Новые антифрод‑модели: как банки используют big data для фильтрации мошеннических заявок в декабрьский пик

Декабрь для банков — идеальный шторм: всплеск онлайн‑покупок, массовый интерес к кредитам, повышенная эмоциональность клиентов и одновременно активизация мошенников. В 2024 году, по данным Банка России, кредитные организации предотвратили 72,17 млн операций без согласия клиентов на сумму свыше 13,5 трлн рублей, причем количество предотвращенных атак за год почти удвоилось. Во втором квартале 2025‑го, по оценке отраслевых аналитиков, банки отразили 38,7 млн попыток мошенничества — на 50% больше, чем в среднем в предыдущие периоды, при этом ущерб удалось снизить за счет заметного усиления антифрод‑систем. Это стало возможным именно благодаря переходу к моделям на базе big data и ИИ, которые в декабрьский пик становятся главным фильтром между реальными заявками клиентов и лавиной мошеннических сценариев.

Форум «АнтиФрод Россия», прошедший в декабре 2025 года, подвел итог: финансовый сектор окончательно сместился от реактивного к проактивному подходу. Банки и телеком‑операторы обучают модели на сотнях миллионов транзакций и поведенческих паттернов, чтобы предугадывать атаку за часы до перевода денег, а не только блокировать уже совершенные операции. В декабре, когда на клиента обрушиваются скидки, рассрочки и «выгодные» предложения, такое превентивное антифрод‑ядро становится не просто элементом безопасности, а критическим условием сохранения доверия к дистанционному кредитованию.

Как big data превратилась в антифрод‑радар

Современные антифрод‑системы — это уже не набор простых правил уровня «подозрительный IP» или «слишком крупный перевод», а сложные модели, которые строят многомерный профиль поведения клиента. Виталий Фомин из Лиги Цифровой Экономики описывает, что банки анализируют одновременно десятки параметров: время активности, устройство, геолокацию, типичные суммы и получателей, скорость ввода данных, поведение в мобильном приложении, историю входов с разных устройств. На этой основе формируется так называемый фрод‑профиль, и любое отклонение — ночная заявка на кредит с нового устройства, вход из неожиданного региона, резкая смена сумм и получателей — вызывает дополнительную проверку или блокировку.

Big data здесь — не только про собственных клиентов. Банки подключены к инфраструктуре ФинЦЕРТ и базе ЦБ о реквизитах мошенников: туда стекаются данные о подозрительных счетах, телефонах, устройствах, сайтах и паттернах атак. Это позволяет системе «узнавать» мошенника по его следу: если с устройства или номера уже предпринимались попытки хищений, модель повышает риск для всех операций, связанных с ним. В декабре, когда число заявок и транзакций возрастает, такой сетевой эффект становится особенно важен: единичный сигнал о фишинговой рассылке или поддельном сайте быстро масштабируется на всю систему и блокирует новые попытки.

• анализируются миллиарды событий в режиме близком к реальному времени — от входа в приложение до одобрения кредита;
[2][5]
• модели строятся на исторических данных, включая уже предотвращенные атаки, что повышает точность выявления новых схем;
[4][2]
• решения принимаются автоматически, а человек подключается только в спорных случаях — это критично в декабрьский пик, когда вручную просмотреть весь поток невозможно.
[5][1]

В результате антифрод превращается в своеобразный «радар» поверх кредитного конвейера: он не мешает честным клиентам оформлять заявки, но фильтрует аномалии до того, как деньги покинут банк.

Телеком‑поведение как новый слой защиты: кто и как «видит» потенциальные жертвы

Ключевой тренд 2025 года — интеграция банковских и телеком‑данных. Оператор Т2 (Tele2) представил на ЦИПР антифрод‑решение для банков, которое на базе big data анализирует поведенческую активность абонента и ставит на мониторинг потенциально уязвимых клиентов. Модель смотрит, менялся ли неожиданно сценарий использования телефона: появились ли массовые входящие с «серых» номеров, короткие разговоры с подозрительными кодами, переходы по фишинговым ссылкам, резкие скачки активности в мессенджерах, характерные для социальной инженерии.

На практике это позволяет:

• ранее выявлять клиентов, на которых уже «работают» мошенники — например, пенсионера, которому несколько дней подряд звонят с «номеров банков»;
[7][1]
• ставить такие абонентские номера в режим повышенного контроля: любые попытки оформить кредит или перевести крупную сумму сопровождаются дополнительной биометрической проверкой или тщательным диалогом;
[8][7]
• предупреждать клиентов о рисках еще до того, как они совершат перевод под давлением злоумышленников.
[4][7]

Подобные решения тестировались с крупными банками и показали высокую точность: антифрод‑система «Билайн Большие данные» на ретроданных 4 млн клиентов определила около 20 тыс. виртуальных случаев мошенничества, из которых в 18 тыс. случаев удалось заблаговременно предупредить клиента за 2–3 часа до попытки перевода. Для декабрьского пика, когда социальная инженерия усиливается на фоне новогодней суеты и акций, такие заранее поднимаемые «флажки» становятся одним из ключевых инструментов защиты.

