信用卡上的在线欺诈一直在上涨，特别是在假期。 Mighty Travels / Flickr, 创用CC BY-SA
如果您是信用卡或借记卡的所有者，您可能会受到欺诈的可能性不可忽视 数以百万计的世界各地的人.
从1980开始，在国际上使用信用卡，借记卡和预付卡的数量显着增加。 根据十月份的2016 尼尔森报告在2015中，这些支付系统在全球范围内产生了超过万亿美元的31万亿美元，比7.3增加了2014％。
在2015，在欧洲八个采购中有七个是 以电子方式制作.
由于PayPal等新的在线汇款系统以及世界各地的电子商务（包括越来越多的发展中国家）的普及， 采用在线支付的速度缓慢 - 这些趋势预计将持续下去。
感谢像Flipkart，Snapdeal和亚马逊印度（一起拥有的领先公司） 80在印度电子商务市场的份额占2015％）以及阿里巴巴和京东（已经超过了 70中国市场的2016％），电子支付正在达到大量新的消费群体。
这是网络犯罪分子的金矿。 根据尼尔森报告，全球范围内由卡片诈骗造成的损失上升至21的2015十亿美元，高于8的2010十亿美元。 2020预计这一数字将达到31十亿美元。
这些费用包括银行和信用卡公司为退还客户所退还的费用（只要报告犯罪，西部地区的许多银行就以50美元为单位承担消费者的责任） 在信用卡的30天内和借记卡的两天内。 这激励银行做出重大的贡献 投资反欺诈技术.
网络犯罪也以其他方式让供应商付出代价。 他们负责为客户提供高标准的安全性。 如果他们疏忽了这个责任，信用卡公司可能会向他们收取报销欺诈的费用。
欺诈的类型
信用卡欺诈有很多种，而且经常变化 因为新技术使新型网络犯罪成为可能 把它们全部列出几乎是不可能的。
但有两大类：
- 无卡（CNP）诈骗： 这种最常见的欺诈行为发生在持卡人的信息被盗窃和非法使用而没有实际存在的情况下。 这种欺诈行为通常发生在网上，可能是所谓的“钓鱼“欺诈者发送的电子邮件冒充可信的机构通过受到污染的链接窃取个人或财务信息。
- 卡器存在欺诈行为： 这在今天不太常见，但仍值得关注。 它通常采取“略读“ - 不诚实的卖家将消费者的信用卡刷入存储信息的设备中。 一旦这些数据被用来进行购买，消费者的账户将被收取费用。
信用卡机器有时被用于名为“skimming”的欺诈行为，其中您的卡信息是重复的。 Izcool /维基
信用卡交易的机制
信用卡欺诈的部分原因在于信用卡交易是一个简单的两步过程：授权和结算。
开始时，涉及交易的人（客户，发卡机构，商户和商家的银行）发送和接收信息以授权或拒绝给定的购买。 如果购买被授权，则通过交换资金来结算，这通常在授权后几天进行。
一旦购买被授权，就没有回头路了。 这意味着所有的欺诈检测措施都必须在交易的第一步完成。
在线购买是实用且快速的......但是当我们不了解供应商或他们的网站时可能是有风险的。 照片混合/ Pexels
以下是它的工作原理（以极简化的方式）。
一旦像维萨或万事达卡这样的公司向他们的品牌授权 信用卡发行商 - 像巴克莱银行（Barclays Bank）这样的贷款人 - 和商人的银行，他们确定了交易协议的条款。
然后，发卡机构将信用卡实际交付给消费者。 为了进行购买，持卡人将自己的卡片给卖主（或者在线手动输入卡片信息），他们将消费者的数据和所需购买的数据转发给商户的银行。
银行又将所需信息发送给发卡机构进行分析和批准 - 或拒绝。 发卡机构的最终决定被发回给商家的银行和卖主。
如果持卡人账户余额不足，或者根据商户银行提供的数据存在欺诈嫌疑，则可以拒绝。
不正确的欺诈嫌疑对于消费者来说是不方便的，消费者的购买被拒绝，卡片可能被卡片发卡机构一概阻止，给消费者造成了声誉上的损失。
如何打击欺诈？
基于 我的研究，其中探讨了统计和概率技术如何更好地检测欺诈行为，顺序分析 - 再加上新技术 - 是关键。
由于对持卡人支出和信息（包括每次购物的时间，数量和地理坐标）的持续监测，应该有可能开发计算购买欺诈概率的计算机模型。 如果这个概率超过一定的门槛，发卡机构将发出警报。
然后，公司可以决定直接阻止该卡或进行进一步调查，例如致电消费者。
这个模型的优势在于将最优停止理论应用于欺诈检测，这个模型的目的是要么最大化预期收益，要么最小化预期成本。 换句话说，所有的计算都是为了限制误报频率。
我的研究还在进行中。 但是，与此同时，为了大幅降低信用卡欺诈受害者的风险，这里有一些金科玉律。
首先，即使发件人似乎是您的银行，也不要点击要求您提供个人信息的电子邮件中的链接。
其次，在你从一个未知的卖家网上买东西之前，谷歌供应商的名字，看消费者反馈是否主要是积极的。
最后，当您进行在线支付时，请检查网页地址是否以此开始 https://，用于安全数据传输的通信协议，并确认该网页不包含语法错误或陌生词汇。 这表明这可能是一个专门为窃取您的财务数据而设计的虚假信息。
关于作者
Bruno Buonaguidi，数据科学跨学科研究所研究员， Universitàdella Svizzera italiana
相关书籍：
at InnerSelf 市场和亚马逊
