不正対策＆コンプライアンスチームのみなさん、こんにちは 👋
Sardine で過ごす時間が長くなるほど、あらゆるリスクの問題はデータサイエンスの問題なのだと実感します。というわけで、今回はあなたのための「すべてはデータ」版 Sardine ニュースレターをお届けします。きっと楽しんでいただけると思います。
ちなみに、今月はGenAIアシスタント「Finley（フィンリー）」をリリースしました。Finleyは、例えば「なぜこのルールが発火したのですか？」や「アナリストとして行動し、ユーザー abcdefghi を調査してください」といった質問に答えることができます。
でも、Finleyで一番気に入っているところはね？
彼の名前はふわふわなワンちゃんにちなんで付けられていて、100％お墨付きの「いい子」なんです。
- 📣 愚痴：今のところは昔ながらの機械学習のほうがGenAIより優れている
- 🛠 戦術的なポイント: マーチャントデータのAIアップスケーリング
- 🖼 パターン：データソースのリミックス
製品：🚢 Sardine チームは今月も次々とリリースを続けています。今月は、ルール設定、調査、ケース管理を支援するために、リスクプラットフォームに 8 つの新機能を追加しました。 詳細はブログをご覧ください。
さあ、始めましょう 🏊
ST.
📣 今月のひとこと: 不正対策は（今のところ）GenAI より ML
あなたは体系的に、機械学習（ML）を十分に活用できていません。どれだけ使っているつもりでも、まだ足りないのです。
今週、あるネオバンクのCTOと話したことがきっかけで、この「Rant（愚痴混じりの持論）」を書くことになった。彼はこう言ったのだ――「不正検知のための機械学習で、この業界をリードする大きなチャンスがある」。
当然ながら、私も同意します。
私はSoupsの引用を共有しました。「あらゆるリスクの問題はデータサイエンスの問題だ」」という言葉は、ビッグテックで働き、MLをデフォルトかつ大規模に運用してきた人間として、とても共感できるものでした。
金融サービスの世界には、そんなものは存在しません。
まだ。
Google や Meta のようなテックプラットフォームを持っている金融機関やネオバンク、EC 事業者はほとんどいません。そうした企業は、ほぼあらゆる課題を解決するために、デフォルトで機械学習（ML）やニューラルネットワークを使っています。ML を最も効果的に活用できるのは、特定の領域に絞り、比較的小さなモデルで個別の課題を解決させる使い方です。大手の金融機関は、ML を自社内に取り込み、その能力を高めるための専門チームを構築し始めています。
しかし、まだ先は長い。
これらのモデルは、世界で増加している不正行為やマネーロンダリングに対応するために、はるかに大規模で高度なものになる必要があります。単にMLモデルを持っているだけでは不十分です。世界トップクラスのチームによって、最高性能のモデルが継続的に運用・更新されている状態こそ、私たちが目指しているところです。
そして、あらゆるリスクの問題はデータサイエンスの問題でもあるため、そのように扱う必要があります。
すべてのデータサイエンスの課題は、データエンジニアリングの課題でもあります。
つまり、まずは基本をきちんと押さえる必要があります。
大規模で、クリーンかつアクセスしやすいデータセットが必要です。
言うのは簡単だが、実行するのは難しい。
金融サービスにおいて大規模なデータセットを収集するということは、個人データや金融データを集め、それらを第三者と共有する可能性があるということです。コンプライアンスやガバナンスにかかる負担は決して軽くはありません。
これらの基本をきちんと押さえることで、大きなチャンスが生まれます。より大規模なデータセットを用意し、実績のある機械学習手法を活用して、取りこぼしているROIを確実に生み出しましょう。
GenAI をけなしているわけじゃなくて、それは間違いなくゲームチェンジャーになる（だって、うちには Finley Live だってあるんだから）。
不正対策においては、GenAI は最適なツールではありません。機械学習で十分です。Sardine では、過去の不正事例をもとに他の不正グループの一員である可能性が高い人々を特定する、教師あり機械学習モデルを使っています。また、グラフベースの教師なしモデルも用いており、見た目が似ているイベントやユーザーをまとめて、潜在的な不正グループとしてクラスタリングしています。
