Yazar
Dolu, Uğur
Basım Tarihi
2023-02-15T05:40:15Z
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
d48e50a4-3239-4b7f-afe9-3ba50e9f100a
Lokasyon
Veri Bilimi Bölümü
Tarih
2023-02-15T05:40:15Z
Örnek Metin
Yüzlerce finans kurumu üzerinde yapılan en son araştırma, bunların yalnızca %26'sının kanallar arası dolandırıcılığı tespit etmekle görevli bir ekibe sahip olduğunu ortaya çıkardı. Gelişen teknolojilere bağlı olarak dijital ortamlarda çeşitli dolandırıcılık teknikleri ortaya çıkmış ve artmıştır. Dolandırıcılık müşteri memnuniyetini doğrudan etkiler. Örneğin, yalnızca Birleşik Krallık'ta 2020 yılında dolandırıcılık işlemlerinin toplam kaybı 1,26 milyar £ oldu. Bu çalışmada, kanallar arası dolandırıcılıkların etkili bir şekilde tespit edilmesi için Gradient Boosting Tree (GBT) tabanlı bir yaklaşım geliştirdik. Önerilen yaklaşımımızın bir parçası olarak, modeli eğitmek ve dengesiz veri sorunlarının üstesinden gelmek için optimize edilmiş bir eğitim seti oluşturabilen bir algoritma geliştirdik. Bu çözüm, değişen müşteri davranışından kaynaklanan bir diğer önemli sorun olan kavram sapmasını modelin anlamasını kolaylaştırdı. Özellik mühendisliğinin bir parçası olarak ek demografik, ekonomik ve davranışsal özellikleri entegre ederek GBT modelimizin performansını artırıyoruz. Hiperparametre ayarlama yöntemleri model için en iyi parametreleri bulur. Modelin kanallar arası sahtekarlık tespit performansı, sahtekarlık tespit problemindeki diğer bir zorluk olan sahtekarlık açısından oldukça dengesiz olan gerçek bir bankacılık veri seti üzerinde değerlendirilmektedir. Türkiye'nin önde gelen bir özel bankasının gerçek zamanlı kanallar arası işlemlerini puanlamak için eğitimli modelimizi kullanıyoruz. Sonuç olarak, yaklaşımımız, düşük yanlış pozitif oranı ve kabul edilebilir çağrı sayısı ile bir aydaki toplam dolandırıcılık kaybının neredeyse %75'ini yakalayabilmektedir. Yüzlerce finans kurumu üzerinde yapılan ve son araştırmaya göre, bu kişinin sadece %26'sının kanallar arası dolandırıcılığı tespit etmek için atanmış bir ekibe sahip olduğu ortaya çıktı. Gelişen teknolojiler sonucunda dijital ortamda çeşitli dolandırıcılık yöntemleri ortaya çıkar ve var olan çözümler geliştirilir. Sahte işlemler, doğrudan müşteri memnuniyetine etki eder. Örneğin, 2020 yılında sadece Birleşik Krallıkta dolandırıcılık oranlarının ortaya çıktığı toplam kayıp 1,26 milyar £'du. Bu etkili, kanallar arası sahtekarlıkları verimli bir şekilde tespit etmek için Gradient Boosting Tree (GBT) tabanlı bir yaklaşım uygulanıyor. Çalışmada önerilen yaklaşımın bir parçası olarak, modelin eğitilmesi ve dengesiz veri sorunlarının yaygın olarak görülmesi için optimize edilmiş bir eğitim seti oluşturabilen bir geliştirilebilir. Bu çözüm, modelin müşteri işlemlerinden kaynaklanan bir diğer önemli sorun olan kavram kaymasını anlamasını kolaylaştırdı. Öznitelik mühendisliğinin bir parçası olarak var olan özniteliklere ek demografik, ekonomik ve davranışsal öznitelikleri entegre edilerek GBT modelinin performansı arttırıldı. Hiper parametre yöntemleri, model içinde en iyi kişilerinde bulunduğunda. Dolandırıcılık tespit problemindeki bir diğer zorluk olan, dolandırıcılık açısından oldukça dengesiz olan gerçek bir bankacılık veri seti kullanımında bu keşif kanallar arası dolandırıcılık tespit yönteminin performansı ölçüldü. Türkiye'nin önde gelen özel bankalarından birinin gerçek zamanlı ve zamanlı çapraz kanallardan geçişi için eğitimli modelimizi tercih ediyoruz. Bu şekilde uygulanan yaklaşım, düşük bir yanlış pozitif oran ile dolandırıcılık işlemleri nedeniyle bir ayda gerçekleşen toplam kaybın neredeyse %75'ini yakalayabilir.
