روش ها و راهکارهای شناسایی تقلب مالی در بانکداری الکترونیک با استفاده از داده کاوی

روش ها و راهکارهای شناسایی تقلب مالی در بانکداری الکترونیک با استفاده از داده کاوی

آکادمی داده

۱۳۹۷/۰۵/۱۷


  • 124 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

از آنچه که در بررسی های به عمل آمده در خصوص شناسایی تقلب در روش های تشخیص سوء استفاده و تشخیص ناهنجاری بیان شد، این نکته استنتاج می گردد که تکنیک های مبتنی بر رویکرد تشخیص سوء استفاده زمانی به کار گرفته می شوند که تشخیص تقلب به صورت از پیش شناخته شده بوده و براساس امضای می توان رفتار جاری مشتریان را برسی نمود طبیعا به دلیل شناخت کامل رفتار قبلی مشتریان ،دقت شناسایی تقلب در این روش بسیار بالاست. اما نقطه ضعف این روش ها ، عدم پوشش دهی کامل محدوده تقلب می باشد، بدین معنی که فقط و فقط تقلب هایی شناسایی و کنترل می شوند که حداقل یک بار رخ داده و یا امضای آن به سیستم تشخیص تقلب ارائه شده باشد.
اما در مقابل به رویکردهای مبتنی بر تشخیص ناهنجاری ، سعی در پیش بینی رفتار آتی مشتری داشته و به منظور ، تاریخچه رفتار وی را مورد بررسی قرار می دهند در این گونه روش ها هیچ قاعده تایی جهت تعریف نمی شود بلکه رفتار عادی و ترمال مشتری به سیستم تشخیص تقلب آموخته شده و هر گونه انحراف از آن، به معنی تقلب فرض می گردد.
 به منظور شناسایی رفتار عادی مشتریان تیتر از تاریخچه تراکت های مشتری استفاده شده و رقت عادی وی تلقی می گردد این روش نسبت به رویکرد سوء استفاده ، دقت بالایی دارد و ممکن است تراکنش های عادی به صورت تقلب فرض شوند . لذا دقت این روش نسبت به رویکرد سوء استفاده بسیار کمتر می باشد اما مزیت این روش این است که گستره بیشتری از حملات و تراکنش های غیر قانونی را پوشش می دهد و امکان پیش بینی تقلب های مشاهده نشده از مزیت های این روش است. 
عموما در سیستم های تجاری سیستم های ترکیبی که شامل هر دو روش تشخیص سوء استفاده و ناهنجاری باشد بهترین نتیجه را از نظر عملکردی در پی دارد لذا یتم های پیاده سازی شده به گونه ای طراحی شده است که با ترکیب این دو رویکرد علاوه بر دقت بالا امکان پیش بینی رفتار مشتریان را نیز داشته باشند و تقلب های ناشی از رفتار غیر نرمال را نیز شناسایی نمایند.
 فارغ از بحث فنی ذکر این نکته نیز در اینجا بسیار ضروری به نظر می رسد که با توجه به رشد روز افزون خدمات مالی بانک ها و موسسات مالی و اعتباری به صورت الکترونیکی در سطح کشور و افزایش ضریب نفوذ استفاده کاربران از خدمات بانکداری الکترونیک؛ رویکرد کلاهبرداران و متقلبان به سمت بانکداری الکترونیک نیز رو به افزایش است. بدین ترتیب نگرانی های بسیاری را سبب شده و توجه زیادی را به سوی خود جلب کرده است . البته حوزه کشف تقلب مالی تیز تحول هایی چشمگیری را شاهد بوده است. به طور مشخص داده کاوی نظرها را به شکل گسترده ای به خود جلب کرده است و محبوبیت فزاینده ای در جهان مالی به دست آورده است . کاربرد های موفقیت آمیزی از داده کاوی گزارش شده است و تحقیقات نشان داده اند که داده کاوی در میزان کاربرد و اثر بخشی گسترش یافته است. سازمان های حرفه ای حسابداری نیز داده کاوی را به عنوان یک فناوری مهم برای سنه جديد شناخته اند. روش های اصلی مورد استفاده برای کشف تقلبهای مالی عبارتند از مدلهای رگرسیون لجستیک و شبکه های سی و شبکه ای بیزین و درختان تصمیم که همه آنها راه حل های با اهمیتی را برای مشکلات قاتی در کشف و طبقه بندی داده های متقلبانه ارائه می کنند.
 کاربرد روشهای داده کاوی بر روی تنهای عالی اخراج شده از صورتهای مالی شرکتهای و نیز دیگر اطلاعات در دسترس ، می تواند به حسابرسان در کشف تقلب کمک کند به طوری که آنان می تواند از نتایج این تحلیل ها به عنوان یک علامت اولیه هشداردهنده نسبت به وقوع احتمالی تقلب صورتهای مالی استفاده کند. نشانگرهای تقلب در صورتهای مالی اثری با اهمیت بر تعیین تقلب صورتهای مالی دارد.
 همچنین، انواع تقلب و الگوهای تقلبی در صنایع مختلف در طول زمان تغییر کرده است .درک اینکه طرحهای تقلبی چگونه متحول شده اند مهم است . همچنین پیش بینی جهت تغییر این تقلبها با هر وسیله ممکن و به روز نگاه داشتن روشهای ماشینی کشف تقلب اهمیت دارد. پژوهش در این راستا ممکن است نتایج با اهمیتی داشته باشد که برای تدوین فرایندهای تجاری قویتر و نیز سازوکار های کشف تطلب انطباق پذیر برای مدیریت پیشگیری كشف خطر تقلب سودمند باشد.

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر به دنبال مجموعه مقالات فارسی در موضوعات مختلف هستید به لینک مراجعه بفرمایید. در این لینک مجموعه مقالات فارسی در حوزه های مختلف داده کاوی و متن کاوی ارائه شده است.

کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.