온라인 사기 활동 식별

원활한 고객 경험을 보장하면서 온라인 사기 방지

매년 전 세계적으로 온라인 사기로 인해 수백억 달러의 손실이 발생합니다. 전통적으로 기업들은 정확하지 않고 사기꾼의 변화하는 행동을 따라갈 수 없는 규칙 기반 사기 탐지 애플리케이션을 사용했습니다. AWS 사기 탐지 기계 학습 솔루션을 통해 기업은 온라인 사기를 사전에 보다 정확하게 감지하고 방지할 수 있습니다. 이러한 솔루션은 변화하는 위협 패턴에 적응하면서 수익 손실을 줄이고 브랜드 손상을 방지하며 마찰 없는 고객 온라인 경험을 제공하는 데 도움이 됩니다.

기계 학습으로 온라인 사기 활동 식별 | Amazon Web Services(2:05)

이점

1282804749

자체 조건에 따른 사기 탐지

기계 학습 전문가가 없는 기업은 Amazon Fraud Detector를 사용하여 몇 분 만에 비즈니스 애플리케이션에 기계 학습 기반 사기 탐지 기능을 추가할 수 있으며, 데이터 과학자로 구성된 전담 팀이 있는 기업은 Amazon SageMaker를 사용하여 며칠 만에 고도로 전문화된 사기 탐지 솔루션을 개발할 수 있습니다.

588359470

Amazon의 사기 탐지 전문 지식을 기반으로 구축

Amazon의 사기 탐지 기계 학습 솔루션은 AWS, Amazon.com 및 자회사에서 사기 및 남용을 방지한 Amazon의 20년 경험을 활용하여 사기 패턴에 대한 지식으로 생산하는 모델을 강화합니다.

534424521

실시간 온라인 사기 방지 및 탐지

Amazon의 사기 탐지 기계 학습 솔루션은 실시간으로 이벤트 위험을 평가하므로 고객은 사기꾼을 차단 또는 거부하고 위험이 낮은 활동을 신속하게 추적하도록 설계된 억제 또는 수정 조치를 즉시 적용하여 적법한 고객에게 더 나은 고객 경험을 제공할 수 있습니다.

1227094223

사기 팀에 더 많은 제어 권한 부여

사기 탐지 모델을 훈련, 조정 및 배포하는 데 필요한 복잡한 작업을 자동으로 처리함으로써 Amazon의 사기 탐지 기계 학습 솔루션을 사용하면 기계 학습 전문가는 아니지만 사기 문제에 익숙한 사용자가 매우 정확한 모델의 개발 및 업데이트에 참여할 수 있습니다.

사용 사례

결제 또는 거래 사기 탐지

관심 이벤트는 온라인 구매를 완료하거나 온라인으로 결제를 진행하거나 처리하려는 시도입니다. 전자 상거래 공간의 일반적인 예 중 하나는 “게스트 체크아웃”과 관련이 있습니다. 이러한 거래에는 계정 기록이 없거나 보다 익명의 경험을 위해 "게스트" 체크아웃 옵션을 선택한 사용자가 포함됩니다.

새 계정 사기

관심 이벤트는 새 계정에 가입하거나 등록하는 행위입니다. 사기는 악의적인 행위자가 가짜, 도난, 합성 자격 증명을 생성하거나 종종 봇을 통해 여러 계정을 생성할 때 시작됩니다. 디지털 플랫폼에서 자격 증명이 설정되면 공격을 더 쉽게 실행할 수 있습니다.

계정 탈취

관심 이벤트는 합법적인 사용자 계정에 대한 로그인 시도입니다. 계정 탈취는 악의적인 행위자가 사용자 ID와 비밀번호를 도용하거나 다크 웹에서 구매했거나 추측에 성공하여 합법적인 사용자의 로그인이 손상된 상황을 의미합니다.