しかし。
不正対策業務であれコンプライアンス業務であれ、オペレーションの自動化という話であれば、GenAI は非常に有用です。銀行は人員の 10〜30％をオペレーションに費やしていますが、AutoGPT のようなツールを使えば、彼らが日々行っている退屈で単調な作業の大部分を自動化できます。例えば、ケースの自動レビュー、SAR（疑わしい取引報告）の記述文の自動作成、あるいはチャージバックに対する異議申し立ての自動申請などです。
そしてそれが大きなコスト削減につながる一方で、GenAI に関する大きな課題は、まだごく初期段階であり、モデルも価値もユースケースも、いまだに定まっていないという点です。
データエンジニアとして、それを構築するのは難しい（とはいえ、状況は急速に変化しています！）
サーディンでは、この仮説に基づいて4つの取り組みを行っています
- 私たちはクライアントにデータウェアハウスと機械学習用の特徴量へのアクセスを提供しています。クライアントは、私たちのデータとSardineが設計した特徴量を直接使って自社のモデルを学習させることができます。
- 私たちは35社以上のデータプロバイダーからデータを取り込み、自社のデータセットを充実させています。データサイエンティストとして、カバレッジ、品質、応答SLAなどのパフォーマンスを基準にそれらを選定しています。
- 私たちは、SardineX を通じて、市場で最も包括的かつコンプライアンスに準拠した（314(b)、GLBA）データ共有ソリューションを構築しています。データサイエンティストによる、データサイエンティストのためのサービスです。
- 私たちは、自社のデータ、経験、そしてプラットフォームを活用して、Finley を究極の不正対策オペレーション用コパイロットとして構築しています。
➕ フロード・スクワッド：加盟店データのAI高度化
こちらは、不正利用やチャージバックと戦う際に、マーチャントデータのエンリッチメントを活用する方法についての解説からの一部抜粋です
何十年もの間、カード発行会社、銀行、そしてネオバンクは、不正との戦いにおいて十分な情報を持たないまま手探り状態で対応してきたため、誤った取引拒否による収益損失を招いてきました。彼らが利用しているデータはしばしば分かりにくく、その結果、本来であれば守られるべき優良顧客がブロックされる一方で、不正利用者は罪を逃れてしまいます。不正対策チームは、カード取引データに関して、ISO8583メッセージやNAICSコードといった古い形式に依存しているのです。
それが今日変わります。
マーチャントPOSデータを見通す20/20の視界
銀行やネオバンクなどのカード発行会社にとって、加盟店データは常に信頼性が低く、はっきりしないものでした。
ISO8583 メッセージの例
この単純化した取引では、あるユーザーがYumで15ドル分のファストフードを購入しました。Yum! BrandsはKFC、タコベル、ピザハットの親会社です。では最初の質問です。ユーザーはどのブランドでお金を使ったのでしょうか？
また、Yum Brands の店舗は世界中に 53,000 店以上あります。マンハッタンだけでもタコベルが 26 店舗あります。では、ユーザーが本当にその店舗でその購入を行ったのか、どうやって分かるのでしょうか？ その場所が不正利用の多いエリアだったかどうか、どうやって判断できるのでしょうか？ そして、どのブランドでの購入だったのか、どうやって特定できるのでしょうか？
不正検知システムが加盟店カテゴリーコード（Merchant Category Code）に依存していると、不正発生率の増加や正当な取引の誤却下につながる可能性があります。どちらもビジネスにとっても顧客にとっても好ましくありません。
こちらは、マーチャントインテリジェンスに Sardine のデバイスデータとエンジンを組み合わせた場合のイメージです。
- 購入時点でのユーザーの携帯電話の正確な位置情報を取得します。これは、Sardine が現在、当社の Device Intelligence 機能を通じて提供しているものです。
- 実際の加盟店の正確な情報を特定し、取引と紐づけます。これは現在、Spade のマーチャントインテリジェンス機能によって提供されており、記載名や使用されている加盟店IDがどうであっても、加盟店の各店舗や各拠点ごとに一意のIDを付与することができます。
