Our biggest-ever sale. 60% off AI & data skills
Buy Now
Luyện tập và Lộ trình tiến trình của bạn.
Tiếp tục với GoogleBằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách quyền riêng tư và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.Phần này khám phá các nhóm lớn của giao dịch gian lận, thảo luận những ví dụ thường gặp trong mỗi nhóm và cách dùng công cụ phân tích để phát hiện, ngăn chặn.
Gian lận tài chính có lẽ là dạng phổ biến và lan rộng nhất. Nạn nhân thường là các tổ chức tài chính và khách hàng của họ. Thủ phạm thường giả mạo là khách hàng hoặc đại diện của tổ chức tài chính.
Gian lận thẻ tín dụng là sử dụng trái phép thẻ để mua hàng hoặc rút tiền tại ATM. Phần lớn là dùng thông tin thẻ bị đánh cắp. Phân tích gian lận có thể giúp phát hiện bằng cách tìm các mẫu phổ biến như:
Đánh cắp danh tính xảy ra khi thông tin cá nhân (như số tài khoản ngân hàng, số ID do chính phủ cấp, mật khẩu email, v.v.) bị đánh cắp. Thông tin này có thể được dùng để mạo danh cá nhân nhằm vay tiền, mở thấu chi và thực hiện các giao dịch tài chính lớn khác. Phân tích gian lận giúp bằng cách gắn cờ hành vi đáng ngờ như:
Gian lận thanh toán là sử dụng thủ đoạn để thuyết phục cá nhân hoặc doanh nghiệp thanh toán cho thứ họ không mua. Bao gồm:
Phân tích có thể hỗ trợ gian lận thanh toán bằng cách theo dõi và gắn cờ các giao dịch:
Gian lận bảo hiểm bao gồm yêu cầu bồi thường lớn cho sự cố nhỏ và trả phí thấp cho hợp đồng rủi ro. Nạn nhân thường là công ty bảo hiểm, còn thủ phạm giả làm khách hàng hoặc đại lý bảo hiểm.
Khai man yêu cầu bồi thường về những tai nạn không hề xảy ra. Để phát hiện các yêu cầu như vậy, công cụ phân tích sẽ:
Thổi phồng yêu cầu bồi thường là phóng đại mức độ thiệt hại và số tiền yêu cầu trong các sự cố nhỏ. Công cụ phân tích gian lận có thể giảm thiểu tình trạng này bằng cách:
Giám định viên bảo hiểm sẽ xác minh thủ công các yêu cầu có khả năng bị thổi phồng.
Trốn phí bảo hiểm là cung cấp thông tin sai cho công ty bảo hiểm để cố tình giảm hồ sơ rủi ro và trả phí thấp hơn cho một hợp đồng cụ thể. Công cụ phân tích có thể giúp:
Hợp đồng giả là hợp đồng giả mạo do kẻ lừa đảo giả làm đại lý bảo hiểm tạo và bán. Khách hàng chỉ phát hiện khi nộp yêu cầu bồi thường. Phần mềm phân tích gian lận phát hiện hợp đồng giả bằng cách:
Các công ty bảo hiểm cũng có trách nhiệm xã hội trong việc xác định các mô hình hợp đồng giả phát hành dưới tên họ. Trình bày các phân tích này cho cơ quan thực thi pháp luật giúp triệt phá đường dây hợp đồng giả.
Gian lận y tế có thể xảy ra ở bất kỳ phần nào của hệ thống y tế, bao gồm cả bảo hiểm y tế công. Nạn nhân là bên chi trả, có thể là một hoặc nhiều nhóm:
Thủ phạm thường là nhà cung cấp dịch vụ y tế hoặc bệnh nhân. Gian lận y tế thường được thực hiện thông qua khai man, bao gồm tính phí dịch vụ không thực hiện và tăng mã dịch vụ (upcoding).
