กรณีศึกษา
เชิงลึก

บริบทและปัญหา

กระบวนการตรวจรับร้านค้าใหม่พึ่งพาการตรวจเอกสารทางกายภาพด้วยบุคลากร ทำให้เกิดคิวสะสมและสูญเสียโอกาสทางการค้าถึง 32% ของผู้สมัครที่ยกเลิกระหว่างรอตรวจ ขณะเดียวกัน ความเสี่ยงที่เกิดจากการเร่งความเร็วยังไม่ถูกวัดในเชิงตัวเลข

สิ่งที่ทำ

• เชื่อมโยงฐานข้อมูล DBD Open API ตรวจสถานะจดทะเบียนและนิติบุคคลล้มละลาย
• ตรวจเช็คบัตรประชาชนแบบ DOPA และยืนยันสิทธิบัตรตัวตนด้วย Liveness Detection
• Sanction Check อัตโนมัติผ่านฐานข้อมูลรายชื่อควบคุมการส่งออก
• ออกแบบ Dynamic Risk Scoring รายวันแทนการตรวจแบบเสมอ
• เก็บบันทึกการตรวจสอบทุกขั้นตอนเพื่อรองรับการตรวจสอบย้อนกลับ

บริบทและวิธีการ

ตรวจพบว่าบัญชีผู้ขายจำนวนหนึ่งมีรูปแบบธุรกรรมที่ไม่สอดคล้องกับรูปแบบธุรกิจของตนเอง เช่น ยอดรับสูงแต่ไม่มีคำสั่งซื้อสินค้าที่สอดคล้องกัน หรือมีการถอนเงินออกจากระบบทันทีหลังรับเงิน ข้อมูลดังกล่าวกระจายอยู่ในหลายระบบจนการตรวจสอบเชิงรายกรณีทำได้ช้าเกินไป

• สร้างกราฟความสัมพันธ์ระหว่างผู้ขาย ผู้ซื้อ และอุปกรณ์ เพื่อค้นหาวงแหวน
• ใช้ Unsupervised Anomaly Detection หาพฤติกรรมที่ไม่เคยถูกกำหนดไว้ก่อน
• ตรวจ Cash-out ผิดปกติ การฟันกำไรจาก Voucher และบัตรส่งเสริมการขาย
• ส่งมอบหลักฐานดิจิทัลผ่านช่องทาง AOC 1441 และรายงาน STR ต่อ ปปง.

การทำงานลักษณะนี้ไม่ได้พึ่งเพียงรายการธุรกรรมเดี่ยว แต่อาศัยความสัมพันธ์ข้ามบัญชีในระดับเครือข่าย ซึ่งเป็นสิ่งที่การตรวจแบบกฎ (rule-based) รายการต่อรายการมองไม่เห็น