تشخيص تقلب بانكي با استفاده از مكانيزم هاي داده كاوي

Bank fraud detection using data mining mechanisms

امروزه بيشتر فعاليتهاي انجام شده در حوزه بانكي يه صورت آنلاين انجام ميشود و بيشتر خدمات مالي به مشتريان در بستر وب و اينترنت انجام ميشود. امروزه بيشتر بانكها براي ارايه خدمان به مشتريان خود از بانكداري الكترونيك استفاده مي نمايند و اين موضوع باعث شده در هزينه ها صرفه جويي شده و كارايي روشهاي انتقال مالي را بهبود دهد. يكي از چالش هاي مهم بانكداري الكترونيك وجود فرآيند تقلب و پولشويي در بانكداري است و ميتواند اقتصاد يك كشور را با چالش مواجه سازد از اين جهت شناسايي تراكنشهاي مبتني بر پولشويي و تقلب بانكي يكي از روشهاي مهم براي ايجاد شفافيت در سيستم هاي مالي و بانكداري است. يكي از روشهاي تشخيص تقلب و پولشويي استفاده از روشهاي داده كاوي و يادگيري ماشين است كه ميتواند براي تشخيص الگوي تراكنشهاي تقلبي استفاده شود. در اين پژوهش براي تشخيص تقلب و پولشويي در سيستم بانكي تلاش شده تا با استفاده از محيط وكا الگوريتمهاي مختلف داده كاوي براي تشخيص تقلب مورد پياده سازي قرار گرفته شوند و يك مقايسه بين آنها ارايه شود. نتايج پژوهش نشان ميدهد با توجه به آزمايشات در محيط وكا بيشترين شاخص حساسيت را جنگل تصادفي دارد و بيشترين شاخص صحت نيز مرتبط با درخت تصميم گيري است و شبكه بيزين داراي كمترين حساسيت و صحت براي تشخيص تقلب بانكي است.

Today, most banking activities are done online and most financial services are provided to customers on the Web and on the Internet. Today, most banks use e-banking to provide their customers with their customers, which saves costs and improves the efficiency of financial transfer methods. One of the key challenges of e-banking is the existence of fraud and money laundering in banking, and it can challenge the economy of a country. Identifying transactions based on money laundering and bank fraud is one of the important methods for creating transparency. In financial and banking systems. One of the methods for detecting fraud and money laundering is the use of data mining and machine learning techniques that can be used to detect the pattern of counterfeit transactions. In this research, in order to detect fraud and money laundering in the banking system, attempts have been made to use different data mining algorithms to detect fraud using a different environment and provide a comparison between them. The results of the study show that according to the experiments in the Vika environment, the highest sensitivity index is randomized forest, and the highest health index is related to the decision tree, and Busin network has the least sensitivity and accuracy for detecting bank fraud.