ทำไมข้อมูลแบบเรียลไทม์จึงกลายเป็นกุญแจสำคัญของการป้องกันการทุจริตในประเทศไทย
ภาคการเงินของไทยจำเป็นต้องยกระดับเกาะป้องกันภัยทุจริต เพื่อรับมือกับภัยคุกคามที่กำลังขยายตัวและมีความซับซ้อนกว่าที่เคย
ข้อมูลประมาณการล่าสุดชี้ให้เห็นว่า ความเสียหายจากการหลอกลวงในประเทศไทยมีมูลค่าสูงถึงประมาณ 1.15 แสนล้านบาทต่อปี ขณะเดียวกัน มาตรการบังคับใช้กฎหมายก็ได้เพิ่มความเข้มงวดมากขึ้น โดยกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม ได้สั่งระงับบัญชีม้ามากกว่า 1.18 ล้านบัญชีในช่วงเดือนพฤศจิกายน 2566 ถึง มกราคม 2569 พร้อมทั้งปิดกั้น URL ผิดกฎหมายกว่า 300,000 รายการ ซึ่งส่วนใหญ่มีความเชื่อมโยงกับการหลอกหลวงออนไลน์และการพนัน
จากรายงาน Thailand Scam Report โดย Global Anti-Scam Alliance (GASA) ระบุว่า 72% ของคนไทยเผชิญกับกลโกงออนไลน์เป็นประจำ โดยมีจำนวนถึง 60% ที่ยอมรับว่าเคยตกเป็นเหยื่อในช่วงปีที่ผ่านมา และในกลุ่มผู้ที่ได้รับผลกระทบกว่า 14% ต้องเผชิญความเสียหายทางการเงิน คิดเป็นมูลค่าความเสียหายเฉลี่ยประมาณ 12,955 บาทต่อราย
ท่ามกลางสถานการณ์ดังกล่าว ธนาคารแห่งประเทศไทยได้ยกระดับมาตรการที่เข้มงวดยิ่งขึ้นเพื่อจัดการกับบัญชีม้า ซึ่งรวมถึงการขยายเกณฑ์การระบุพฤติกรรมที่ต้องสงสัย และการเสริมสร้างความร่วมมือระหว่างสถาบันการเงิน โดยมุ่งเน้นไปที่ความสามารถของธนาคารในการตรวจจับและตอบสนองต่อความเสี่ยงได้อย่างทันท่วงที
อย่างไรก็ตาม ธนาคารหลายแห่งยังคงพึ่งพากระบวนการประมวลผลแบบกลุ่ม (Batch processing) แบบเดิม ซึ่งมักจะตรวจสอบธุรกรรมได้เพียงช่วงสิ้นวัน ทำให้การตรวจจับความผิดปกติเกิดความล่าช้า ในขณะที่ธุรกรรมทุจริตสามารถโอนข้ามบัญชีได้ภายในไม่กี่นาที ช่องว่างด้านเวลานี้จึงเป็นอุปสรรคที่จำกัดประสิทธิภาพในการเข้าแทรกแซง เช่น การระงับธุรกรรมหรือการอายัดบัญชีได้ทันการ
เพื่อก้าวข้ามข้อจำกัดดังกล่าว สถาบันการเงินหลายแห่งจึงเริ่มหันมาใช้การประมวลผลข้อมูลแบบเรียลไทม์มากขึ้น โดยแพลตฟอร์ม Data Streaming ของ Confluent ช่วยให้ธนาคารสามารถวิเคราะห์ข้อมูลธุรกรรมได้ทันทีที่รายการเกิดขึ้น
เทคโนโลยีนี้ช่วยให้ระบบสามารถระบุพฤติกรรมที่ผิดปกติได้อย่างแม่นยำและยับยั้งได้ทันท่วงที อาทิ การโอนเงินที่รวดเร็วผิดปกติ ปริมาณธุรกรรมจำนวนมากในช่วงเวลาสั้น ๆ หรือการทำธุรกรรมร่วมกับบัญชีที่มีความเสี่ยงสูง นอกจากนี้ ในกรณีที่มีอัปเดตรายชื่อต้องสงสัย ระบบเรียลไทม์ยังสามารถนำข้อมูลดังกล่าวมาปรับใช้กับธุรกรรมที่กำลังดำเนินอยู่ได้ทันที
ความท้าทายสำคัญประการหนึ่งคือ ข้อมูลที่เกี่ยวข้องมักถูกจัดเก็บแยกส่วนกันตามระบบต่าง ๆ เช่น ระบบ Core Banking ฐานข้อมูลลูกค้า หรือแพลตฟอร์มธุรกรรม ซึ่งแนวทางของ Confluent จะเข้ามาช่วยเชื่อมต่อข้อมูลเหล่านี้เข้าด้วยกันผ่าน Data Pipeline แบบเรียลไทม์ โดยไม่จำเป็นต้องแก้ไขระบบหลักเดิม ด้วยการผสานข้อมูลธุรกรรม ข้อมูลลูกค้า และข้อมูลเชิงพฤติกรรมเข้าด้วยกัน ช่วยให้ธนาคารสามารถเห็นความเคลื่อนไหวของบัญชีได้ครอบคลุมยิ่งขึ้น และสามารถตรวจจับพฤติกรรมต้องสงสัย เช่น การทำธุรกรรมเป็นขบวนการ หรือการระบุเครือข่ายบัญชีม้า
นอกจากนี้ AI ยังเข้ามามีบทบาทมากยิ่งขึ้นในการตรวจจับการทุจริต อย่างไรก็ตาม ประสิทธิภาพของ AI นั้นขึ้นอยู่กับความครบถ้วนและความสดใหม่ของข้อมูลเป็นหลัก การใช้ Data Pipeline แบบเรียลไทม์จะช่วยให้โมเดล AI สามารถวิเคราะห์ข้อมูลธุรกรรมล่าสุดควบคู่กับพฤติกรรมในอดีตได้อย่างมีประสิทธิภาพ ส่งผลให้การตรวจจับมีความแม่นยำมากขึ้นและช่วยลดปัญหาการแจ้งเตือนผิดพลาดได้
