نیلا بهرام بیگ

هدف: امروزه اکثر شرکت ها و سازمان ها، تجارت الکترونیک را برای به دست آوردن بهره وری در خدمات و محصولات خود، در زمینه هایی مانند کارت اعتباری، مخابرات، بیمه درمانی، بیمه خودرو و غیره به کار گرفته اند. از طرفی، با توجه به حجم رو به رشد تراکنش های کارت های اعتباری و انواع روش های کلاه برداری و تقلب در این کارت ها، تقاضا برای کشف تقلب در این حوزه نیز افزایش یافته است. با توجه به انواع راه کارها و الگوریتم های ارائه شده برای کاهش هزینه تقلب در تراکنش های کارت های اعتباری، هدف از این پژوهش، ارائه روشی ترکیبی و بهینه، برای کاهش هزینه تشخیص تقلب در تراکنش های کارت های اعتباری، با استفاده از هم جوشی الگوریتم های ناهمگن طبقه بندی و خوشه بندی در سطح تصمیم گیری است. روش: این پژوهش روی داده های یک مجموعه تراکنش های بانک برزیلی در بازه زمانی دو ماهه، از ۱۴ جولای ۲۰۰۴ تا ۱۲ سپتامبر همان سال انجام شده است. در این مقاله با استفاده از شبکه عصبی مصنوعی، به عنوان یک رویکرد با سرپرستی و الگوریتم خوشه بندی K نزدیک ترین همسایه، به عنوان یک رویکرد بدون سرپرستی، تابع هزینه را به دست آوردیم. همچنین با توجه به شاخص های مختلف کشف تقلب که تاکنون در ادبیات معرفی شده، شاخص هزینه کشف تقلب انتخاب و بر اساس این تابع هزینه که نخستین بار توسط گادی و همکارانش (۲۰۰۸) معرفی شد، به سنجش این شاخص ها پرداختیم. از آنجا که استفاده از تنها یک الگوریتم هزینه زیادی دارد، به منظور کاهش آن، هم جوشی الگوریتم ها به دو روش نظریه گواه دمستر – شفر و هم جوشی احتمالی پیشنهاد شده است. هر دو روش هم جوشی در سطح تصمیم استفاده شده و ورودی های ناهمگن، از دو رویکرد با سرپرستی و بدون سرپرستی با هم ترکیب شده اند. یافته ها: با توجه به الگوریتم های اجرا شده، استفاده از تنها یک الگوریتم برای به دست آوردن تابع هزینه قابل قبول، می تواند بسیار پُرهزینه باشد. در حالی که استفاده از رویکرد هم جوشی، می تواند در کاهش هزینه تأثیر بسزایی داشته باشد. هم جوشی احتمالی، در مقایسه با نظریه گواه دمستر شفر کاهش هزینه چشمگیری داشته است که هر دو این الگوریتم ها، در سطح تصمیم به کار رفته اند. هم جوشی احتمالی نسبت به شبکه عصبی مصنوعی، کاهش هزینه ای معادل ۴/۲۱ درصد و نسبت به الگوریتم K نزدیک ترین همسایه، کاهش هزینه ای معادل ۸/۳۵ درصد داشته است. نتیجه این مطالعه، در نهایت با مقاله ای که اولین بار این مجموعه داده در آن با الگوریتم سیستم ایمنی مصنوعی به کار رفته است، مقایسه شده و کاهش هزینه چشمگیری را نشان داده است. نتیجه گیری: در این مطالعه با استفاده از دو الگوریتم طبقه بندی و خوشه بندی و هم جوشی آن ها در سطح تصمیم، نشان دادیم که روش های ترکیبی در مقایسه با استفاده هر یک از الگوریتم ها به تنهایی، کاهش هزینه بیشتری خواهند داشت. همچنین هم جوشی احتمالی در مقایسه با نظریه گواه دمستر شفر، هزینه کمتری برای کشف تقلب در سیستم های مالی دارد که این نتیجه درخور توجهی برای بانک ها و مؤسسه های مالی است تا یک سیستم کشف تقلب خوب بسازند.