Проактивные модели: предсказать атаку до перевода и до выдачи кредита

Если классический антифрод ловил уже совершенные или начавшиеся подозрительные операции, то новые модели переходят в режим предсказания. Антифрод‑система на базе ИИ, разработанная «Билайном», анализирует поведение клиентов и пытается выявить попытки мошенников воздействовать на жертву за 60–120 минут до перевода. Система смотрит не только на банковские транзакции, но и на непрямые признаки: изменение паттернов звонков, установку определенных приложений, переходы по ссылкам, нетипичную активность в сервисах.

Банки используют похожий подход при анализе кредитных заявок, особенно в онлайне:

• модели оценивают скорость и последовательность заполнения анкеты, совпадение данных с другими источниками, совпадение устройств и IP‑адресов с известными кейсами мошенничества;
[8][5]
• анализируется связность данных: совпадают ли поведение клиента и заявленные параметры (например, заявка на крупный кредит из нового региона при отсутствии в истории поездок и расходов по этому региону);
[2][5]
• используются электронные следы — цифровой профиль из госуслуг, биометрия, история взаимодействия с банком, чтобы отличить реального клиента от того, кто просто завладел его данными.
[8][2]

Проактивный антифрод в декабре означает, что подозрительная заявка часто не просто отправляется «на ручной разбор», а может быть автоматически отклонена или временно заморожена до личного подтверждения, если совокупность факторов говорит о высоком риске. Это неприятно клиенту, который торопится купить подарок или улететь в отпуск, но именно такие задержки всё чаще спасают от крупных потерь.

Государственная «Антифрод»‑платформа и интеграция экосистем

В 2025 году к банковским антифрод‑платформам добавляется надстройка на государственном уровне. Росфинмониторинг запускает государственную информационную систему «Антифрод», которая должна полноценно заработать к марту 2026 года и объединить данные о подозрительных операциях, участниках и сценариях мошенничества. Банк России, в свою очередь, усиливает контроль за идентификацией клиентов и требует от банков внедрять проактивные системы, отслеживающие аномальные операции и операции без добровольного согласия.

Эксперты экосистемы «Купол» отмечают, что следующий шаг — интеграция антифрод‑платформ банков, телеком‑операторов, маркетплейсов и госорганов с обменом данными в реальном времени. Это важно именно в декабрьский период, когда мошенники активно используют:

• поддельные сайты магазинов и служб доставки, маскируясь под новогодние распродажи;
[6][2]
• социальную инженерию через звонки «из банка» о якобы подозрительных транзакциях и «кредитах на защиту счета»;
[2][1]
• массовые рассылки и фишинг под видом бонусов, кешбэка и акций к праздникам.
[5][6]

Чем быстрее информация о таком сайте, номере или сценарии попадет во все антифрод‑системы, тем меньше шанс, что новый клиент станет жертвой. В 2025 году уже видна эта связка: регулятор инициировал блокировку 20,2 тыс. номеров злоумышленников, 13,4 тыс. сайтов и страниц в соцсетях, а количество случаев социальной инженерии снизилось на 30%, фишинговых атак — почти на 45%. Декабрьский пик стал стресс‑тестом, который показал: интегрированный антифрод работает лучше, чем разрозненные усилия каждого банка.

Цена безопасности: меньше одобренных заявок, больше доверия к онлайн‑кредитам

У усиления антифрода есть оборотная сторона — рост доли отказов и дополнительных проверок. В декабре многие клиенты сталкиваются с неожиданными запросами на селфи, проверку голоса, дополнительное подтверждение по видео‑связи или с задержками в одобрении кредита. Банки признают, что частично это неизбежный «издержки безопасности»: лучше лишний раз проверить честного клиента, чем пропустить одну крупную мошенническую операцию.

Однако на дистанции это работает и в плюс рынку:

• рост числа отраженных атак при одновременном снижении ущерба укрепляет доверие к онлайн‑каналам — клиенты видят, что банк действительно «держит удар»;
[2][1]
• возможность настраивать персональные антифрод‑параметры (запрет на онлайн‑кредиты, ограничение переводов на сторонние реквизиты, лимиты по суммам и странам) делает клиента соучастником защиты;
[8][1]
• банки получают более чистый портфель и меньше репутационных рисков, связанных с громкими случаями хищений в праздники.
[1][2]

В итоге новые антифрод‑модели на базе big data и ИИ в декабре работают как невидимый фильтр, который пропускает через себя праздничный финансовый поток. Да, иногда он задерживает и честные заявки, заставляя клиентов немного нервничать. Но в обмен система защищает миллионы людей от потерь, которые могли бы полностью испортить не только новогодние каникулы, но и весь следующий год — и именно в этом смысле антифрод уже стал такой же частью предновогодней инфраструктуры, как распродажи и бонусы.