Hogyan működhetnek együtt a bankok a csalási adatok elemzésében nyers tranzakciós adatok megosztása nélkül?

Első rész

Ez a „Hogyan működhetnek együtt a bankok a csalási adatok elemzésében nyers tranzakciós adatok megosztása nélkül?” című háromrészes sorozat második része, amelyben hét konkrét pénzintézeti felhasználási esetet mutatunk be:

1. Mule-számla hálózatok felderítése
2. APP-csalások megelőzése az elszámolás előtt
3. Határon átnyúló fizetési csalások
4. Szintetikus személyazonosság (synthetic identity) és igénylési csalások
5. Bankkártya-, kereskedői és chargeback-csalások
6. Bankrendszeren kívüli csalási információk (scam intelligence) hasznosítása
7. Közös modellfejlesztés és modellvalidáció

1. Mule-számla hálózatok felderítése

A pénzmosásban vagy csalásban közreműködő „money mule”-ok, azaz pénzmozgatásra használt strómanok bűnözők megbízásából fogadnak és utalnak tovább pénzeszközöket. Egy bank észlelhet szokatlan aktivitást egy adott számlán, de nem feltétlenül látja, hogy a kedvezményezett, az eszköz, a telefonszám, a cím vagy az irányító személy más pénzügyi intézményeknél vezetett számlákhoz is kapcsolódik.

Védett adatrekord-összekapcsolás segítségével a résztvevő bankok meghatározott kockázati jelzéseket hasonlíthatnak össze anélkül, hogy teljes tranzakciós főkönyveket vagy számlatörténeteket kellene megosztaniuk.

Egy közös folyamat például azonosíthatja, hogy:

• ugyanazt az eszközt öt különböző intézménynél történő számlanyitásra használták;
• több kedvezményezett ugyanahhoz a védett formában kezelt címhez kapcsolódik;
• egymással kapcsolatban nem álló károsultaktól érkező összegek összefutnak egy egymással összekapcsolt számlacsoportban;
• az egyik intézmény által megszüntetett számla mögötti azonosítók egy másik szolgáltatónál ismét megjelennek;
• egy feltételezett szervező több, különböző pénzügyi szolgáltatóknál bankoló vállalkozást irányít.

Ez csökkentheti a közvetlen csalási veszteségeket, és lehetővé teheti a bankok számára, hogy egy számlát még azelőtt blokkoljanak vagy vizsgálat alá vonjanak, mielőtt további károsulti befizetések érkeznének rá.

Szabályozói és működési szempontból is jelentős értéket teremthet. A hálózatok pontosabb azonosítása célzottabb vizsgálatokat és teljesebb bejelentéseket eredményezhet, miközben csökkentheti annak szükségességét, hogy több elemző egymástól elkülönülten ugyanannak a töredezett mintázatnak a részleteit vizsgálja.

2. APP-csalások megelőzése az elszámolás előtt

Az Authorized Push Payment, azaz APP-csalás különösen nehezen felismerhető, mivel maga az ügyfél adja a banknak a fizetési megbízást. A hagyományos tranzakciós szabályrendszerek ezért sokszor szabályosan hitelesített megbízást látnak, nem pedig jogosulatlan átutalást.

A fogadó pénzügyi intézmény ugyanakkor lényeges kiegészítő információval rendelkezhet: a kedvezményezett számla például újonnan nyitott lehet, korábbi csalási bejelentésekhez kapcsolódhat, gyors továbbterhelési vagy pénzszétosztási mintázatot mutathat, illetve olyan azonosítókhoz kötődhet, amelyek más esetekben már felmerültek.

Egy privacy-preserving azonosító-maszkoló, fizetés előtti ellenőrzés célzott kérdéseket tehetne fel:

• minősítette-e valamelyik másik résztvevő a kedvezményezettet a közelmúltban magas kockázatúnak;
• kapcsolódik-e a számla megerősített csalási esethez tartozó védett azonosítóhoz;
• ugyanaz az eszköz vagy entitás fogadott-e fizetéseket több, egymással kapcsolatban nem álló károsulttól;
• része-e a kedvezményezett egy ismert mule-számla hálózatnak;
• mutat-e a célszámla gyors átfolyó pénzmozgásra jellemző viselkedést.

A válasznak nem kell tartalmaznia a másik bank tranzakciós előzményeit. Elegendő lehet egy kockázati pontszám, egyezési státusz, indoklási kód vagy fokozott vizsgálat alkalmazására vonatkozó jelzés.

Ez az Egyesült Királyságban különösen fontos pénzügyi kérdéssé vált, mivel a kötelező APP-csalási visszatérítési szabályok a 2024. október 7-től végrehajtott, jogosultsági feltételeknek megfelelő fizetésekre alkalmazandók. A visszatérítési költség főszabály szerint egyenlő arányban oszlik meg a küldő és a fogadó pénzforgalmi szolgáltató között, így mindkét fél közvetlen pénzügyi ösztönzést kap a megelőzés javítására.

