新冠疫情首次让更多人进入数字世界。据 Visa 称，1300 万持卡人仅拉丁美洲 引发了新的欺诈模 就有 100 家银行在今年 3 月份完成了首笔在线交易。随着首次在线购物和银行业务的个人数量创下历史新高，新开户数量也大幅增加。但随着开设在线账户的新客户的涌入，公司发现 引发了新的欺诈模 缺乏交易历史记录使得核实账户背后个人的身份和发现潜在欺诈变得更加困难。
疫情还对许多人的财务和住房状
为了帮助受疫情影响的客户，世界各地 电话号码资源 的电话公司推出了新的预付费套餐，增加了数据流量和移动热点。虽然这为消费者提供了更多经济实惠的电话服务选择，但也引入了新的在线电话数据输入，这对欺诈检测平台来说可能很可疑。由于预付费电话也受到欺诈者的欢迎（因为它们不容易与身份联系起来），因此预付费电话号码的激增可能是一个危险信号。
同样，许多失去工作或住房的人开始与亲朋好友同住，而其他人则将房 说服性沟通利用人类的基本情 屋中的房间转租出去以支付房租。在这两种情况下，人们居住的地方都没有出现在租约或公用事业计划上。来自此类情况的新数据使好客户看起来可疑，从而导致更多的欺诈误报。
对欺诈风险机器学习模型的影响
受监督机器学习机器学习 (ML) 涉及训练一种算法，根据输 高报 邮寄线索 酬的 入输出对的示例将输入映射到正确的输出。一个核心假设是，您用来训练的示例可以很好地代表您将来将看到的案例。COVID-19 的巨大影响意味着这一假设不再成立。过去的数据不再代表未来。