- 実際の加盟店所在地を正確に取得し、取引と紐付けます。これは現在、加盟店インテリジェンス機能によって提供されています。
- 取引承認のタイミングで、これらのデータポイントを組み合わせてリアルタイムの不正評価を行います。Sardine のルールエンジン、ダッシュボード、そして🧠があらゆるデータソースを統合・補強し、リアルタイムで意思決定を行います。
eコマースに対する20/20の視界
こちらは eコマースの例です
この例では、ユーザーが Amazon で 50ドルの購入をしていることは分かりますが、それが家電なのか、本なのか、デジタルコンテンツなのかは分かりません。それぞれ不正リスクの特性が異なります。MCCコードは「書店」に設定されていますが、Amazon が行っているすべての取引内容を反映しているわけではありません。メッセージ上はこの取引が不正の疑いありとされていますが、どのようにそれを検証すればよいのでしょうか？ これが誤検知による取引拒否につながる可能性はないでしょうか？
マーチャントデータを活用すれば、これをはるかに高精度にできます。
- デバイスの履歴データを収集します。このデバイスが複数の加盟店で継続的に良好に動作し、不正リスクが低い実績があれば、たとえカードが新しくても、不正ではないという確信度をより高く持つことができます。
- ユーザーの行動シグナルを収集します。このデバイスでの今回の新しいカード購入は、いつもと同じようにキーを入力したり、スワイプしたり、タップしたりしているでしょうか。それとも何か変化があるでしょうか。もし何かが変わっていれば、不正の可能性があります。同じであれば、おそらく不正ではありません。
- 加盟店をさらに細かく分類しましょう。これは AWS の取引なのか、Amazon Prime のサブスクリプションなのか、それとも Kindle の購入なのか。どの種類の取引かによって、審査の判断に大きな違いが生じます。
- カスタムルールを構築しましょう。Sardine を使うと、ノーコードまたはローコードで素早く新しいルールを作成できます。ユーザーは、Sardine API に送信されたデータポイント、コンソーシアムのリスクシグナルによる Sardine のエンリッチメント、Sardine の独自モデルによって生成された派生フィールドなど、非常に幅広い機能から選択できます。そのうえで、結果アクションを追加し、ルールを本番（Live）またはシャドウ（Shadow）環境に送信します。
- リアルタイムのリスクスコアリング。取引承認のタイミングで、これらのデータポイントを組み合わせてリアルタイムの不正リスク評価を行います。その上で、取引を承認するか、拒否するか、またはレビュー対象としてフラグを立てます。
実際の加盟店IDをリアルタイムで把握し、必要なデータを自由に取り込み、カスタムルールを作成して、その取引認証を承認するかどうかを判断できます。
誤検知を減らし、コンバージョンを増やし、不正を抑える。
素敵です。
記事全文を読みたい場合は、こちらをご覧ください：こちら
また、マーチャントリスク向けのAIアップスケーリングにご興味があれば、ぜひご連絡ください。返信するか、メールでご連絡ください：hello@sardine.ai
🕵️ パターン：なぜデータソースを組み合わせて活用する必要があるのか
「データエンリッチメント」という言葉はとても退屈に聞こえますが、実は驚くほど強力なものです。
データエンリッチメントの力:
「量より質」という格言は、データがあふれる現代ほど真実味を帯びた時代はありません。そこで登場するのがデータエンリッチメントです。生のデータに追加情報を付与し、より鮮明で立体的な姿を浮かび上がらせます。まるで、最も重要なポイントをくっきりと浮き彫りにしてくれる拡大鏡のような存在です。
あらゆるリスクの問題は、データサイエンスの問題である。
しかし、重要なのは単に拡大することではなく、本当に見るべきポイントを際立たせることです。
必要なときに必要な形式で利用できるようにするには、最高のプロバイダーから提供される最高のデータが必要です。これには、電話番号、メールアドレス、住所、クレジットカード情報、銀行口座情報、社会保障番号（SSN）や各国の個人識別番号などが含まれます。
