▶ 不正去來 모니터링의 必要性 擡頭 ▶ 顧客의 金融去來 內譯을 保護하기 위한 要求 擡頭
UBI SAFER-FDS는 顧客의 金融去來時 承認을 위한 認證 時點에 異常徵候를 判斷하여 引證 自體를 遮斷하고 引證情報와 承認情報를 結合하여 事故去來 疑心件을 探知하는 솔루션입니다.
電子金融去來에 使用되는 端末機 情報ㆍ接續情報ㆍ去來內容 等을 綜合的으로 分析하여 疑心去來를 探知하고, 異狀金融去來를 遮斷합니다.
다양하게 蒐集된 情報를 綜合的으로 分析하여 異狀金融去來 有無를 判別하는 複合的인 시스템
利用者 識別情報를 活用한 프로파일 生成
位置 情報를 통한 以上 去來 判斷
使用者 環境 情報 分析
4가지의 主要機能 (情報蒐集, 分析 및 探知, 對應, 管理ㆍ運營 및 監査)으로 이루어져, 各 機能이 相互 연동됨
誤用探知모델을 통해 發生된 思考의 패턴을 檢出하고 以上探知모델에서 豫測패턴을 生成하고 異狀金融去來를 檢出
使用者 情報와 去來履歷 情報 分析
▶ 全體 保安性向 推移를 把握하고 探知된 件에 對한 推移分析이 可能 ▶ 全體 顧客의 保安性向 分類 ▶ 異常徵候 去來 探知 畵面에 룰 探知結果 標示 ▶ 블랙리스트의 金融去來 遮斷 ▶ 룰에 探知되면 實時間 分析을 통해서 最高 金融去來 마지막 段階에서 追加 引證 ▶ 個人 去來別 性向 分析 可能 ▶ 顧客 單位의 프로파일을 集計하여 顧客의 使用形態를 把握 ▶ 消費形態 單位의 프로파일 情報와 結合하여 同一한 消費形態의 顧客에 對해서도 正確한 豫測이 可能 ▶ 加盟店 單位의 프로파일을 集計하여 使用 行態를 把握 ▶ 事故 發生地域 및 業種과 關聯된 다양한 分析이 可能 ▶ 事故類型을 學習하여 性能向上이 可能 ▶ 最新 地域情報에 依한 位置情報를 反映하여 正確한 地域間 移動可能時間 分析이 可能
▶ 疑心去來 以上徵候 發生 時, 顧客과 通貨 및 確認하여 事故를 豫防 ▶ 顧客의 카드 使用 行態, 加盟店情報, 事故發生 履歷等을 綜合하여 點數化 한 Score 模型을 活用하여 事故與否를 豫測 ▶ 事故疑心패턴 共有를 통한 去來패턴의 最適化 ▶ 金融事故 豫防 ▶ 不正使用者 檢擧