Tính phí dịch vụ không thực hiện là việc thu tiền các dịch vụ (như xét nghiệm, điều trị) không thực hiện cho bệnh nhân. Để phát hiện kiểu gian lận này, công cụ phân tích có thể:
Upcoding là hành vi tính phí theo hạng mục dịch vụ đắt tiền hơn so với thực tế. Công cụ phân tích gian lận dùng nhiều phương pháp để phát hiện upcoding, ví dụ:
Nhiều người bán trên sàn thương mại điện tử là doanh nghiệp nhỏ và vừa, không nhất thiết am hiểu công nghệ. Vì thế, trách nhiệm thuộc về nền tảng thương mại điện tử trong việc phát hiện và kiềm chế gian lận. Gian lận TMĐT và bán lẻ có thể xảy ra dưới nhiều hình thức:
Chiếm đoạt tài khoản là khi người dùng mất quyền kiểm soát tài khoản vào tay kẻ gian, những kẻ này lạm dụng để thực hiện mua hàng trái phép. Điều này thường do lỗi người dùng hoặc lơ là bảo mật như mật khẩu và lừa đảo qua email.
Nền tảng TMĐT có thể phát hiện chiếm đoạt tài khoản bằng các kỹ thuật như:
Hoàn trả giả mạo xảy ra khi đối tượng xấu trả lại sản phẩm khác với sản phẩm đã mua, như đặt hàng đắt tiền rồi trả hàng giả. Cũng bao gồm trả lại hàng đã qua sử dụng không thể bán lại. Để bảo vệ khỏi hoàn trả giả mạo, phân tích gian lận có thể:
Mua hàng gian lận liên quan đến giao dịch trái phép dùng thông tin thanh toán bị đánh cắp/giả mạo và tài khoản bị xâm phạm. Điều này có thể gây thiệt hại cho cả người bán và người mua không hay biết. Phân tích gian lận có thể gắn cờ mua hàng tiềm ẩn gian lận bằng cách theo dõi giao dịch để nhận diện các mẫu như:
Gian lận chargeback là lợi dụng chính sách hoàn bồi (chargeback) của thẻ tín dụng để đòi hoàn tiền cho các giao dịch hợp pháp. Phân tích gian lận có thể bảo vệ trước hành vi này bằng cách dùng:
Công cụ phân tích gian lận dùng một tập kỹ thuật chung, được điều chỉnh cho từng ngữ cảnh, bộ dữ liệu và hành vi của kẻ gian trong từng lĩnh vực.
Mọi phương pháp phân tích gian lận đều có hai mục tiêu then chốt:
Kẻ gian thường thể hiện hành vi khác biệt đáng kể so với khách hàng hợp pháp. Phát hiện bất thường giúp xác định hành vi bất thường gợi ý hoạt động gian lận tiềm ẩn. Nó bao gồm nhiều phương pháp:
Xem khóa học Phát Hiện Bất Thường Trong Python để hiểu sâu hơn kỹ thuật này.

Minh họa phát hiện bất thường. Nguồn ảnh: Understanding AI
Học máy có giám sát là phương pháp đã được kiểm chứng để phát hiện bất thường. Con người gán nhãn bộ dữ liệu dựa trên các trường hợp hành vi gian lận đã biết trong quá khứ. Thuật toán học máy sau đó được huấn luyện trên dữ liệu gán nhãn để dự đoán khả năng một giao dịch mới là gian lận.

Minh họa động về cách cây quyết định hoạt động. Nguồn ảnh: Supervised Machine Learning
Xem lộ trình Học Máy Có Giám Sát Trong Python để tìm hiểu thêm các kỹ thuật này.
Các thuật toán học máy có giám sát, dự đoán dựa trên hành vi quá khứ, kém hiệu quả hơn khi kẻ gian áp dụng phương thức mới.
Học máy không giám sát hữu ích để dự đoán các mẫu chưa biết trong dữ liệu. Ưu điểm khác là không cần tiêu tốn nguồn lực con người để gán nhãn bộ dữ liệu lớn. Thuật toán tự phát hiện mẫu.

Cách hoạt động của phân cụm. Nguồn ảnh: Clustering in Machine Learning
Xem khóa học Học Không Giám Sát Trong Python để tìm hiểu thêm về các kỹ thuật đề cập.
Các phương pháp truyền thống phát hiện gian lận bằng đối sánh mẫu hành vi đáng ngờ hiệu quả với tài khoản riêng lẻ. Tuy nhiên, kẻ gian thường hoạt động theo nhóm cá nhân sử dụng tập thiết bị, tài khoản email và địa chỉ thực, khiến việc theo dõi hành vi đáng ngờ trở nên khó khi xem xét tài khoản một cách cô lập.
