Video: Fraude detecta que beneficiários roubavam o INSS 2024
Volumul mare de tranzacții face mai dificilă detectarea fraudelor din cauza volumului de date, ironic, această provocare poate ajuta la crearea unor modele predictive de fraudă mai bune - o zonă în care strălucește Hadoop.
În lumea interconectată de astăzi, volumul mare și complexitatea tranzacțiilor o face mai greu ca oricând să găsească fraudă. Ceea ce a fost denumit "găsirea unui ac în carul de fan" a devenit sarcina de a "găsi un ac specific în stive de ace. „
Abordările tradiționale privind prevenirea fraudei nu sunt deosebit de eficiente. De exemplu, gestionarea plăților necorespunzătoare este adesea gestionată de analiști care audiază ceea ce reprezintă un eșantion foarte mic de creanțe asociate cu solicitarea de documente medicale de la persoanele care au sarcini specifice. