مقاله «Unsupervised profiling methods for fraud detection» به تشخیص تقلب رفتاری از طریق تحلیل دادههای طولی میپردازد، درباره دو روش تشخیص تقلب بدون نظارت در دادههای اعتباری بحث میکند و آنها را در مجموعه دادههای واقعی بهکار میبندد.
این دو روش، تحلیل گروه همتا و تحلیل نقطه گسست هستند. تحلیل گروه همتا رفتار هر حساب در طول زمان را با گروه مشابهی از حسابها (گروه همتا) مقایسه میکند. بعد حسابهایی را که رفتاری بسیار متفاوتی با رفتار گروه همتا دارند، برای تحقیقات بیشتر برچسبگذاری میکند. تحلیل نقطه گسست، تغییرات در رفتار هزینهکرد در یک حساب را با مقایسه تراکنشهای اخیر با گذشته شناسایی میکند. همچنین از پنجره متحرکی از تراکنشها برای تشخیص تغییرات ناگهانی در الگوهای هزینهکرد استفاده میکند که میتواند نشاندهنده فعالیت متقلبانه باشد.
این پژوهش با بهکارگیری این دو روش تحلیل در مجموعه دادههای واقعی کارت اعتباری تواناییشان در شناسایی رفتار غیرعادی حاکی از تقلب بالقوه را اثبات میکند. درمجموع این دو روش موفق بودند و بهعنوان مکمل یکدیگر عملکرد خوبی از خود نشان دادند.
این مقاله رویکرد بدیعی را به تشخیص تقلب بدون نظارت در تراکنش با کارت اعتباری ارائه میدهد و پتانسیل تحلیل گروه همتا و تحلیل نقطه گسست را به اثبات میرساند. این شیوهها که بدون اتکا به دادههای تاریخی برچسبگذاریشده قادر به شناسایی رفتارهای غیرعادی هستند میتوانند مکمل ارزشمندی برای جعبه ابزار تشخیص تقلب باشند.
منبع: