biết biến nào đóng góp nhiều nhất vào một điểm số.

3. Suy luận liên kết bằng chứng Hệ thống kết nối quyết định với các giao dịch, thiết bị, tài khoản và hồ sơ bên ngoài thực tế.

4. Suy luận chính sách Hệ thống giải thích quy tắc, chính sách, ngưỡng hoặc cài đặt mức độ chấp nhận rủi ro nào đã được áp dụng.

5. Suy luận của đại lý và lịch sử công cụ Nhật ký kiểm toán ghi lại các nguồn mà đại lý đã tham khảo, những gì nó đã truy xuất, những gì nó đã kết luận và hành động nó đã đề xuất.

Đối với một cơ quan quản lý, một tóm tắt bằng ngôn ngữ tự nhiên thôi là chưa đủ. Gói kiểm toán nên bao gồm:

• Dữ liệu giao dịch và khách hàng được sử dụng tại thời điểm ra quyết định
• Phiên bản mô hình
• Phiên bản quy tắc và chính sách
• Giá trị tính năng
• Điểm số và ngưỡng
• Mã lý do
• Các mối quan hệ đồ thị được sử dụng
• Nguồn dữ liệu bên ngoài
• Lời nhắc hoặc hướng dẫn tác vụ của đại lý
• Bằng chứng đã truy xuất
• Các cuộc gọi công cụ
• Các ghi đè của con người
• Hành động cuối cùng
• Dấu thời gian
• Nguồn gốc dữ liệu
• Các thay đổi được thực hiện sau quyết định ban đầu
• Một quy trình phát lại có thể tái tạo

Hướng dẫn rủi ro mô hình sửa đổi năm 2026 của Cục Dự trữ Liên bang nhấn mạnh phân tích kết quả, giám sát liên tục, tài liệu và xác thực các sản phẩm của nhà cung cấp. Nó cũng nêu rõ rằng các tổ chức vẫn chịu trách nhiệm hiểu các mô hình của nhà cung cấp, giới hạn của chúng, dữ liệu phát triển và hiệu suất. Hướng dẫn này loại trừ các mô hình tạo sinh và tự động khỏi phạm vi chính thức của nó, nhưng cho biết các tổ chức vẫn nên thiết lập quản trị và kiểm soát phù hợp cho các công cụ không được đề cập trong hướng dẫn. (federalreserve.gov)

Hội đồng Tiêu chuẩn Bảo mật Ngành Thẻ Thanh toán cũng khuyến nghị ghi nhật ký và giám sát các hành động của trí tuệ nhân tạo, xác định một người chịu trách nhiệm và lưu giữ đủ thông tin để kiểm toán các lời nhắc và quy trình suy luận nếu có thể. (blog.pcisecuritystandards.org)

Một nguyên tắc hữu ích là:

Một lời giải thích hợp lý không phải là bằng chứng cho thấy quyết định là đúng.

Nghiên cứu được công bố vào năm 2026 lập luận rằng chất lượng lý do của một đại lý điều tra phải được đánh giá riêng biệt với chất lượng quyết định gian lận cơ bản của nó. (arxiv.org)

Đo lường mức tăng cường phát hiện gian lận so với hoàn tiền

Mức tăng cường phát hiện gian lận và giảm hoàn tiền có liên quan nhưng khác nhau.

Mức tăng cường phát hiện gian lận

Một thước đo hữu ích là:

Mức tăng cường phát hiện gian lận = gian lận được phát hiện sau triển khai trừ gian lận được phát hiện trước triển khai, chia cho gian lận được phát hiện trước triển khai

Điều này nên được tính toán riêng cho:

• Số lượng giao dịch
• Giá trị gian lận
• Gian lận trái phép đã xác nhận
• Lừa đảo thanh toán đẩy được ủy quyền
• Chiếm đoạt tài khoản
• Gian lận không có thẻ vật lý (card-not-present fraud)
• Gian lận bên thứ nhất
• Danh tính tổng hợp
• Gian lận người bán
• Hoạt động lừa đảo chuyển tiền