프로모션 부정 사용

관심 이벤트는 일반적으로 사용자가 수요 창출 또는 마케팅 프로모션을 통해 부여된 혜택을 사용하는 행위입니다. 악의적인 행위자는 적법한 사용자의 계정에 액세스하여 양도 또는 구매를 통해 로열티 크레딧 또는 포인트를 소진합니다. 또한 새 계정과 함께 제공되는 무료 평가판 또는 무료 크레딧과 같은 프로모션을 활용하거나 추천 보너스를 받기 위해 자체 추천을 수행하기 위해 여러 개의 가짜 계정을 만듭니다.

허위 또는 악의적인 리뷰

관심 이벤트는 오해의 소지가 있거나 악의적인 내용을 포함할 수 있는 제품 리뷰를 게시하는 것입니다. 고객 서비스 팀이 수많은 알림(그 중 상당수는 오탐일 수 있음)을 거치지 않아도 되도록 허위 리뷰와 악의적인 리뷰를 찾아내는 기능을 확장하려면 스크리닝을 자동화하는 것이 중요합니다.

인증

온라인 계정 등록 중에 기계 학습 기반 얼굴 생체 인식을 통해 모든 상황에서 신원 확인이 가능합니다. 사전 훈련된 얼굴 인식 및 내장된 분석 기능을 사용하여 기계 학습 전문 지식 없이도 이를 추가하여 사용자 온보딩 및 인증 워크플로를 향상할 수 있습니다.

고객 사례

Omnyex

SLA Digital

SLA Digital은 원활하고 안전한 이동통신사 청구 솔루션을 통해 전 세계 통신사 및 온라인 판매자를 위한 새로운 수익원을 창출합니다. SLA Digital은 판매자가 이동통신사와 쉽게 연결할 수 있도록 하는 이동통신사 청구 플랫폼을 제공하여 비용, 운영 위험 및 양 당사자의 시장 출시 시간을 줄입니다. 결제 집계자로서 사기 거래를 식별하고 방지하는 것은 SLA Digital의 비즈니스에 매우 중요합니다.

"12개월 전에 당사는 자체 기계 학습 전문 지식에 많은 투자를 할 필요가 없는 사기 탐지 솔루션을 찾고 있었습니다. Amazon Fraud Detector는 투명한 종량제 요금을 통해 효과적이고 경제적인 새로운 기계 학습 모델을 손쉽게 생성하고 기존 설정에 통합할 수 있도록 지원했습니다.“

Richard Fisher, SLA Digital의 기술 책임자

Untitled-1

FlightHub Group

FlightHub Group은 더 많은 사람들이 새로운 장소를 방문하고 새로운 문화를 탐험할 수 있도록 여행에 쉽게 접근 할 수 있도록 합니다. 연간 5백만 명 이상의 고객에게 서비스를 제공하는 이들의 목표는 여행자에게 가장 저렴한 항공편과 함께 최적의 일정 및 탁월한 고객 서비스를 제공하는 것입니다. FlightHub의 사기 방지 팀의 최우선 순위 중 하나는 훔친 신용 카드로 항공권을 구매하려는 사기꾼에게서 저렴한 항공권을 찾는 가치에 민감한 여행자를 분별하는 것입니다.

"Amazon Fraud Detector를 도입한 이후 중단률이 2% 미만으로 낮아졌습니다 (5%였던 이전 대비). 또한 당사의 차지백 비율은 회사 설립 이래 가장 낮습니다. 이제 비즈니스는 과거 모델이 위험하다고 표시하여 거절했을 더 많은 체크아웃을 수락할 수 있습니다. 그러나 아마도 가장 좋은 점은 이전과 거의 동일한 운영 비용으로 이러한 훌륭한 결과를 얻고 있다는 것입니다. 이 모든 것이 예약 및 수익 증가와 함께 차지백으로 인한 손실 감소로 이어집니다."

