ระบบ Anti-Fraud ใน บาคาร่า เพิ่มความมั่นใจด้วย มาตรฐานระดับสูง

ระบบตรวจสอบการฉ้อโกง (Anti-Fraud System) ที่เน้นการวิเคราะห์พฤติกรรมผู้ใช้งาน (Behavioral Fraud Detection) ทำงานโดยการเปลี่ยนการกระทำปกติของผู้ใช้ให้เป็นชุดข้อมูลเชิงปริมาณ แล้วนำไปเปรียบเทียบกับแบบแผนพฤติกรรมดั้งเดิม (Baseline Profile) เพื่อตรวจจับความผิดปกติแบบเรียลไทม์ 

1. การเก็บรวบรวมข้อมูลพฤติกรรมเชิงลึก (Behavioral Data Collection)

ระบบจะติดตามและเก็บข้อมูลสองมิติหลักควบคู่กัน

• พฤติกรรมระดับชีวมิติเชิงพฤติกรรม (Behavioral Biometrics) :
  • Keystroke Dynamics : จังหวะ ความเร็ว ระยะเวลากดแช่แป้นพิมพ์ (Dwell Time) และช่วงว่างระหว่างการพิมพ์แต่ละตัวอักษร (Flight Time)
  • Mouse Dynamics / Touch Gestures : ทิศทางการลากเมาส์ ความเร่ง ความโค้งมนของการเลื่อนเคอร์เซอร์ หรือมุมองศาและแรงกดบนหน้าจอสัมผัส
  • Interaction Velocity : ความเร็วในการกรอกแบบฟอร์มและการนำทางหน้าเว็บ (หากเร็วเกินธรรมชาติมักบ่งชี้ถึง Bot หรือ Script)
• พฤติกรรมระดับบริบทและการใช้งาน (Contextual & Transactional Behavior) :
  • ช่วงเวลาที่ทำธุรกรรมปกติ ความถี่ ยอดเงินเฉลี่ย และประเภทสินค้าหรือบริการ
  • รูปแบบการเปลี่ยนหน้าจอ (Navigation Path) และเวลาเฉลี่ยที่ใช้ในแต่ละหน้า (Dwell Time per Page)
  • ข้อมูลแวดล้อม : ลายนิ้วมืออุปกรณ์ (Device Fingerprint), IP Address, ตำแหน่งทางภูมิศาสตร์ (Geolocation)

2. การสร้างโพรไฟล์พื้นฐาน (User Behavioral Profiling)

ระบบจะใช้ข้อมูลประวัติการใช้งานย้อนหลังสร้าง Baseline Profile ของผู้ใช้แต่ละรายและของกลุ่มผู้ใช้ทั่วไป (Cohort Baseline)

• บันทึกค่าเฉลี่ยและช่วงความแปรปรวน (Standard Deviation) ของพฤติกรรมปกติ เช่น มักล็อกอินช่วง 19:00–22:00 น. ผ่านอุปกรณ์ประจำ ใช้เน็ตบ้าน และมักใช้เวลาอ่านรายละเอียดก่อนกดยืนยันโอนเงิน
• ปรับปรุงโมเดลอย่างต่อเนื่อง (Continuous Learning) เพื่อให้ทันต่อพฤติกรรมที่เปลี่ยนไปตามธรรมชาติของผู้ใช้จริง

3. การวิเคราะห์ความผิดปกติและการให้คะแนนความเสี่ยง (Anomaly Detection & Risk Scoring)

เมื่อมีกิจกรรมเกิดขึ้น ระบบประมวลผลแบบเรียลไทม์จะคำนวณหาค่าความเบี่ยงเบนจากโพรไฟล์เดิม โดยอาศัยเทคนิค

• Rule-based & Velocity Checks : ตรวจสอบกฎเชิงเงื่อนไขพื้นฐาน เช่น มีการกดส่งฟอร์มโดยไม่ผ่านการเลื่อนหน้าจอ หรือมีการทำรายการซ้ำในเสี้ยววินาที
• Machine Learning / AI Models :
  • Unsupervised Learning (เช่น Isolation Forest, Autoencoders) : ตรวจจับรูปแบบกิจกรรมที่ไม่เคยปรากฏมาก่อนในระบบ
  • Supervised Learning (เช่น XGBoost, Random Forest) : จำแนกรูปแบบที่ตรงกับเทคนิคการฉ้อโกงที่รู้จัก (เช่น Account Takeover, Credential Stuffing)
  • Graph Analytics : ตรวจสอบความเชื่อมโยงของบัญชี อุปกรณ์ หรือพฤติกรรมที่มีโครงข่ายพัวพันกับกลุ่มมิจฉาชีพ
• Risk Score Engine : รวมสัญญาณความเสี่ยงทั้งหมดออกมาเป็นคะแนนความเสี่ยงรวม (เช่น 0–100)