MODELING OF POTENTIAL FRAUDSTER'S PORTRAIT AND BANKING FRAUD VICTIM’S PORTRAIT
Notice bibliographique
Résumé
Статтю присвячено актуальній проблемі боротьби із шахрайствами у банках, яка набула глобального характеру за рахунок збільшення збитків банків та їх клієнтів у різних країнах. На це вплинула поява нових можливостей здійснення фінансових операцій за допомогою різних технологій – Інтернет, мобільних, безконтактних пристроїв, спеціальних програмних додатків, тощо. Для дослідження використано статистичні дані по шахрайствам в Великій Британії за 2015-2018 роки за різними видами фінансових продуктів, які було надано агентством звітності споживчого кредитування “Experian”. В статті запропоновано узагальнений підхід до моделювання портретів потенційного шахрая та жертви, який можна застосовувати для формування таких портретів в банківських установах різних країн. Авторами проаналізовано шахрайства, які здійснюються від першої сторони та від третьої. До шахраїв першої сторони відносяться клієнти банку, які цілеспрямовано здійснюють протизаконні дії з банківськими кредитними, ощадними, платіжними рахунками, картками, іпотекою. Шахраями від третьої сторони вважаються сторонні особи, жертвою яких становиться саме клієнт банку. За останні роки спостерігається збільшення випадків шахрайств, які здійснюють сторонні особи. Авторами було побудовано дві моделі у вигляді дерева рішень, які являють собою змодельовані портрети потенційного шахрая від першої сторони та потенційної жертви шахрайств з боку третіх сторін. Для побудови дерева було розподілено клієнтів з урахуванням ознак статі, віку та соціальної групи або становища та визначено ймовірності гілок. В результаті отримано дерево із 300 можливими варіантами розвитку подій, що дозволило виділити ймовірних шахраїв та жертв. При впровадженні даних моделей у практичну діяльність аналітичний відділ банку може самостійно відслідковувати різні групи та ознаки, за якими може виникати шахрайство. Це допоможе вирізнити тих клієнтів, для яких потрібно вжити додаткових заходів безпеки за всіма видами банківських продуктів, особливо поточних, кредитних, ощадних та карткових рахунків. Використання подібних портретів сприятиме більш ефективному прийняттю рішення з боку банківського персоналу та попередженню шахрайства у різних випадках.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».