Kanta-asiakastiedot

Ihmiset (rehelliset ja epärehelliset) luovuttavat tietojaan lähes mihin tahansa arpajaisiin saadakseen jonkin tarjotun edun itselleen. Tämä inhimillinen piirre on erittäin hyödyllinen mm. tiedustelupalveluille.

Tiedustelupalvelut ja esitutkintaviranomaiset voivat hyödyntää kanta-asiakastietoja sekä mm. sähkönsiirtoyhtiöiden asiakastietoja osana laajempaa tiedonkeruuta yksilöistä, mutta tämä edellyttää laillista perustetta ja oikeuden päätöstä.

Asiakasrekisterien tietoja voi päätyä tiedustelupalveluiden haltuun myös ilman laillista perustetta monin eri tavoin. Kuten hyvien tiedetään ihmisen ja organisaatioiden uteliaisuudella ja kekseliäisyydellä ei ole rajoja, eikä valtaosa ihmisistä ja organisaatioista toimi esimerkiksi tietosuojan osalta siten, kuin lakikirjassa ohjeistetaan.

Asia Tapauksia

Kanta-asiakaskorttien käyttö

Kanta-asiakaskorttien tiedot paljastavat ihmisen käyttäytymisestä ja persoonallisuudesta uskomattoman paljon ja sen johdosta ne ovat hyödyllisiä tiedustelupalveluille. Alla on kuvattu muutamia tapoja, johon kanta-asiakasjärjestelmän tietoja voidaan tiedustelussa hyödyntää.

Ostokäyttäytymisen analyysi paljastaa tiedustelupalvelulle mm. elämäntavan ja vakaumuksen, erityisruokavaliot, alkoholinkäytön, seksuaalisuuteen liittyvän aktiviteetin (ehkäisyvälineiden ostot), harrastukset (harrastuslehdet ja kirjallisuus), poikkeavan käyttäytymisen (poikkeavaa käyttäytymistä on mm. hankkia suuri määrä säilykkeitä tai lääkkeitä, joka viittaa valmistautumiseen johonkin) ja liikkumisen (missä ja milloin korttia käytetään) tämä on yhdistettävissä paikkatietoon, josta henkilö on tavoitettavissa tiettyinä aikoina.

Jos useampi henkilö käyttää samaa kanta-asiakaskorttia, tiedot voivat paljastaa sosiaalisia suhteita. Yhteiset ostokset tai rinnakkaiskäyttö eri paikoissa voivat antaa vihjeitä verkostoista tai yhteistoiminnasta.

Kanta-asiakaskorttien tiedon yhdistäminen muihin tietolähteisiin
Kanta-asiakaskortin tiedot eivät yksin riitä kattavaan profilointiin, mutta niitä voidaan yhdistää muihin tietolähteisiin, kuten sähkölaitoksen sähkönkäytön yksityiskohtaisiin kulutustietoihin, puhelindataan, pankkitietoihin, maksukorttitietoihin, matkustustietoihin, sosiaalisen median profiileihin, jolloin niistä voidaan muodostaa tarkka henkilöprofiili tiedustelupalvelun hyödynnettäväksi.

Tiedustelupalvelu voi käyttää koneoppimista tai tietokantojen ristiinanalyysiä havaitakseen tiedoista mallipohjaisia uhkia tai signaaleja. Tiedusteluanalyysi voi havaita ostodatasta mm. seuraavia signaaleja:

Sokeri ja lannoitteet herättävät huomiota, koska niillä voi olla kaksoiskäyttömahdollisuuksia (esim. kotitekoisten räjähteiden valmistuksessa).
Prepaid-liittymä + puhelin viittaa anonyymin viestinnän tarpeeseen.
Matkustaminen ilman kortin käyttöä voi viitata tiedon piilottamiseen.
Ruokavalion muutos voi liittyä ideologisiin tai uskonnollisiin syihin.

Esimerkki tekoälypohjaisesta riskiprofiilin luokittelusta ostodatan perusteella
Tiedustelupalvelut käyttävät koneoppimismallia, joka analysoi kanta-asiakaskorttien dataa ja tunnistaa "epätavallisia käyttäytymismalleja". Malli ei pysty tekemään päätöksiä, mutta kykenee nostamaan tapauksen jatkokäsittelyyn, jos tietty riskiraja ylittyy.

Analyysin vaiheet

1. Poikkeavuus

Ostomäärät ovat huomattavasti suuremmat kuin henkilön aiempi käyttäytyminen.
Ostokset ovat "varautumis- ja selviytymistuotteita", joita ei ole aiemmin ostettu.

2. Yhteydet riskitekijöihin

Prepaid + veitsi + kartta, viittaa useisiin tiedustelualgoritmin uhkamalleihin.
Sokeri + lannoite + paineastia, viittaa kaksoiskäyttöriskiin esimerkiksi itsetehtyyn räjähteeseen.
Useat pienet nestekaasupullot yhdistettynä lisäaineisiin, viittaa räjähdyspanokseen esimerkiksi auton sisällä tai suljetussa tilassa.
Äkillinen matkustus kohteeseen, jossa toimii radikaaleja ryhmittymiä, viittaa terroristiseen toimintaan.

3. Ristiinverifiointi

Yhdistetään maksukortin numero muihin tietokantoihin (mm. matkustustiedot, puhelinoperaattorit).
Tarkastetaan, onko "Taisto Tietomassilla” yhteyksiä muihin valvonnan alaisiin henkilöihin.

Mallin tuloksena riskiluokitus

Kokonaisriskipisteet: 84/100
Status: Riski korostunut, suositellaan jatkoanalyysiä
Luokittelija: ML, Machine Learning -algoritmi