Системы для обнаружения мошенничества в банковских транзакциях часто сталкиваются с проблемой высокого уровня ложных срабатываний. В данной работе предложен фреймворк для генерации правил, предназначенных для антифродовых систем, который включает автоматическое создание правил с использованием распределенных деревьев решений и других ML-алгоритмов, таких как случайный лес и градиентный бустинг. В этом подходе компоненты экспертных правил используются как признаки для обучения модели, что позволяет сочетать статистические и экспертные методы. Мы применили предложенный фреймворк к данным банковских карточных транзакций, охватывающим февраль 2021 года, которые включают более 20 млн записей, содержащих информацию о клиентах, транзакциях и мерчантах. Сгенерированные правила были направлены на снижение уровня ложных срабатываний (FPR) в бизнес-метрике. Фреймворк был протестирован в реальной системе мониторинга мошенничества одного из крупных банков в течение полугода. Полученные результаты показали значительное улучшение эффективности и оказали заметное влияние на бизнес-показатели.

С развитием финтеха и электронной коммерции все больше банковских операций, включая платежи и переводы, выполняются через онлайн-каналы. Эти каналы предлагают более быстрые, удобные и безопасные решения, что особенно важно в условиях пандемии коронавируса. Согласно исследованию Mastercard 2020 года, 80% пользователей Mastercard по всему миру используют бесконтактные способы оплаты. Транзакционные данные аккумулируются в базах данных банков, платформ электронной коммерции и других участников индустрии. Например, в 2017 году Visa смогла обрабатывать до 75 000 транзакций в секунду (Zeng, 2018). Эффективное использование этих данных помогает компаниям улучшить операционную эффективность и качество обслуживания клиентов. Однако такой огромный объем данных невозможно обработать вручную, что заставляет компании строить инфраструктуру Big Data и внедрять алгоритмы машинного обучения (ML). Разработка систем защиты от мошенничества становится важной частью стратегии банков и онлайн-ретейлеров для повышения клиентского опыта. С ростом популярности онлайн-платежей мошенники также адаптировались, что ставит под угрозу безопасность в цифровых каналах. Согласно SmartMetric, глобальные потери от платежного мошенничества в 2018 году превысили $24 млрд. Несмотря на сложности обнаружения мошенничества, связанные с имитацией мошенниками поведения обычных клиентов и применением методов социальной инженерии, современные системы фрод-мониторинга крупных компаний могут выявить и предотвратить до 98% случаев мошенничества (Carminati et al., 2015). В терминах метрик машинного обучения это означает высокий уровень полноты (recall). Однако на данный момент основной проблемой является большое количество ложных срабатываний (FP), что указывает на низкую точность (precision) или высокий уровень ложных срабатываний (FPR). В среднем, лишь 1 из 5 заблокированных транзакций является мошеннической, а каждый шестой клиент ошибочно блокируется в течение года (Wedge et al., 2019). Ложные срабатывания приводят к значительным финансовым затратам для компаний: расходы на расследования, взаимодействие с клиентами, повышение нагрузки на колл-центры и потери доходов из-за отклоненных транзакций. Например, в случае применения стратегии звонка клиенту, стоимость обработки одной заблокированной транзакции может варьироваться от 1,5 евро (по данным банка, предоставившего данные для исследования) до 5 евро (по данным Европейского центрального банка).