استفاده از تحلیل داده‌ها برای تشخیص کلاهبرداری کارت اعتباری

استفاده از تحلیل داده‌ها برای تشخیص کلاهبرداری کارت اعتباری

شرکت‌ها امروزه از تکنیک‌های تحلیلی برای تشخیص زودهنگام کلاهبرداری‌های کارت اعتباری استفاده می‌کنند که عامل کلیدی در کاهش آسیب‌های ناشی از کلاهبرداری است. رایج‌ترین نوع کلاهبرداری کارت اعتباری شامل سرقت فیزیکی کارت نیست، بلکه سرقت اطلاعات کارت اعتباری است که سپس برای خریدهای آنلاین استفاده می‌شود.

تصور کنید که به عنوان یک تحلیلگر داده برای کار در بخش کارت اعتباری یک بانک استخدام شده‌اید. و اولین وظیفه شما پیوستن به تیم خود در استفاده از تحلیل داده‌ها برای تشخیص زودهنگام و کاهش کلاهبرداری کارت اعتباری است.

برای تجویز راهی برای پیشبرد، یعنی پیشنهاد دادن آنچه باید انجام شود تا کلاهبرداری در مراحل اولیه تشخیص داده شود، باید بفهمید که یک تراکنش کلاهبرداری چگونه است. و برای این کار باید با بررسی داده‌های تاریخی شروع کنید.

در اینجا یک مجموعه داده نمونه وجود دارد که جزئیات تراکنش کارت اعتباری چند کاربر را ثبت می‌کند.

تکنیک‌های توصیفی تحلیل، یعنی تکنیک‌هایی که به شما کمک می‌کنند تا درک درستی از آنچه اتفاق افتاده است، به دست آورید، شامل شناسایی الگوها و ناهنجاری‌ها در داده‌ها می‌شود. ناهنجاری ها نشان دهنده تغییر در الگوی است که به نظر غیرمعمول یا غیرعادی می رسد. ناهنجاری‌ها ممکن است به دلایل کاملاً معتبر و واقعی رخ دهند، اما ارزیابی آنها ضروری است زیرا می‌توانند نشانه‌ای از فعالیت کلاهبرداری باشند.

مطالعات گذشته نشان داده‌اند که برخی از رویدادهای رایج که ممکن است لازم باشد مراقب آنها باشید عبارتند از:

• تغییر در تعداد سفارش‌های ثبت‌شده، برای مثال، مشتری که معمولاً ماهی چند سفارش ثبت می‌کند، ناگهان در مدت زمان کوتاهی، گاهی اوقات در عرض چند دقیقه پس از سفارش قبلی، تراکنش‌های متعددی انجام می‌دهد.
• سفارش‌هایی که به‌طور قابل‌توجهی بیشتر از میانگین تراکنش‌های کاربر هستند.
• سفارش‌های عمده از یک کالا با تغییرات جزئی مانند رنگ یا اندازه - به‌ویژه اگر این موضوع در سابقه تراکنش‌های کاربر غیرمعمول باشد.
• تغییر ناگهانی در ترجیح تحویل، برای مثال، تغییر آدرس تحویل از منزل یا محل کار به تحویل در فروشگاه، انبار یا صندوق پستی.
• آدرس IP نامتناسب یا آدرس IP که از محل یا منطقه عمومی آدرس صورتحساب نیست.

قبل از اینکه بتوانید داده‌ها را برای الگوها و ناهنجاری‌ها تحلیل کنید، باید:

تمام نقاط داده‌ای که می‌توانند به مورد استفاده شما مرتبط باشند را شناسایی و جمع‌آوری کنید. به عنوان مثال، جزئیات دارنده کارت، جزئیات تراکنش، جزئیات تحویل، مکان و شبکه برخی از نقاط داده‌ای هستند که می‌توانند مورد بررسی قرار گیرند.

پاکسازی داده‌ها. شما باید مشکلاتی را در داده‌ها شناسایی و برطرف کنید که می‌تواند منجر به یافته‌های نادرست یا ناقص شود، مانند مقادیر داده از دست رفته و داده‌های نادرست. همچنین ممکن است در برخی موارد نیاز به استانداردسازی قالب‌های داده‌ها داشته باشید، به عنوان مثال، فیلدهای تاریخ.

در نهایت، وقتی به یافته‌ها رسیدید، مصورسازی‌های مناسبی ایجاد خواهید کرد که یافته‌های شما را به مخاطبانتان منتقل کند. نمودار زیر نمونه‌ای از این مصورسازی‌ها است که می‌توانید برای ثبت روند پنهان در مجموعه داده‌های نمونه که قبلاً در مطالعه موردی به اشتراک گذاشته شده است، از آن استفاده کنید.

بر اساس این مطالعه موردی به 5 (پنج) سوال زیر پاسخ دهید:

1) حداقل 5 (پنج) داده مورد نیاز برای تحلیل و تشخیص کلاهبرداری کارت اعتباری را فهرست کنید. (6 نمره)

2) 3 (سه) خطا/مشکل را که می‌تواند بر دقت یافته‌های شما تأثیر بگذارد، بر اساس جدول داده‌های ارائه شده، شناسایی کنید. (6 نمره)

3) 2 (دو) ناهنجاری یا رفتار غیرمنتظره را که باعث می‌شود شما فکر کنید تراکنش ممکن است مشکوک باشد، بر اساس جدول داده‌های ارائه شده، شناسایی کنید. (4 نمره)

4) به طور خلاصه برداشت کلیدی خود را از نمودار مصورسازی داده‌های ارائه شده توضیح دهید. (2 نمره)

5) نوع تحلیلی را که هنگام تحلیل داده‌های کارت اعتباری تاریخی برای درک چگونگی یک تراکنش جعلی انجام می‌دهید، مشخص کنید. [راهنمایی: چهار نوع تحلیل عبارتند از: توصیفی، تشخیصی، پیش‌بینی‌کننده، تجویزی] (2 نمره)