นอกจากการป้องกันทุจริตแล้ว การประมวลผลข้อมูลแบบเรียลไทม์ยังช่วยยกระดับประสิทธิภาพการดำเนินงานในภาพรวมได้ ทั้งการสืบสวนการทุจริตและการติดตามตรวจสอบธุรกรรม ที่สามารถทำได้รวดเร็วยิ่งขึ้น ขณะเดียวกัน ในกรณีอื่น ๆ อย่างการประเมินสินเชื่อ ก็ได้รับประโยชน์จากการเข้าถึงข้อมูลที่สดใหม่และเป็นปัจจุบันยิ่งขึ้นด้วย
ตัวอย่างความสำเร็จจากธนาคารในต่างประเทศได้สะท้อนถึงประโยชน์ของการใช้งานระบบเรียลไทม์ โดยธนาคารใหญ่ของอินโดนีเซียอย่าง Bank Rakyat Indonesia สามารถลดระยะเวลาในกระบวนการตรวจจับทุจริตจากที่เคยใช้เวลานานหลายสัปดาห์สู่ระดับเรียลไทม์ พร้อมทั้งย่นระยะเวลาการอนุมัติสินเชื่อให้เหลือเพียง 2 นาที เช่นเดียวกับ EVO Banco ในประเทศสเปน ที่นำระบบตรวจจับทุจริตแบบเรียลไทม์มาใช้ในธุรกรรมกว่า 500,000 รายการต่อวัน ช่วยให้ธนาคารสามารถระงับธุรกรรมทุจริตได้หลายร้อยรายการในแต่ละวัน และลดความเสียหายลงได้อย่างมีประสิทธิภาพ
ท่ามกลางกลโกงที่พัฒนาอยู่ตลอดเวลา สถาบันการเงินจำเป็นต้องรองรับข้อมูลและสัญญาณบ่งชี้ความเสี่ยงที่หลากหลายมากขึ้น โดยแพลตฟอร์ม Data Streaming ของ Confluent ทำหน้าที่เป็นโครงสร้างพื้นฐานหลักที่ช่วยผสานรวมข้อมูลเหล่านี้เข้าด้วยกัน เพื่อสร้างระบบการตรวจจับที่ยืดหยุ่นและรองรับโมเดล Machine Learning ที่สามารถปรับตัวตามรูปแบบภัยคุกคามใหม่ ๆ ได้ทันที
คุณเคนนี่ ชิน ผู้อำนวยการภูมิภาคเอเชียตะวันออกเฉียงใต้ บริษัท คอนฟลูเอนท์ กล่าวว่า “ประสิทธิภาพในการตรวจจับทุจริตในปัจจุบัน ขึ้นอยู่กับความรวดเร็วในการเข้าถึงและจัดการกับข้อมูลของสถาบันการเงิน ข้อมูลแบบเรียลไทม์ช่วยให้ธนาคารสามารถตอบสนองต่อธุรกรรมที่น่าสงสัยได้ทันทีที่เกิดขึ้น พร้อมทั้งช่วยให้การตัดสินใจมีความแม่นยำ และมอบประสบการณ์ที่ดีให้กับลูกค้า ซึ่งเป็นเรื่องสำคัญอย่างยิ่งในการสร้างสมดุลระหว่างการยกระดับมาตรการป้องกันภัยกับการอำนวยความสะดวกให้ลูกค้าที่ทำธุรกรรมอย่างถูกต้อง”
ท่ามกลางการเปลี่ยนแปลงของกฎเกณฑ์และระเบียบข้อบังคับที่มีความเข้มงวดมากขึ้น ความสามารถในการประมวลผลและตอบสนองต่อข้อมูลแบบเรียลไทม์ได้กลายเป็นกุญแจสำคัญ ทั้งในการยกระดับการบริหารความเสี่ยงและการสร้างความเชื่อมั่นของลูกค้าที่มีต่อระบบการเงินในประเทศไทย
Confluent Says Batch Processing May Be Too Slow as Scam Losses in Thailand Reach THB 115 Billion a Year
Real-time data processing is becoming a critical component of fraud detection in Thailand’s financial sector, according to Confluent, as scams cause an estimated THB 115 billion in annual losses and stolen funds can be moved through multiple accounts within minutes.
The Thailand Scam Report by the Global Anti-Scam Alliance, or GASA, found that 72% of Thai people encounter online scams regularly, while 60% said they had fallen victim during the previous year. More than 14% of those affected suffered financial losses, averaging approximately THB 12,955 per person.