Drayton Williams, FlightHub의 사기 조사 관리자

Pulselive

Aella Credit

"그동안 신흥 시장에서는 자격 증명 확인 및 검증이 주요 당면 과제였습니다. 사용자를 적절히 식별하는 능력은 신흥 시장에서 수십억 명의 사람에 대한 신용 정보를 구축하는 데 있어 큰 장애 요소입니다. 모바일 애플리케이션에서 신원 확인을 위해 Amazon Rekognition을 사용하면서 검증 오류가 크게 감소하고 확장성이 향상되었습니다. 이제 사람의 개입 없이 실시간으로 개인의 신원을 탐지하고 확인할 수 있게 되어 제품에 대한 액세스 속도가 개선되었습니다. 우리는 광고를 통해 알게 된 다양한 솔루션을 시도해 보았지만 널리 사용되는 대안 중 다양한 피부색을 정확하게 식별하는 솔루션은 없었습니다. Amazon Rekognition은 우리 시장에서 고객의 얼굴을 효과적으로 인식하는 데 도움이 되었습니다. 또한, KYC와 함께 중복되는 프로필과 중복 데이터 집합을 발견하는 데 도움이 되었습니다.”

Wale Akanbi, Aella Credit의 CTO 겸 공동 창립자

Pulselive

ActiveCampaign

"2020년 1분기/2분기에 피싱 공격에 사용되는 계정이 급증했습니다. 결과적으로 우리는 더 강력한 거래 데이터와 신호로 기존 자체 개발 솔루션을 보완하여 악의적인 행위자를 더 빨리 식별해야 했습니다. 예측적 기계 학습에 기반한 확장형 솔루션은 우리 사업을 성장시키는 데도 중요합니다. Amazon Fraud Detector는 자사 데이터를 사용하여 간편하게 모델을 구축하고, 피싱 공격을 하는 계정 가입을 정확하게 찾아냈습니다. 더 중요한 것은 매우 낮은 오탐율로 이러한 결과를 얻을 수 있다는 점으로 이는 운영 직원이 추가 작업을 수행할 필요가 없음을 의미합니다. Amazon Fraud Detector에는 경쟁력 있는 가격 모델이 있으며 이 모델을 기존 워크플로에 쉽게 통합할 수 있습니다."

Alex Burch, ActiveCampaign의 선임 이메일 운영 엔지니어

Lotte Mart

Qantas Loyalty

"Amazon Fraud Detector는 사기 탐지 및 완화 기능에 큰 보탬이 되었습니다. 회사의 고유한 상황에 적용되는 사용자 지정 규칙을 작성하고, 기계 학습 모델을 온디맨드로 훈련할 수 있으며, 다른 AWS 서비스와 원활하게 통합되기 때문에 플랫폼을 완벽하게 제어하면서 빠르고 지능적으로 의사 결정을 내릴 수 있습니다. AWS는 개념 증명 단계에서 매우 유용했으며 사기 추세에 맞추어 새로운 기능을 플랫폼에 추가하고 있습니다."

Mary Criniti, Qantas Loyalty의 CTO

Lotte Mart

CDKeys

"Amazon Fraud Detector를 통해 사기성 거래를 6% 줄였습니다. 동시에, 이전에는 수동 검토 플래그가 지정되었던 거래 중 90%가 넘는 결제에 대해 결제 프로세스를 자동화할 수 있었습니다. 이제 수동으로 검토하는 거래는 10%에서 더 감소하여 거래 중 1%에 불과합니다 이 서비스를 구현한 이후로, Trustpilot 점수가 크게 향상되었으며, 이는 이러한 체크아웃 탐지 자동화와 함께 웹 사이트에서 일관되게 구현해온 추가적인 개선 사항 덕분에 가능했습니다. 신뢰는 고객에게 전달하는 가치에서 큰 부분을 차지하며, 비즈니스의 중요한 성공 요인입니다."

