Словарь терминов 4
Введение 5
Глава 1. Постановка задачи 6
Глава 2. Анализ банковских процессов и данных процессинговых центров 6
2.1. Основные участники 6
2.2. Место разрабатываемого модуля 8
2.3. Анализ доступных данных 8
2.3.1 ISO сообщение 8
2.3.2 Данные банка-эмитента 10
Глава 3. Обзор существующих решений 11
3.1. Rule-based системы 11
3.2. Одиночные модели 11
3.3. Гибридные модели 13
3.3.1 Adaptive Boosting 14
3.3.2 Majority Voting 15
Глава 4. Работа с данными 16
4.1. Описание данных 16
4.2. Разведочный анализ данных 17
4.3. Обработка данных 18
Глава 5. Выбор модели 20
5.1. Рассматриваемые алгоритмы 20
5.2. Выбор метрики 21
5.3. Применение алгоритмов 21
Глава 6. Разработка программного модуля 24
6.1. Архитектура полученного решения 24
6.2. Выбранные технологии 25
6.3. Система хранения данных 26
6.4. Программный интерфейс приложения 27
6.4.1 Клиентские запросы 28
6.4.2 Администраторские запросы 29
Глава 7. Полученные результаты 31
7.1. Этап 1. Регистрация нового клиента 31
7.2. Этап 2. Процесс использования платформы 32
7.3. Этап 3. Улучшение результатов предсказания 33
Выводы 34
Заключение 35
Список литературы
В наше время основным средством совершения покупок являются банковские карты. Они распространены повсеместно и используются во всех странах мира. Благодаря им пользователи могут совершать покупки, снимать наличные, проводить операции в интернете по всему миру. Однако в мире банковских карт мошенники представляют серьезную угрозу как для держателей карт, так и для банков, которые их выпускают.
Согласно отчёту Nilson о ситуации с банковскими картами и мобильными платежами, суммарный объем потерь в результате мошенничества еще в 2016-м достиг $22,8 млрд, что на 4,4% больше, чем в 2015-м [1]. И это число продолжает расти. Это только подтверждает необходимость для банков научиться распознавать мошенничество заранее, еще до того, как оно состоялось.
Однако перед тем, как приступать к поиску решения этой непростой задачи, необходимо разобраться в предметной области. Понять, как живут банки, какой информацией обмениваются, на каком этапе необходимо обнаруживать мошенничество и какие данные для этого нужны.
В ходе данной работы был разработан сервис, способный распознавать мошенничество в транзакциях банков с использованием платежных карт с достаточно высокой точностью. Полученный результат показывает, что методы машинного обучения могут быть использованы для улучшения оценок рискованности финансовых транзакций.
В дальнейшем планируется собрать реальные данные финансовых операций и подобрать оптимальную модель для выявления мошенничества на этих данных. При этом планируется рассмотреть более широкий спектр алгоритмов, которые можно использовать для задачи бинарной классификации. Необходимо более подробно рассмотреть вопрос безопасности, про-анализировать требования стандарта безопасности PCI DSS и внести корректировки для их соблюдения. Также нужно реализовать клиентское приложение для администрирования платформы, веб-сайт для более удобной регистрации банков-клиентов и для отображения информации о качестве и процессе работы веб-сервиса.