Tỷ lệ hoàn tiền

Tỷ lệ hoàn tiền nên được tính toán như sau:

Số lượng hoàn tiền chia cho tổng số giao dịch đã thanh toán

Cũng đo lường:

• Giá trị hoàn tiền
• Điểm cơ bản hoàn tiền
• Tỷ lệ thành công của việc phản biện
• Tỷ lệ tranh chấp của khách hàng
• Hoàn tiền liên quan đến gian lận so với tranh chấp liên quan đến dịch vụ
• Thời gian từ giao dịch đến hoàn tiền
• Chi phí thu hồi hoàn tiền
• Khiếu nại của khách hàng
• Các giao dịch bị từ chối sai
• Tỷ lệ chấp thuận

Một nền tảng có thể giảm hoàn tiền bằng cách từ chối nhiều giao dịch hơn, nhưng điều đó có thể làm tổn hại doanh thu. Ngược lại, một nền tảng có thể tăng số lượng chấp thuận trong khi giảm giá trị gian lận thông qua việc nhắm mục tiêu tốt hơn.

Do đó, chỉ số kinh doanh chính xác không phải là “tỷ lệ hoàn tiền thấp nhất”. Đó là:

Giá trị gian lận tối đa được ngăn chặn và thu hồi với chi phí từ chối sai, chấp thuận, ma sát khách hàng và chi phí hoạt động có thể chấp nhận được.

Độ trễ khi tải cao điểm

Các tuyên bố về độ trễ của nhà cung cấp không thể so sánh trực tiếp. Một tuyên bố có thể đề cập đến:

• Độ trễ trung bình
• Độ trễ trung vị
• Độ trễ phần trăm thứ 95
• Độ trễ phần trăm thứ 99
• Độ trễ chỉ của mô hình
• Độ trễ đầu cuối
• Hiệu suất bộ nhớ đệm nóng
• Một kênh thanh toán duy nhất
• Một môi trường thử nghiệm chứ không phải sản xuất

Các ví dụ công khai bao gồm tuyên bố ra quyết định dưới 250 mili giây của Unit21, quyết định gian lận giao dịch trung bình 150 mili giây của Hawk, tuyên bố dưới một giây và hơn 100 giao dịch mỗi giây của ComplyAdvantage, và ngôn ngữ tiếp thị ở cấp độ mili giây của NICE Actimize. (unit21.ai)

Một thử nghiệm hiệu suất nghiêm túc nên đo lường:

• Độ trễ trung vị
• Độ trễ phần trăm thứ 95
• Độ trễ phần trăm thứ 99
• Thông lượng bền vững tối đa
• Thông lượng bùng nổ cao điểm
• Độ trễ khởi động lạnh
• Hành vi thời gian chờ của phụ thuộc
• Tăng trưởng hàng đợi
• Hành vi mở lỗi và đóng lỗi
• Độ trễ theo kênh thanh toán
• Độ trễ với làm giàu đồ thị
• Độ trễ với tra cứu tập đoàn
• Độ trễ trong quá trình cập nhật mô hình
• Hiệu suất chuyển đổi vùng

Đại lý điều tra thường nên nằm ngoài đường dẫn thanh toán quan trọng. Một khoản thanh toán không nên chờ đợi một tìm kiếm thông tin tình báo nguồn mở, một duyệt đồ thị lớn hoặc một tường trình tạo sinh. Quyết định giao dịch nên hoàn thành nhanh chóng, trong khi điều tra sâu hơn diễn ra không đồng bộ.

Quyền riêng tư dữ liệu và bảo mật

Các hệ thống chống gian lận xử lý thông tin rất nhạy cảm, bao gồm các giao dịch tài chính, mối quan hệ tài khoản, dữ liệu thiết bị, hồ sơ danh tính và các mẫu hành vi.