Xem khóa học Giới Thiệu Phân Tích Mạng Trong Python để hiểu sâu hơn các kỹ thuật này.
Nhiều dạng gian lận như yêu cầu bồi thường bảo hiểm giả, đánh giá khách hàng giả, email lừa đảo, v.v., dựa trên các khối văn bản. Phân tích nội dung văn bản thường mang lại manh mối để phân biệt hoạt động khách hàng chân chính với nỗ lực gian lận.
Xem lộ trình kỹ năng Xử Lý Ngôn Ngữ Tự Nhiên Trong Python để hiểu sâu hơn chủ đề này.

Minh họa quy trình khai phá văn bản. Nguồn ảnh: Text Mining with Bag-of-Words in R
Phần này trình bày tổng quan cấp cao về các nguyên tắc thực tiễn để triển khai quy trình phát hiện gian lận.
Mọi thuật toán phát hiện gian lận đều dựa trên việc phân tích và xác định mẫu quan sát trong các bộ dữ liệu lớn. Do đó, các bộ dữ liệu chất lượng cao, phù hợp và được tuyển chọn như nhật ký giao dịch và hồ sơ khách hàng là tối quan trọng để huấn luyện các thuật toán này.
Sau khi thu thập dữ liệu, bước hợp lý tiếp theo là dùng nó để huấn luyện mô hình phát hiện gian lận. Dữ liệu thô thường không phù hợp để huấn luyện. Vì vậy, cần làm sạch và chuẩn hóa dữ liệu trước khi sử dụng làm tập huấn luyện. Tiền xử lý dữ liệu, cùng với kỹ thuật đặc trưng, bao quát các bước này.
Các thuật toán phân tích gian lận về cốt lõi được xây dựng trên kỹ thuật học máy. Dữ liệu lịch sử là cơ sở để huấn luyện thuật toán học máy. Sau khi thu thập và làm sạch dữ liệu, bước tiếp theo là huấn luyện mô hình. Trong quá trình này, mô hình học cách dự đoán giao dịch hoặc hồ sơ người dùng nào có khả năng gian lận cao hơn.
Bên cạnh việc gắn cờ hành vi có khả năng gian lận, việc không cản trở người dùng bình thường cũng quan trọng không kém. Dương tính giả là khi mô hình gắn cờ giao dịch hợp pháp là gian lận. Giảm thiểu dương tính giả rất quan trọng để duy trì trải nghiệm khách hàng tốt. Để đảm bảo điều này, mô hình đã huấn luyện được đánh giá bằng nhiều chỉ số.
Sau khi gian lận xảy ra, việc thu hồi tiền hoặc hàng hóa bị chiếm đoạt trở nên ngày càng khó khăn. Vì vậy, mục tiêu là phát hiện và ngăn chặn gian lận theo thời gian thực trước khi giao dịch được thực hiện. Tích hợp phân tích gian lận vào đường ống xử lý giao dịch cho phép phát hiện theo thời gian thực. Có hai cách thực hiện:
Các bên liên quan như ban lãnh đạo, nhà khoa học dữ liệu, nhân viên tuân thủ, nhà phân tích gian lận và đội an ninh giám sát kết quả của nỗ lực phát hiện gian lận đang diễn ra. Các công cụ như bảng điều khiển, cảnh báo thời gian thực và báo cáo tự động hỗ trợ theo dõi và giám sát.
Xét tầm quan trọng và phạm vi ứng dụng rộng rãi của phân tích gian lận, có rất nhiều phần mềm được dùng trong lĩnh vực này. Bao gồm công cụ mã nguồn mở lẫn hệ thống sở hữu độc quyền. Phần này cung cấp cái nhìn tổng quan về những công cụ và nền tảng phổ biến nhất trong phân tích gian lận.
Dữ liệu khách hàng và nhật ký giao dịch thường được lưu trong kho dữ liệu quan hệ.
Vì vậy, Python, SQL và R cung cấp bộ công cụ hoàn hảo để nhà phát triển xây dựng hệ thống phân tích gian lận tùy chỉnh. Tuy nhiên, các công cụ này có thể gặp khó khi xử lý hiệu quả bộ dữ liệu rất lớn. Việc triển khai hệ thống phân tích thường dùng thêm phần mềm chuyên biệt như Apache Spark (trình bày bên dưới).