Kevin Cole, Omnyex의 운영 이사

롯데마트

Truevo

"Amazon Fraud Detector를 통해 운영을 대폭 개선하고, 악의적인 행위자에 대응할 수 있는 유연성을 높이며, 시스템 및 프로세스를 더 강력히 제어할 수 있었습니다. 처음에는 사내 솔루션 및 타사 솔루션을 모색하고 있었습니다. Amazon Fraud Detector가 발표된 이후에 바로 노선을 변경했습니다. 우리는 오래전부터 AWS의 고객이었고 Amazon의 제품을 매우 신뢰하고 있습니다. Amazon Fraud Detector를 사용하면 온프레미스 또는 SaaS 상품에 존재하는 기존의 한계에 묶여 있을 필요가 없습니다. 오히려 기계 학습 서비스를 필요에 맞게 수정할 수 있는 유연성을 얻었습니다. 필요할 때마다 완전한 기계 학습 기능을 사용하도록 신속하게 확장할 수 있으면서도, AWS의 규칙 전용 옵션을 사용할 수도 있게 되었습니다. 그 덕분에 개발 기간이 3~6개월 단축되었습니다! 사실, 첫 번째 프로토타입 모델은 30분 만에 배포했습니다. 결과적으로 실시간 사기 탐지 기능을 더욱 깊이 신뢰하면서 운영할 수 있게 되었습니다. 완전히 파악하지는 못했지만 차단해야 하는 비정상적인 활동을 발견했을 때 규칙 탐지를 배포할 수 있는 역량도 강화되었습니다. 당사는 끊임없이 변화하는 규제 및 제도 요구 사항에 대응하고 적응할 수 있어 업계의 선두를 유지할 수 있습니다.”

Charles Grech, Truevo의 COO

시작할 준비가 되셨나요?

영업 팀에 문의
문의처

사기 탐지를 위한 기계 학습 솔루션에 대한 자세한 내용은 당사에 문의하십시오.

문의처 
파트너 찾기
파트너 찾기

글로벌 기술 및 컨설팅 파트너와 협력하려면 AWS 파트너 네트워크에 문의하세요.

시작하기 
이니셔티브 시작하기
직접 해보기

Amazon AI Services 또는 Amazon SageMaker를 활용하여 자체 사기 탐지 솔루션 개발

자세히 알아보기 

직접 해보기

Amazon에서는 비즈니스 애플리케이션에 사기 탐지를 추가하는 데 사용할 수 있는 다음과 같은 AI 서비스를 제공합니다.

기계 학습 경험이 없거나 시장 출시 시간이 제한되어 있는 조직의 경우 완전관리형 AI 서비스인 Amazon Fraud Detector를 애플리케이션에 쉽게 통합하여 가장 일반적인 사기 탐지 사용 사례를 해결할 수 있습니다.

자체 기계 학습 모델을 개발하려는 조직에서는 AWS Marketplace를 통해 제공되는 기본 제공 알고리즘과 사전 학습된 모델을 제공하는 Amazon SageMaker를 사용하여 부정 행위 탐지 솔루션을 며칠 만에 구축할 수 있습니다.

온보딩 및 인증 워크플로에 사용자 자격 증명 확인을 추가하려는 조직에서는 사전 훈련된 얼굴 인식 및 분석 기능을 제공하는 Amazon Rekognition을 사용하여 기계 학습 기반 얼굴 생체 인식을 사용할 수 있습니다. 기계 학습 전문 지식이 필요하지 않습니다.

또는 Amazon SageMaker를 사용하여 자체 사기 탐지 기계 학습 모델을 구축할 수 있습니다.

Amazon SageMaker를 사용하여 잠재적인 사기 행위를 탐지하고 검토 활동에 플래그를 지정하는 아키텍처를 구축하는 방법을 알아봅니다.

리소스

Amazon Fraud Detector에서 개념 증명을 구축하여 더 빠르게 사기 적발

블로그 읽기 »

Amazon Fraud Detector로 사기 탐지 모델 구축, 훈련 및 배포

자습서로 이동 »

Bring the Power of Machine Learning to Your Fight Against Online Fraud

동영상 보기 »