کاربرد داده کاوی جهت کشف رفتارهای مشکوک در تراکنش های کارت های بانکی

کاربرد داده کاوی جهت کشف رفتارهای مشکوک در تراکنش های کارت های بانکی

آکادمی داده

۱۳۹۷/۰۵/۱۱


  • 70 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. 

 

در این مرحله ۱۳ قانون مربوط به مدل طبقه بندی مجموعه قوانین C5 متناظر با شبکه کوهنن با تعداد ۸ خوشه را استخراج نموده ایم و با بررسی های بیشتر بر روی مکانیزم توليد هر یک از این قوانین، رفتارهای مشکوک شناسایی شده توسط این مدل و همچنین نکات دیگر بدست آمده در حین تحقیق، بصورت کلی نتایج زیر حاصل گردید.
 نتایج فرد گرایانه همچون: اگر شخصی با کارت فرد مورد نظر از تاریخ ششم ماه تا تاریخ ۱۰ ماه تراکنش از طریق پوز انجام دهد این تراکنش مشکوک به نظر می رسد چون معمولا در مدل رفتاری این فرد هیچگاه چنین تراکنش انجام نشده است، و یا اینکه فرد مذکور همیشه از طریق یک ترمینال خاص از طریق اینترنت تراکنش مالی انجام رفتارهای مشکوک قرار گیرد و موارد دیگر...
آن دسته از خصوصیات متغیر های ورودی که در کل داده های تاریخی، دارای سهم (درصدی) پایینی می باشند، دارای احتمال بالایی برای تخصیص نسبتهای بالا به خود، در کل رفتار مشکوک شناسایی شده هستند. برای مثال تعداد تراکنشهای POS که در کل داده های آموزشی سهم ۳ درصدی دارا بوده است، در کل رفتار مشکوک شناسایی شده توسط مدل، سهمی معادل با ۵۳ درصد را دارا می باشد.
عدم وجود یک فیلد در متغیرهای ایجاد کننده شروط در قوانین، دو معنی می تواند داشته باشد، معنی اول تنوع زیاد آن متغیر ورودی و عدم ایجاد الگو توسط مدل برای آن به دلیل تنوع زیاد می باشد و معنی دوم وجود رفتاری یکسان و الگوی پیش از اندازه شفاف و بدیهی برای آن متغیر می باشد.
از تکنیک شبکه عصبی کوهنن می توان جهت غربال گری اولیه داده ها در سیستمهای کشف رفتار مشکوک در زمان حقیقی استفاده نموده تعبیری می توان ابتدا یک سری از داده ها را توسط این مدل از كل تراکنش های صورت گرفته به عنوان رفتارهای مشکوک انتخاب نموده و سپس توجه خود را بصورت دقیق تر بر این داده ها جهت کشف رفتار متقلبانه معطوف نمائیم، این موضوع باعث کاهش هزینه ها و افزایش سرعت و امکان کشف رفتار متقلبانه در زمان حقیقی می گردد.
مدل طراحی شده در این تحقیق فرد گرا بوده و نتایج مرتبط با آن نیز به میزان بالایی متکی بر رفتار افراد می باشد و در صورت ارائه داده های افراد دیگر به مدل احتمال وجود نتایج متفاوت وجود دارد، اما می توان اینگونه بیان نمود که مدل طراحی شده فعلی قابلیت تعمیم و استفاده برای مشتریانی با رفتاری شبیه به رفتار فرد مذکور را دارا می باشد.
یکی از نتایج مهم بدست آمده در این تحقیق وجود الگوهای مختلف در فرایند اکتشاف می باشد که این موضوع باعث می گردد که ما با نگاه از طریق مختلف به مساله همواره به دنبال استفاده از تکنیک های متفاوت جهت حل مساله باشیم که نهایتا این موضوع نیز باعث هم افزایی و کشف دانش بیشتر جهت حل مساله می گردد.

 

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


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.