信用卡上的在線欺詐一直在上升，特別是在假期期間。 Mighty Travels / Flickr, CC BY-SA
如果您是信用卡或借記卡的所有者，那麼您可能會受到欺詐的可能性不可忽視，例如： 全世界數百萬其他人.
從1980開始，國際上使用信用卡，借記卡和預付卡的數量顯著增加。 據十月2016報導 尼爾森報告在2015中，這些支付系統在全球範圍內產生了超過10億美元的31萬億美元，來自7.3的2014％。
在2015中，歐洲有八分之一的購買者是 以電子方式製作.
感謝新的在線匯款系統，如Paypal，以及全球電子商務的傳播 - 包括越來越多的發展中國家 - 採用在線支付的速度很慢 - 預計這些趨勢將持續下去。
感謝Flipkart，Snapdeal和亞馬遜印度等領先公司（它們共同擁有 80％的印度電子商務市場份額在2015）以及阿里巴巴和京東（其中有超過 70中國市場的2016％），電子支付正在吸引大量新的消費者群體。
這是網絡犯罪分子的金礦。 根據尼爾森報告，全球21的卡欺詐損失從2015的約8億美元增加到2010的2020億美元。 到31，這個數字預計將達到XNUMX十億美元。
此類費用包括銀行和信用卡公司向欺詐客戶提供的退款（西方許多銀行，只要報告犯罪，西方消費者的負債為50美元） 信用卡在30天內，借記卡在兩天內。 這激勵銀行做出重大貢獻 投資反欺詐技術.
網絡犯罪也以其他方式使供應商付出代價。 他們負責為客戶提供高標準的安全性。 如果他們疏忽履行這項義務，信用卡公司可能會向他們收取報銷欺詐的費用。
欺詐的類型
信用卡欺詐有很多種，它們經常變化 新技術使新型網絡犯罪成為可能 它幾乎不可能全部列出來。
但主要有兩類：
- 卡不存在（CNP）欺詐： 這種最常見的欺詐行為發生在持卡人的信息被盜和非法使用而沒有卡的實際存在時。 這種欺詐通常發生在網上，可能是所謂的“結果”網絡釣魚“欺詐者發送的電子郵件冒充可信機構通過受污染的鏈接竊取個人或財務信息。
- 卡器存在欺詐行為： 這在今天不太常見，但仍然值得關注。 它通常採取“略讀“ - 當一個不誠實的賣家將消費者的信用卡刷入存儲信息的設備時。 一旦該數據用於購買，消費者的帳戶將被收取費用。
信用卡機器有時用於稱為“略讀”的欺詐中，其中您的卡詳細信息是重複的。 Izcool /維基
信用卡交易的機制
信用卡欺詐的部分原因在於信用卡交易是一個簡單的兩步過程：授權和結算。
最初，參與交易的人（客戶，發卡機構，商戶和商家銀行）發送和接收信息以授權或拒絕給定的購買。 如果購買獲得授權，則通過交換結算，通常在授權後幾天進行。
一旦購買獲得授權，就不會再回頭了。 這意味著所有欺詐檢測措施必須在交易的第一步中完成。
在線購買是實用且快速的...但當我們不熟悉供應商或他們的網站時，可能會有風險。 Photo Mix / Pexels
這是它的工作原理（以極為簡化的方式）。
一旦Visa或Mastercard等公司將其品牌授權給 信用卡發行商 - 像巴克萊銀行這樣的貸方 - 以及商家的銀行，他們確定了交易協議的條款。
然後，發卡機構將信用卡實際交付給消費者。 為了用它進行購買，持卡人將他的卡提供給供應商（或者，在線，手動輸入卡信息），其將關於消費者的數據和期望的購買轉發給商家的銀行。
反過來，銀行將所需信息發送給發卡機構進行分析和批准 - 或拒絕。 發卡機構的最終決定將發回給商家銀行和供應商。
只有在兩種情況下才能發出拒絕：如果持卡人賬戶餘額不足，或者根據商家銀行提供的數據，可能存在欺詐行為。
不正確的欺詐懷疑對於消費者來說是不方便的，消費者的購買被拒絕並且其卡可能被卡發行者立即阻止，並且對供應商造成聲譽損害。
如何打擊欺詐？
基於 我的研究，它研究了先進的統計和概率技術如何更好地檢測欺詐，順序分析 - 再加上新技術 - 是關鍵。
由於持續監控持卡人的支出和信息 - 包括每次購買的時間，金額和地理坐標 - 應該可以開發一種計算購買欺詐概率的計算機模型。 如果概率超過某個閾值，則發卡機構將發出警報。
然後，公司可以決定直接阻止該卡或進行進一步調查，例如致電消費者。
該模型的優勢在於將一種眾所周知的稱為最優停止理論的數學理論應用於欺詐檢測，其目的在於最大化預期收益或最小化預期成本。 換句話說，所有計算都旨在限制誤報的頻率。
我的研究仍在進行中。 但是，與此同時，為了顯著降低信用卡欺詐受害者的風險，這裡有一些黃金法則。
首先，永遠不要點擊要求您提供個人信息的電子郵件中的鏈接，即使發件人似乎是您的銀行。
其次，在您從一個不知名的賣家在線購買東西之前，請點擊供應商的名稱，看看消費者的反饋是否主要是積極的。
最後，當您進行在線支付時，請檢查網頁地址是否以 https://，用於安全數據傳輸的通信協議，並確認該網頁不包含語法錯誤或奇怪的單詞。 這表明它可能只是為了竊取您的財務數據而設計的假貨。
關於作者
Bruno Buonaguidi，跨學科數據科學研究所研究員， UniversitàdellaSvizzera italiana
相關書籍：
at InnerSelf 市場和亞馬遜