Tại Hoa Kỳ, Đạo luật Gramm-Leach-Bliley yêu cầu các tổ chức tài chính được bảo hiểm phải giải thích các thực tiễn chia sẻ thông tin và bảo vệ thông tin khách hàng nhạy cảm. Quy tắc Bảo vệ của Ủy ban Thương mại Liên bang cũng đặt ra các nghĩa vụ đối với các tổ chức được bảo hiểm và yêu cầu chú ý đến các nhà cung cấp dịch vụ xử lý dữ liệu khách hàng. (ftc.gov)

Quy định Bảo vệ Dữ liệu Chung (GDPR) đặt ra các hạn chế bổ sung đối với các quyết định chỉ dựa trên xử lý tự động khi các quyết định đó có hiệu ứng pháp lý hoặc tương tự đáng kể. Nó cũng yêu cầu các biện pháp bảo vệ phù hợp, bao gồm quyền can thiệp của con người trong các trường hợp liên quan. (eur-lex.europa.eu)

Tiêu chuẩn Bảo mật Dữ liệu Ngành Thẻ Thanh toán (PCI DSS) áp dụng cho các thực thể lưu trữ, xử lý hoặc truyền dữ liệu chủ thẻ. Hội đồng Tiêu chuẩn Bảo mật Ngành Thẻ Thanh toán khuyến nghị mã hóa token, phân đoạn, mã hóa, kiểm soát truy cập, ghi nhật ký và giám sát có trách nhiệm của con người đối với các hệ thống trí tuệ nhân tạo được sử dụng trong môi trường thanh toán. (pcisecuritystandards.org)

Các câu hỏi về quyền riêng tư cần hỏi mỗi nhà cung cấp

1. Dữ liệu khách hàng có đào tạo một mô hình dùng chung không?
2. Khách hàng có thể từ chối đào tạo mô hình không?
3. Thông tin nhận dạng cá nhân có bị xóa hoặc mã hóa token không?
4. Số thẻ thanh toán có được thay thế bằng token không?
5. Dữ liệu được lưu trữ và xử lý ở đâu?
6. Dữ liệu có thể ở trong một khu vực địa lý đã chọn không?
7. Các tín hiệu tập đoàn có được ẩn danh không?
8. Hồ sơ khách hàng thô có được chia sẻ với các tổ chức khác không?
9. Thời gian lưu giữ là bao lâu?
10. Dữ liệu có thể bị xóa khi chấm dứt hợp đồng không?
11. Các nhà thầu phụ nào nhận dữ liệu?
12. Các lời nhắc mô hình ngôn ngữ lớn có được giữ lại không?
13. Đại lý điều tra có thể truy cập các trang web bên ngoài không?
14. Các công cụ của đại lý có bị giới hạn bởi vai trò và chính sách không?
15. Hồ sơ vụ việc có được mã hóa khi lưu trữ và truyền tải không?
16. Tổ chức có thể kiểm toán mọi quyền truy cập dữ liệu không?
17. Có sẵn các triển khai đám mây riêng hoặc tại chỗ không?

Feedzai mô tả một cách tiếp cận liên bang trong đó dữ liệu khách hàng thô vẫn ở cục bộ trong khi các tín hiệu ẩn danh được trao đổi. ComplyAdvantage mô tả phân tách địa lý và kiểm soát bảo mật doanh nghiệp. Hawk quảng cáo các tùy chọn triển khai phần mềm dịch vụ (SaaS), đám mây riêng và tại chỗ. Hướng dẫn cho người mua của Unit21 nhấn mạnh cô lập dữ liệu, mã hóa, lưu trữ theo khu vực, hạn chế đào tạo mô hình, kiểm soát phản hồi và đảm bảo chất lượng. (feedzai.com)

Đây là những lựa chọn thiết kế hữu ích, nhưng không có lựa chọn nào tự động chứng minh sự tuân thủ pháp luật. Tổ chức vẫn chịu trách nhiệm về các thỏa thuận xử lý dữ liệu, thông báo quyền riêng tư, đánh giá rủi ro và giám sát bên thứ ba của mình.