私たちは常にこうお伝えしています。「データをただ集めるだけではなく、厳選しなさい。」たとえば、私たちは社内の不正対策・コンプライアンスチームが審査した35社の専門プロバイダーを厳選しており、本当に意味のあるデータを提供することを使命としています。
オープンバンキングのデータであれ、「銀行コンソーシアム」からの捉えどころのないシグナルであれ、成果につながるからこそ、私たちはそれを手に入れるために全力で取り組んでいます。
一例：銀行コンソーシアムデータに眠る価値
サーディンに入社して最初の週に、共同創業者のアディがこう言いました。「もしフィンテック時代に、銀行コンソーシアムのデータが手に入るなんて教えてくれていたら、本当に度肝を抜かれていただろうね。」
では、なぜ銀行コンソーシアムのデータがそれほど重要なのでしょうか？ 目の前の行動だけでなく、過去に不正に関与していた可能性のある履歴までさかのぼって確認し、潜在的な不正行為者を見つけ出すことを想像してみてください。
このデータは記憶のように働き、今より良い判断を下すのに役立つ事例を呼び起こしてくれます。これをオープンバンキングのデータやメール履歴、通信事業者（テレコ）のデータと組み合わせれば、問題が起きる前のオンボーディング段階で不正行為者を止めたり、チェックアウト時に適切な取引を拒否したりすることができます。
データ提供者の選定方法
不正対策チームにとって有用なデータにするには、3つの要素が必要です。
- パフォーマンス：データと提供事業者は結果を出さなければなりません。主なKPIは、チェックアウト時のコンバージョン向上、チャージバックの削減、そして手作業の削減です。データ提供事業者には成果が求められており、それが私たちが事業者を選定する際の最重要指標となります。
- キュレーション： すべてのデータが同じ価値を持つわけではありません。情報化社会において、見極める力こそが重要です。Sardine では、あらゆるデータポイントとプロバイダーを収集し、精査しています。経験豊富なチームが、お客様が依拠するデータの関連性と正確性を保証します。
- カスタマイズ：私たちは理解しています。すべてのビジネスは唯一無二です。そのため、当社の高度に精査されたデータをAPI経由で利用するか、直感的なダッシュボードを使って独自のルールを作成するかは、あなたの自由です。私たちはツールを提供し、それを使いこなすのはあなたです。
シグナルを組み合わせることが鍵です
詐欺師がスマートフォンを盗んだと想像してみてください。電話番号の確認は通過し、場合によっては氏名や住所も盗まれていれば通ってしまうかもしれません。しかし、メールアドレスはどうでしょうか？ 彼らが使っているデバイスはどうでしょうか？ それらをすべて組み合わせて見なければ、重要なデータポイントを見逃してしまう可能性があります。
検知というものは、干し草の山から針を探し出すような行為です。これは、AI が特に得意としていることでもあります。AI は不整合や違和感を見つけ出しますが、あらゆるデータサイエンスと同様に、膨大なデータと高品質なデータを必要とします。
データサイエンスにはデータへのアクセスが必要です
干し草の山から針を見つけ出すには、データサイエンティストにはデータウェアハウスへのアクセスが必要ですが、それを手に入れるのは驚くほど難しいのが現状です。多くの不正検知やリスク管理プラットフォームはリスクスコアを提供しますが、その裏にあるデータを共有してくれないことがあります。問題は、企業ごとにリスクプロファイルが異なることです。その企業のデータサイエンティストこそが新しいモデルを構築するのに最も適した立場にありますが、適切な品質を備えた適切なデータにアクセスできることは、今でも稀なのです。
すべてをまとめると
適切なデータプロバイダーを選定し、そのパフォーマンスをベンチマークし、データサイエンティストがビジネスが直面している課題を解決するために必要なデータへアクセスできるようにしましょう。
もしこの記事を気に入っていただけたなら、完全版はこちら
以上です、皆さん 👋
この内容が気に入りましたか？Sardine のデモを申し込んで、感謝の気持ちを伝えてください。
まだ見てくれていますか？よかったらTwitter で挨拶してみませんか、それとも LinkedIn でどうぞ。
🧙クエスト：あなたが抱えている最も難しい不正対策の課題を私たちに送ってください。今、どんなところで行き詰まっていますか？サーディンは仲間と一緒に泳ぎます。
私たちがお手伝いします。