Enforcement has also intensified. Thailand’s Ministry of Digital Economy and Society suspended more than 1.18 million mule accounts between November 2023 and January 2026 and blocked over 300,000 illegal URLs, most of which were linked to online scams and gambling. The Bank of Thailand has also broadened its criteria for identifying suspicious behavior and strengthened cooperation among financial institutions.
Confluent said the batch-processing systems still used by some banks may leave a critical time gap. Transactions are often reviewed in scheduled batches or at the end of the day, while fraudulent funds can be transferred rapidly across multiple accounts. This delay may prevent banks from stopping transactions or freezing accounts before the money is moved.
Data streaming allows banks to analyze information as each transaction occurs. Systems can detect signals such as unusually rapid transfers, a high volume of transactions within a short period or activity involving high-risk accounts. Updated watchlists can also be applied immediately to transactions already in progress.
A further challenge is the fragmentation of information across core banking systems, customer databases and transaction platforms. Confluent’s approach uses real-time data pipelines to connect these sources without requiring changes to the underlying core systems. Combining transaction, customer and behavioral data can provide a broader view of account activity and help identify coordinated transactions or networks of mule accounts.
Complete and up-to-date data is also essential to the effectiveness of AI and machine-learning models. By assessing the latest transactions alongside historical behavior, models can improve detection accuracy and reduce false alerts, limiting disruption for customers conducting legitimate transactions.
Confluent cited Bank Rakyat Indonesia as an example of this approach in operation. The bank reduced a fraud-detection process that previously took weeks to real time and shortened loan approval times to two minutes. Spain’s EVO Banco, meanwhile, applies real-time fraud detection to more than 500,000 transactions per day and blocks hundreds of fraudulent transactions daily.
Kenny Chin, Regional Director for Southeast Asia at Confluent, said: “The effectiveness of fraud detection today depends on how quickly financial institutions can access and act on their data. Real-time data allows banks to respond to suspicious transactions as they occur, while improving decision accuracy and delivering a positive customer experience. This is essential to balancing stronger protection with convenience for customers conducting legitimate transactions.”
As scams and regulatory requirements continue to evolve, Confluent believes real-time data infrastructure can help financial institutions accelerate detection, adapt machine-learning models to new threat patterns and reduce the gap between the occurrence of a suspicious transaction and the decision to stop it.