A Payment Systems Regulator adatai szerint 2024 októbere és 2025 júniusa között a fogadó intézmények több mint 74 millió fontot térítettek meg a küldő intézményeknek.

Egy fogadó bank számára ezért a jobb detektálás már nem pusztán compliance- vagy reputációs előny: közvetlenül csökkentheti a visszatérítési költségeket is.

3. Határon átnyúló fizetési csalások

A nemzetközi fizetések további adatszéttagoltságot eredményeznek. A levelező bankok, az indító pénzügyi intézmények, a közvetítő bankok, a kedvezményezett intézmények és a fizetési hálózatok mind a tranzakciós lánc más-más részét látják.

A Swift 13 nemzetközi bank és tízmillió teszttranzakció részvételével végzett kísérletekben mutatta be az adatvédelmet megőrző (privacy-preserving) együttműködés lehetőségeit. A Swift szerint a tesztek megduplázták a valós idejű csalásfelderítés hatékonyságát, miközben Privacy-Enhancing Technologies (PET) megoldások segítségével lehetővé tették az intézmények közötti együttműködést a végponttól végpontig terjedő adatvédelem és biztonság fenntartása mellett. Az egyik tesztelt funkció lehetővé tette a bankok számára, hogy valós időben ellenőrizzék a gyanús számlákkal kapcsolatos kockázati információkat.

Egy éles üzemi megvalósítás támogathatná:

• a határon átnyúló kedvezményezetti szűrést;
• több országban ismételten megjelenő csalási infrastruktúra felismerését;
• több pénzügyi intézménynél vezetett, egymással összefüggő számlák azonosítását;
• védett csalási indikátorok összevetését;
• gyorsabb beavatkozást, mielőtt a pénzeszközök további joghatóságokon haladnának keresztül;
• nemzetközi csalási kampányokra adott összehangolt válaszlépéseket.

A bankok így potenciálisan több csalárd átutalást előzhetnének meg, miközben kevésbé lennének rászorulva a lassú, eseti információkérésekre azt követően, hogy a fizetés már teljesült.

4. Szintetikus személyazonosság (synthetic identity) és igénylési csalások

A szintetikus személyazonosság valós és fiktív személyazonosító attribútumokat kombinál. Egy pénzügyi intézmény látszólag hiteles kérelmezőt láthat, miközben más intézményeknél ugyanaz a telefonszám, eszköz, cím, részleges személyazonosító adat vagy munkáltatói információ eltérő nevekkel beadott kérelmekben jelenik meg.

A PPDL (Privacy-Preserving Data Linkage) lehetővé teszi bankok, hitelezők, kártyakibocsátók és pénzügyi szolgáltatók számára, hogy az onboarding, illetve ügyfélbefogadás során védett módon ellenőrizzék az ilyen átfedéseket.

Egy intézmény például értesülhet arról, hogy:

• egy eszköz több, nemrég létrehozott személyazonossághoz kapcsolódik;
• ugyanaz a telefonszám több igénylésben is szerepel;
• személyazonossági elemeket egymással ellentmondó kombinációkban használnak újra;
• egy cégvezető gyanús vállalkozások csoportjához kapcsolódik;
• ugyanazt a címet szokatlanul sok közelmúltbeli igénylésben használták.

Az intézménynek nem szükséges megismernie a többi résztvevő összes ügyfelét vagy kérelmezőjét. Arra van szüksége, hogy megbízható jelzést kapjon arról, ha az aktuális igénylés egy szélesebb csalási mintázat része.

Az üzleti előnyök közé tartozik az alacsonyabb hitelveszteség, kevesebb leírás, a manuális ellenőrzési költségek csökkenése és a pontosabb befogadási döntéshozatal. A jobb, piacokon átívelő kockázati jelzések azt is lehetővé tehetik, hogy a bankok olyan legitim ügyfeleket is elfogadjanak, akiket túlzottan konzervatív belső szabályok egyébként elutasítanának.

A PPDL így egyszerre javíthatja a veszteségmegelőzést és a bevételi konverziót.

5. Bankkártya-, kereskedői és chargeback-csalások

A kereskedői elfogadók, kibocsátók, payment gateway szolgáltatók, kártyatársaságok és online piacterek a bankkártyás tranzakciók eltérő szakaszaira látnak rá.

A kibocsátó a kártyabirtokosra és az engedélyezési előzményekre lát rá. Az elfogadó a kereskedői kapcsolatra. A piactér az eladói fiókra és a teljesítési adatokra, míg a gateway az eszköz- és munkamenet-szintű jelekre.