Ngoài ra, công cụ xây trên Python và SQL có thể không phù hợp với đối tượng không kỹ thuật như nhà phân tích gian lận và nhân viên tuân thủ. Thông thường sẽ cung cấp giải pháp tích hợp xây dựng bằng công cụ bên thứ ba như SAS (trình bày sau).
Nhiều kỹ thuật phân tích gian lận dựa trên thuật toán học máy được huấn luyện trên nhật ký giao dịch và dữ liệu khách hàng. Phát hiện mẫu theo thời gian thực đòi hỏi xử lý lượng dữ liệu lớn. Ví dụ, đơn vị xử lý thẻ tín dụng xử lý hàng triệu giao dịch mỗi ngày. Để phát hiện một vòng gian lận, hệ thống phân tích phải xử lý hiệu quả dữ liệu giao dịch của nhiều ngày.
Apache Spark là động cơ xử lý dữ liệu mã nguồn mở có khả năng mở rộng ngang qua các cụm máy. Nhờ khả năng tính toán trong bộ nhớ, nó xử lý được tập dữ liệu lớn mà không cần chuyển sang xử lý theo lô.
Spark nhận dữ liệu đầu vào từ nhiều nguồn như Cassandra và Amazon S3. Nó cũng cung cấp API ở nhiều ngôn ngữ, gồm Python và Java. Vì vậy, Spark đặc biệt phù hợp cho các trường hợp dữ liệu lớn như phân tích gian lận.
Xem khóa học Giới Thiệu PySpark để học ngôn ngữ xử lý dữ liệu mạnh mẽ này ngay hôm nay.
Phân tích gian lận liên quan đến bộ dữ liệu lớn và phân tích phức tạp. Trực quan hóa giúp con người dễ và nhanh nắm bắt thông tin hơn. Tableau và Power BI là công cụ trực quan hóa dữ liệu có thể kết nối nhiều nguồn dữ liệu. Chúng dùng cho cả báo cáo và phân tích.
Đây là các công cụ trực quan hóa mục đích chung với mô-đun và giao diện riêng cho phân tích gian lận. Bạn có thể bắt đầu học PowerBI ngay hôm nay qua lộ trình kỹ năng PowerBI Fundamentals.
SAS là bộ phần mềm thống kê do Viện SAS phát triển. Viện cũng xây dựng các gói chuyên ngành cho nhiều ứng dụng, bao gồm phân tích gian lận.
SAS Fraud Management sử dụng các kỹ thuật thống kê và thuật toán học máy để dự đoán và ngăn chặn gian lận. Những thuật toán này được đóng gói thành sản phẩm để những người không có nền tảng học máy, như nhà phân tích gian lận và nhân viên tuân thủ, cũng có thể dùng phương pháp ML và thống kê cho phát hiện gian lận.
H2O.ai cung cấp dịch vụ học máy tự động trên đám mây. Phần mềm của H2O.ai gắn cờ hoạt động có khả năng gian lận, chấm điểm xác suất gian lận và gán mã lý do để chỉ ra vì sao thuật toán nghi ngờ gian lận.
Các hướng dẫn này giúp điều tra viên đào sâu để xác minh giao dịch. Trong nhiều trường hợp, chúng cũng giúp phê duyệt nhanh giao dịch hợp pháp để tăng tốc xử lý.
IBM Safer Payments là hệ thống phát hiện gian lận nhắm riêng vào ngành thanh toán.
Vì dùng cơ sở dữ liệu NoSQL trong bộ nhớ, nó có thể giám sát thanh toán theo thời gian thực. Hệ thống ngăn chặn gian lận trong phương thức thanh toán không tiền mặt, như thanh toán thẻ tín dụng, bằng cách phân tích luồng giao dịch theo thời gian thực và chặn các giao dịch có khả năng gian lận trước khi được thực hiện.
Bài viết cung cấp cái nhìn tổng quan về các loại hình gian lận khác nhau và vai trò của phân tích gian lận trong việc phát hiện, ngăn chặn. Bài cũng thảo luận các kỹ thuật thường dùng để phát hiện các trường hợp gian lận tiềm ẩn và quy trình phát hiện gian lận. Cuối cùng, bài giới thiệu một số ứng dụng phần mềm thường dùng trong lĩnh vực này.
