تشخیص ناهنجاری در تراکنش‌های مالی

پیشگیری از تقلب در تراکنش‌های مالی

مصرف کنندگان و کسب و کارها در سرتاسر جهان هر ساله میلیاردها دلار را به دلیل حملات بی پایان مجرمان سایبری از دست می‌دهند. مؤسسات مالی میلیاردها دلار دیگر را صرف تحقیق و بازیابی پول‌های دزدیده شده می‌کنند. با پیچیده‌تر شدن حملات، شرکت‌ها و مؤسسات مالی باید مکانیسم‌های قوی پیشگیری از تقلب را در استراتژی‌های خود بگنجانند تا از مشتریان و خود در برابر هزینه‌های غیرضروری محافظت کنند.

حجم روزافزون داده‌های جمع آوری شده توسط مؤسسات مالی، تشخیص ناهنجاری را به ابزاری ارزشمند برای شناسایی معاملات و رفتارهای متقلبانه تبدیل می کند.

تشخیص ناهنجاری به چه معناست؟

تشخیص ناهنجاری ، داده‌ها را به داده‌های معمولی و داده‌های پرت طبقه‌بندی می‌کند. هنگامی که یک تراکنش یا یک نقطه داده از رفتار عادی مجموعه داده منحرف می شود، می توان آن را به طور بالقوه جعلی در نظر گرفت.

تشخیص ناهنجاری در پرداخت ها و تراکنش‌های مالی چگونه کار می کند؟

رویکرد تشخیص ناهنجاری برای داده‌های تراکنش سودمند است زیرا پاسخ‌های باینری ساده را ارائه می‌کند. هر گونه تغییر غیرمنتظره از الگوهای داده‌های معمولی یا رویدادی که با پیش بینی‌های مدل مطابقت نداشته باشد، یک ناهنجاری در نظر گرفته می‌شود. اگر تراکنش مشکوک و به طور بالقوه کلاهبرداری به نظر برسد، سیستم ممکن است از مشتری بخواهد جزئیات را تأیید کند یا مراحل تأیید اضافی را طی کند. با تجزیه و تحلیل نقاط داده چندگانه، تشخیص ناهنجاری را می‌توان برای علامت گذاری قطعی‌های فنی، اشکالات و فرصت‌های بالقوه مانند تغییر مثبت در رفتار مصرف کننده اعمال کرد.

با این حال، هیچ الگوی جهانی در زندگی روزمره وجود ندارد. تثبیت‌شده‌ترین قله‌ها در چرخه کسب‌وکار طبیعی نیز می‌توانند گهگاهی تغییر کنند. برای مثال، همه‌گیری ویروس کرونا منجر به افزایش سرسام‌آور حجم پرداخت‌های آنلاین و کاهش خرید در فروشگاه‌ها شد. مجموعه‌های داده‌ای که برای آموزش سیستم‌های تشخیص ناهنجاری استاتیک استفاده می‌شدند، هیچ الگوی تاریخی مشابهی نداشتند، به همین دلیل تراکنش‌های بی‌شماری به‌عنوان تقلبی علامت‌گذاری شدند در حالی که نبودند. به همین دلیل سیستم‌های ضد کلاهبرداری و تشخیص ناهنجاری‌ بسیاری از مؤسسات مالی در سرتاسر جهان دچار شکست شدند.

تشخیص ناهنجاری مبتنی بر یادگیری ماشینی

ترکیب سیستم‌های ضد تقلب یادگیری ماشینی (ML) یک رویکرد پیشرفته است که با خودکار کردن فرآیند پیچیده تشخیص ناهنجاری، عدم اطمینان را کاهش می‌دهد. الگوریتم‌های ML را می‌توان برای یافتن رویدادها و همبستگی‌های بسیار ظریف و معمولاً پنهان در رفتار کاربر که ممکن است نشانه تقلب باشد، مورد استفاده قرار داد. با مقایسه متغیرهای متعدد در زمان واقعی، تشخیص ناهنجاری با یادگیری ماشینی می‌تواند مجموعه داده‌های بزرگی را پردازش کند تا احتمال معاملات یا اقدامات متقلبانه را تعیین کند.

ML از 1990 برای شناسایی تراکنش‌های متقلبانه استفاده می‌شود. از آن زمان، این فناوری برای ردیابی و پردازش همزمان اندازه تراکنش، مکان، زمان، دستگاه، داده‌های خرید و بسیاری از متغیرهای دیگر به بلوغ رسید.

تشخیص ناهنجاری‌های فعال شده با ML می‌تواند داده‌های مالی بیشتری را بسیار سریعتر از سیستم‌های مبتنی بر قوانین انسانی پردازش کند. الگوریتم‌های هوشمندی که بر رفتار مصرف‌کننده نظارت می‌کنند، به کاهش تعداد مراحل تأیید که مانع از فرسایش مصرف‌کننده می‌شوند، کمک می‌کنند و موارد مثبت کاذب را کاهش می‌دهند. درنهایت تجربه کاربر را به شدت بهبود می‌بخشند.

تشخیص بی‌درنگ ناهنجاری در تراکنش‌های مالی، شرکت‌ها را قادر می‌سازد تا فوراً به انحرافات داده‌­ها و موارد مشکوک واکنش نشان دهند و به طور بالقوه میلیون‌ها نفر را از دام تقلب  و سوءاستفاده مالی نجات دهند. با حذف تأخیر بین تشخیص مشکل و حل آن، شرکت‌های پرداخت و مالی، کارایی استراتژی‌های ضد کلاهبرداری خود را به حداکثر می‌رسانند.

تشخیص دستی ناهنجاری توسط نیروی انسانی که داشبورد را با چند KPI نظارت می‌کند، برای میلیون‌ها تراکنش که مصرف‌کنندگان هر روز انجام می‌دهند و میلیون‌ها معیار دیگر مرتبط با آن‌ها، قابل مقیاس‌پذیری نیست.

تشخیص ناهنجاری: ساختن یا خریدن؟

اهمیت کشف تقلب برای شرکت‌های پرداخت و مؤسسات مالی به سختی قابل اغراق است. تشخیص ناهنجاری بی‌درنگ در حال حاضر توسط مؤسسات مالی پیشرو در سراسر جهان برای جلوگیری از وقوع ضرر به عنوان اولین قدم مورد استفاده قرار می‌گیرد. کسب‌وکارهایی که قصد دارند یک قدم جلوتر از مجرمان سایبری باقی بمانند، می‌توانند یک سیستم تشخیص ناهنجاری کامل بخرند یا از ابتدا آن را بسازند.

برای تصمیم گیری صحیح که بیشترین بازده سرمایه را ایجاد کند، شرکت‌ها باید اندازه و حجم داده‌های مالی خود را که باید پردازش شود، در نظر بگیرند. بودجه و زمان ارزش گذاری با ظرفیت توسعه و نگهداری تیم IT که آن را ایجاد می‌کند، مرتبط است. در نهایت، مهم است که در رشد آینده و چگونگی تأثیر آن بر همه عوامل قبلی فاکتور گرفته شود. تشخیص ناهنجاری بی‌درنگ برای داده‌های تراکنش ابزار پیچیده‌ای است که برای توسعه به دانش تخصصی و تیم متخصص فناوری اطلاعات نیاز دارد. ساختن از ابتدا امکان کنترل کامل بر محصول نهایی را فراهم می کند، اما شامل مقدار زیادی عدم قطعیت می‌شود. مشارکت با یک فروشنده فناوری خطر را به حداقل می‌رساند زیرا تشخیص ناهنجاری می‌تواند به سرعت و به طور قابل پیش بینی یکپارچه شود.

ترجمه و تلخیص: ارژنگ طالبی‌نژاد

منبع: Anomaly Detection in Finance