Az adatvédelmet megőrző összekapcsolás (PPDL) segít annak megállapításában, hogy:

• ugyanaz a védett módon azonosított kereskedő több intézmény vizsgálatában is megjelenik;
• egy adott eszköz több fizetési szolgáltatónál vezetett fiókokhoz kapcsolódik;
• egymással kapcsolatban álló eladók hasonló chargeback-mintázatokat generálnak;
• több bank által kibocsátott kártyákat ugyanazon infrastruktúrán keresztül tesztelnek;
• látszólag különálló kereskedők mögött közös tulajdonosi kör vagy elszámolási számla áll.

A pénzügyi hatás messze túlmutat a megtérített csalási veszteségeken. A jobb kereskedői kockázatfelderítés csökkenti a chargeback-költségeket, a kártyatársasági büntetéseket, a vizsgálati költségeket, valamint azokat a veszteségeket is, amelyek akkor merülnek fel, amikor egy problémás kereskedő eltűnik, mielőtt a képzett tartalékok visszaszerezhetők lennének.

Emellett a kereskedőakvizíciót is javíthatja. A jobb együttműködésen alapuló kockázati jelzésekkel rendelkező szolgáltatók nagyobb biztonsággal fogadhatnak be legitim kisebb kereskedőket ahelyett, hogy teljes kockázati kategóriákat utasítanának el.

6. Bankrendszeren kívüli csalási információk (scam intelligence) hasznosítása

A fizetési csalások jelentős része a pénzügyi rendszeren kívül kezdődik.

A UK Finance szerint 2025-ben az Egyesült Királyságban az APP-csalási esetek 66 százaléka online felületen indult, míg 17 százalékuk távközlési csatornákon keresztül kezdődött.

Ez azt jelenti, hogy a megelőzéshez szükséges valamennyi releváns információ nem kizárólag a bankok birtokában van.

A távközlési szolgáltatók SIM-cserét, hívószám-hamisítást, szokatlan üzenetküldési aktivitást vagy kompromittált telefonszámokat észlelhetnek. Az online platformok csalárd hirdetéseket, megszemélyesítő fiókokat és befektetési csalási kampányokat azonosíthatnak. A kriptoeszköz-szolgáltatók pedig a megszerzett pénzeszközök következő célállomását láthatják.

Egy több ágazatot összekapcsoló, adatvédelmet megőrző (privacy-preserving) környezet lehetővé teheti a védett telefonszámok, számlaazonosítók, eszközök, hirdetői azonosítók és célként szolgáló kriptotárcák célzott összekapcsolását.

Egy bank például olyan jelzést kaphatna, hogy az ügyfél egy nemrég azonosított befektetési csalási kampányhoz kapcsolódó számlára készül pénzt utalni – anélkül, hogy a távközlési szolgáltatónak vagy az online platformnak teljes felhasználói adatbázisát fel kellene fednie.

Ez lehetőséget teremthet ágazatközi „fraud utility” szolgáltatások, fizetős kockázatelemző- és riasztó-szolgáltatások és konzorciumi alapú csalásmegelőzési infrastruktúrák kialakítására.

7. Közös modellfejlesztés és modellvalidáció

Az okos adat-összekapcsolás a csalásfelderítési modellek teljesítményét is javíthatja.

Egy bank modellje jellemzően csak azokból a csalási esetekből tanul, amelyeket maga a bank azonosított. Ez vakfoltokat eredményezhet, különösen új piaci szereplők, kisebb fintech-ek, illetve olyan csalástípusok esetében, amelyek idővel egyik szolgáltatótól a másikhoz helyeződnek át.

A védett együttműködés gazdagabb címkéket és hálózati jellemzőket tehet elérhetővé. A résztvevők közösen taníthatnak vagy validálhatnak modelleket anélkül, hogy nyers tranzakciós adatokat vagy saját, védett detektálási logikájukat feltárnák.

Egy nagybank szélesebb hálózati lefedettséghez juthat. Egy kisebb szolgáltató olyan konzorciumi szintű jelzésekhez férhet hozzá, amelyeket saját tranzakciós volumenéből nem tudna előállítani. Egy fraud-tech szolgáltató pedig több bank védett adatain tesztelheti és értékelheti modelljét anélkül, hogy ügyfélrekordok birtokába kerülne.

A lehetséges üzleti modellek közé tartoznak:

• konzorciumi előfizetési díjak;
• használatalapú csalási kockázatpontozás;
• modellvalidációs szolgáltatások;
• védett iparági benchmarkok;
• menedzselt vizsgálati és analitikai szolgáltatások;
• a rendelkezésre bocsátott kockázati információkhoz kapcsolódó bevételmegosztás.

A közös infrastruktúra így nem pusztán belső compliance-költségként jelenhet meg, hanem önálló, bevételt termelő adat- és analitikai termékké is válhat.

A sorozat következő, egyben befejező részében azokat a gyakorlati lépéseket vizsgáljuk meg, amelyekkel a pénzügyi intézmények csökkenthetik a csalásmegelőzéshez kapcsolódó adatvédelmi kockázatokat.

Első rész