Giám sát sự trôi dạt của mô hình

Gian lận là một cuộc đối đầu. Một khi một biện pháp kiểm soát trở nên hiệu quả, những kẻ tội phạm sẽ thay đổi thiết bị, số tiền, người bán, người thụ hưởng, thời gian thanh toán, thông tin danh tính hoặc đường dẫn giao dịch.

Một chương trình giám sát mô hình nên theo dõi:

Trôi dạt dữ liệu

• Thay đổi số tiền giao dịch
• Các danh mục người bán mới
• Các quốc gia hoặc khu vực mới
• Thay đổi thiết bị và trình duyệt
• Các trường bị thiếu hoặc chậm trễ
• Các kênh thanh toán mới
• Thay đổi trong sự pha trộn khách hàng
• Thay đổi trong sự pha trộn đối tác

Trôi dạt dự đoán

• Phân phối điểm số
• Khối lượng cảnh báo
• Khối lượng từ chối
• Khối lượng xem xét
• Tỷ lệ tự động xử lý
• Ổn định ngưỡng
• Hiệu chuẩn

Trôi dạt kết quả

• Độ chính xác sau khi nhãn dữ liệu trưởng thành
• Độ thu hồi
• Giá trị gian lận được phát hiện
• Tỷ lệ hoàn tiền
• Các giao dịch bị từ chối sai
• Khiếu nại của khách hàng
• Kết quả tranh chấp
• Ghi đè của nhà phân tích
• Chuyển đổi báo cáo hoạt động đáng ngờ

Trôi dạt hoạt động

• Thời gian điều tra
• Tuổi hàng đợi
• Số lần nhà phân tích chạm vào mỗi vụ việc
• Lỗi truy xuất bằng chứng
• Lỗi công cụ của đại lý
• Các tuyên bố ảo hoặc không được hỗ trợ
• Thay đổi quy tắc
• Thay đổi phiên bản mô hình
• Sự cố ngừng hoạt động của nguồn dữ liệu

Hướng dẫn năm 2026 của Cục Dự trữ Liên bang khuyến nghị giám sát liên tục và phân tích kết quả để xác định liệu các mô hình có còn chính xác, phù hợp với mục đích và đáng tin cậy khi các sản phẩm, khách hàng, rủi ro và điều kiện thị trường thay đổi. (federalreserve.gov)

Featurespace nhấn mạnh các mô hình hành vi thích ứng nhằm giảm nhu cầu đào tạo lại thủ công. Feedzai đã công bố nghiên cứu về việc phát hiện sự trôi dạt dữ liệu truyền trực tuyến trước khi các nhãn có sẵn. Unit21 cung cấp các chế độ bóng, xác thực và sandbox để kiểm tra logic chống gian lận mới. ComplyAdvantage cung cấp các chỉ số hiệu suất quy tắc như tỷ lệ truy cập và xu hướng dương tính giả. Hawk thúc đẩy quản lý vòng đời mô hình và quản trị mô hình tự động. (staging.www.featurespace.com)

Một biện pháp kiểm soát đặc biệt quan trọng là giám sát nhãn bị trì hoãn. Hoàn tiền và các nhãn gian lận được xác nhận có thể đến hàng tuần hoặc hàng tháng sau quyết định ban đầu. Các tổ chức không nên chờ đợi các nhãn gian lận cuối cùng trước khi giám sát những thay đổi đột ngột trong phân phối đầu vào, mẫu cảnh báo hoặc hành vi khách hàng.