Để học cách xây dựng hệ thống phát hiện gian lận bằng Python, hãy tham gia khóa học Phát Hiện Gian Lận Trong Python. Để có phần mở đầu tổng quan về Python cho ứng dụng tài chính, theo học khóa Nhập Môn Python Cho Tài Chính. Để tìm hiểu thêm về các hàm thống kê trong R dùng cho ứng dụng phát hiện gian lận, theo học khóa Phát Hiện Gian Lận Trong R.
Không, phân tích gian lận giúp giảm thiểu đáng kể nhưng không thể loại bỏ hoàn toàn. Nó giúp gắn cờ giao dịch rủi ro cao, nhưng vẫn cần giám sát của con người.
Các giao dịch bị gắn cờ thường được điều tra viên xem xét. Hệ thống tự động cũng có thể chặn tạm thời các giao dịch đáng ngờ để chờ xem xét thêm.
Dữ liệu chủ chốt gồm nhật ký giao dịch, hồ sơ khách hàng, nguồn xác thực từ bên thứ ba và dữ liệu thiết bị. Dữ liệu chất lượng cao, sạch giúp cải thiện độ chính xác phát hiện.
Các mô hình không giám sát liên tục thích ứng với hành vi mới bằng cách nhận diện các mẫu và bất thường chưa biết, giúp phát hiện hiệu quả hơn các phương thức gian lận mới nổi.
Hệ thống dùng công cụ xử lý dữ liệu thời gian thực như Apache Flink để phân tích giao dịch tức thời, đồng thời giảm dương tính giả bằng cách tinh chỉnh thuật toán theo thời gian.

Arun là cựu nhà sáng lập startup, yêu thích xây dựng những điều mới mẻ. Hiện tại, anh đang khám phá các nền tảng kỹ thuật và toán học của Trí tuệ Nhân tạo. Anh thích chia sẻ những gì mình học được, vì thế anh viết về chúng.
Bên cạnh DataCamp, bạn có thể đọc các bài viết của anh trên Medium, Airbyte và Vultr.
blog
Tìm hiểu thêm về phân tích và học máy với các khóa học này!
Luyện tập và Lộ trình tiến trình của bạn.
Tiếp tục với GoogleBằng cách tiếp tục, bạn chấp nhận Điều khoản sử dụng, Chính sách quyền riêng tư và việc dữ liệu của bạn được lưu trữ tại Hoa Kỳ.
Một hệ thống kinh tế lành mạnh dựa trên niềm tin giữa người mua và người bán hàng hóa, dịch vụ. Khi niềm tin này bị phá vỡ, chi phí kinh doanh sẽ tăng lên. Những kẻ không trung thực thực hiện các giao dịch lừa dối để chiếm đoạt của doanh nghiệp. Cũng có những nhóm gian lận tinh vi nhắm mục tiêu vào các ngành cụ thể.
Trong bài viết này, chúng tôi thảo luận các loại hình gian lận khác nhau được phát hiện thông qua phân tích và các kỹ thuật dùng để phát hiện gian lận. Chúng tôi cũng đề cập các quy trình phát hiện gian lận điển hình và các công cụ phần mềm thường dùng cho phân tích gian lận.
Khám phá cách AI có thể tác động đến tổ chức của bạn và cách triển khai chiến lược AI thành công với sách trắng của chúng tôi, Hướng Dẫn Về Kiến Thức AI Dành Cho Nhà Lãnh Đạo Học Tập.
Phân tích gian lận là gì?
Phân tích gian lận đề cập đến các kỹ thuật thống kê và học máy nhằm xác định và gắn cờ các giao dịch có khả năng gian lận, thường là theo thời gian thực.
Việc phát hiện hoạt động gian lận đầy thách thức vì:
Doanh nghiệp cần dùng các công cụ phát hiện gian lận tích hợp những tính năng này. Các công cụ sẽ gắn cờ giao dịch có xác suất gian lận cao. Điều tra viên sau đó kiểm tra thủ công các giao dịch bị gắn cờ và đưa ra quyết định cuối cùng.
Phát hiện gian lận tiềm ẩn bao gồm phát hiện hành vi: