ارائه روشي فازي براي ساخت پروفايل رفتاري كاربران بانكي جهت كشف تقلب با رويكرد كلان داده‌اي

A fuzzy method for making profile of bank users in order to detect frauds- a big data approach

حجم و تعداد بالاي تراكنش‌هاي يكي از عوامل اصلي كسب سود و درآمد در كسب‌وكارهاي بانكي است با اين وجود وقوع تقلب يكي از دغدغه‌هاي اصلي اين كسب‌وكارها در عصر الكترونيكي شدن فعاليت‌ها است. بانك‌ها با دو چالش اصلي براي مديريت تقلب مواجه هستند. اول اينكه مدل‌سازي الگوهاي رفتاري به شدت در حال تغيير مشتريان كار پيچيده‌اي است و دوم حجم و تنوع بالاي داده‌هاي مورد نياز براي تحليل در زماني قابل قبول جهت كشف رفتارهاي متقلبانه است. براي رفع اين دو چالش، در اين مقاله يك روش مبتني بر تحليل داده‌هاي انبوه ارائه شده است. در اين روش با استخراج پارامترهاي مهم و تأثيرگذار در رفتار كاربران بانكي، مدل‌سازي رفتاري آنها كه شامل استخراج پروفايل‌هاي مختلف رفتاري و تعيين مقادير آستانه براي هر كدام از پروفايل‌ها است، انجام مي‌شود. سپس ميزان انحراف تراكنش‌هاي انجام شده از رفتار مدل‌سازي شده مشتريان با استفاده از توابع عضويت فازي سنجيده مي‌شود. اين توابع با توجه به مقادير آستانه هر پروفايل كاربر عمل كرده و مقدار ريسكي بين 0 و 1 را براي هر تراكنش ورودي برمي‌گردانند. ريسك‌ها به دست آمده با استفاده از يك فرمول وزن دهي مي‌شوند و پس از اعمال وزن متناسب با هر پروفايل و هر كاربر، نتايج مختلف به دست آمده از مقايسه ويژگي‌هاي مختلف رفتاري مشتري با هم تجميع شده و يك باور نهايي در مورد متقلبانه بودن يا نبودن تراكنش انجام شده به دست مي‌آيد. تصميم‌گيري نهايي براي مسدود كردن يا انجام شدن تراكنش به مقدار نتيجه نهايي به دست آمده بستگي خواهد داشت. اين فرايند در يك چارچوب مبتني بر تحليل داده‌هاي كلان انجام مي‌شود و از تكنولوژي‌هاي ذخيره وپردازش داده‌هاي كلان بهره گرفته شده است. از نتايج مورد انتظار اين تحقيق اين است كه ريسك هر تراكنش ورودي به سيستم بانك از جنبه‌هاي مختلف مورد محاسبه قرار بگيرد و سيستم بتواند به صورت اتوماتيك و بدون دخالت كاربر انساني و به صورت شخصي سازي شده وزن هر كدام از ريسك‌هاي محاسبه شده را محاسبه كرده و در تجميع نهايي براي رسيدن به عدد ريسك نهايي مورد استفاده قرار گيرد.

While making advantage of the volume and number of transactions in banking industry is an important matter, occurring of frauds is another main concern. There are two main challenges in managing frauds in banks. First modeling behaviors of customers for detecting frauds is a complicated task and second the volume and verity of data for analyzing in a reasonable time is too expensive. In this paper, a model based on big data analysis is proposed. At first the normal behaviors of customers are modeled using the main parameters of their normal behaviors and their profiles are constructed, then the extent of deviation from these normal profiles is estimated using some fuzzy membership functions. Each of the membership functions get the customer threshold as a parameter and return a risk number which its values lie between 0 and 1. After weighting and infusing different risks, the final result is acquired. This process is done in a framework which is based on big data analysis. The results show a remarkable improvement both in performance and also in the detection rate of fraudulent transactions.