Bảng điểm khuyến nghị cho người mua

Một đánh giá thực tế có thể gán trọng số như sau:

Yêu cầu mỗi nhà cung cấp chạy cùng một đánh giá:

1. Cung cấp một mẫu giao dịch lịch sử với kết quả đã xác nhận.
2. Sử dụng phân chia thử nghiệm theo trình tự thời gian thay vì ngẫu nhiên.
3. Chạy phát lại sản xuất im lặng.
4. So sánh với các quy tắc và mô hình hiện tại.
5. Đo lường độ chính xác ở tỷ lệ xem xét thực tế.
6. Đo lường độ thu hồi ở tỷ lệ từ chối thực tế.
7. Báo cáo giá trị gian lận được phát hiện.
8. Báo cáo ảnh hưởng của hoàn tiền và từ chối sai.
9. Đo lường độ trễ trung vị, phần trăm thứ 95 và phần trăm thứ 99.
10. Đo lường số phút của nhà phân tích trên mỗi cảnh báo và mỗi vụ việc.
11. Kiểm tra lưu lượng truy cập cao điểm và lỗi phụ thuộc.
12. Xem xét các giải thích với các nhà phân tích gian lận và cán bộ tuân thủ.
13. Kiểm tra sự trôi dạt của mô hình trên các quốc gia, sản phẩm, người bán và kênh thanh toán.
14. Kiểm toán các khuyến nghị của đại lý so với bằng chứng nguồn.
15. Giữ các hành động có giá trị cao ở chế độ xem xét thủ công trong quá trình thử nghiệm.

Khoảng trống thị trường và một giải pháp tốt hơn để xây dựng

Khoảng trống thị trường lớn nhất không phải là một điểm gian lận khác. Đó là một nền tảng hoạt động chống gian lận tiêu chuẩn hóa, lấy bằng chứng làm gốc giúp các tuyên bố của nhà cung cấp có thể đo lường được và các đánh giá của cơ quan quản lý có thể tái tạo.

Một giải pháp mạnh mẽ hơn sẽ bao gồm những điều sau đây.

1. Kiến trúc hai tốc độ

• Ra quyết định giao dịch đồng bộ dưới 100 mili giây
• Mở rộng đồ thị và điều tra không đồng bộ
• Các môi trường đại lý riêng biệt cho nghiên cứu và khắc phục
• Không phụ thuộc vào mô hình ngôn ngữ lớn trong đường dẫn ủy quyền thanh toán

2. Một công cụ đánh giá phổ quát

Nền tảng này nên tự động tính toán:

• Độ chính xác
• Độ thu hồi
• Độ chính xác ở tỷ lệ xem xét cố định
• Độ thu hồi ở tỷ lệ từ chối cố định
• Giá trị gian lận được phát hiện
• Tỷ lệ hoàn tiền
• Tỷ lệ từ chối sai
• Tỷ lệ chấp thuận
• Thời gian của nhà phân tích được tiết kiệm
• Thời gian giải quyết vụ việc
• Độ trễ phần trăm thứ 95 và thứ 99
• Sự trôi dạt theo phân đoạn và kiểu hình

Điều này sẽ cho phép các tổ chức so sánh các nhà cung cấp bằng cách sử dụng cùng một định nghĩa.

3. Gói phát lại cho cơ quan quản lý

Đối với mọi quyết định quan trọng, hệ thống nên lưu giữ:

• Dữ liệu đầu vào
• Phiên bản mô hình
• Phiên bản quy tắc
• Phiên bản đồ thị
• Điểm số
• Ngưỡng
• Mã lý do
• Bằng chứng
• Hành động của đại lý
• Ghi đè của con người
• Quyết định cuối cùng
• Hướng dẫn phát lại có thể tái tạo

4. Thông tin tình báo mạng bảo vệ quyền riêng tư

Một tập đoàn tương lai nên hỗ trợ:

• Học tập liên bang
• Tính toán đa bên an toàn
• Các định danh được mã hóa token
• Quyền riêng tư khác biệt khi thích hợp
• Xử lý theo khu vực
• Lưu giữ dữ liệu do tổ chức kiểm soát
• Quản trị tập đoàn minh bạch

5. Điều phối khắc phục an toàn

Các đại lý nên đề xuất và thực hiện các hành động theo các cấp độ rủi ro có thể cấu hình:

• Các dương tính giả rủi ro thấp có thể được tự động đóng
• Các trường hợp rủi ro trung bình có thể yêu cầu phê duyệt của nhà phân tích
• Các khoản thanh toán giá trị cao có thể yêu cầu phê duyệt kép
• Việc đóng tài khoản có thể yêu cầu quyết định của con người
• Thay đổi quy tắc nên yêu cầu kiểm tra và kiểm soát phiên bản
• Các hồ sơ quy định nên yêu cầu chữ ký của người chịu trách nhiệm

6. Chấm điểm chất lượng bằng chứng

Hệ thống nên chấm điểm không chỉ quyết định gian lận mà còn cả chất lượng bằng chứng hỗ trợ nó:

• Tất cả các tuyên bố có được liên kết với hồ sơ nguồn không?
• Đại lý có sử dụng thông tin cũ không?
• Nó có bỏ qua bằng chứng mâu thuẫn không?
• Nó có nhầm lẫn một thực thể liên quan với chủ thể không?
• Nó có đề xuất một hành động ngoài chính sách không?
• Một nhà điều tra khác có thể tái tạo kết luận không?

Điều này sẽ giúp ngăn chặn các tường trình điều tra được đánh bóng nhưng không có căn cứ.

Kết luận

Các đại lý phát hiện gian lận và giám sát giao dịch tốt nhất không chỉ đơn thuần là chatbot được gắn vào hàng đợi cảnh báo. Chúng là các hệ thống rủi ro nhiều lớp kết hợp các quy tắc thời gian thực, học máy, phân tích hành vi, thông tin tình báo đồ thị, tự động hóa điều tra, khả năng giải thích và khắc phục có kiểm soát.

Đối với hầu hết các tổ chức, kiến trúc mục tiêu mạnh nhất là:

1. Các quy tắc để kiểm soát chính sách rõ ràng
2. Học máy để chấm điểm rủi ro hành vi
3. Phân tích đồ thị cho gian lận và tội phạm tài chính được kết nối
4. Các đại lý điều tra để thu thập bằng chứng
5. Sự phê duyệt của con người cho các hành động quan trọng
6. Giám sát liên tục để theo dõi sự trôi dạt, độ trễ, quyền riêng tư và chất lượng kết quả

Unit21 và Sardine đặc biệt hấp dẫn đối với các hoạt động chống gian lận tự động và dịch vụ tài chính kỹ thuật số. Feedzai và Featurespace có bằng chứng mạnh mẽ trong việc phát hiện gian lận thanh toán quy mô lớn. ComplyAdvantage và NICE Actimize là những lựa chọn mạnh mẽ cho giám sát giao dịch, điều tra và báo cáo quy định. Hawk nổi bật với khả năng ra quyết định theo thời gian thực có thể giải thích. Quantexa đặc biệt mạnh mẽ cho các cuộc điều tra theo ngữ cảnh dựa trên đồ thị. Nasdaq Verafin có vị trí tốt cho các hoạt động tội phạm tài chính Bắc Mỹ được hỗ trợ bởi tập đoàn, trong khi FICO là một lựa chọn mạnh mẽ cho các tổ chức muốn kiểm soát sâu rộng việc ra quyết định và quản trị mô hình.

Tiêu chí mua sắm quyết định không nên là bản demo trí tuệ nhân tạo ấn tượng nhất. Nó nên là liệu nền tảng có thể chứng minh, trên dữ liệu của chính tổ chức và ở quy mô sản xuất:

• Độ thu hồi gian lận cao hơn
• Độ chính xác tốt hơn
• Nhiều giá trị gian lận được phát hiện hơn
• Giảm hoàn tiền mà không từ chối quá mức
• Ít thời gian của nhà phân tích hơn
• Độ trễ tải cao điểm đáng tin cậy
• Các giải thích có thể biện hộ
• Các kiểm soát quyền riêng tư mạnh mẽ
• Khả năng chống lại sự trôi dạt của mô hình có thể đo lường được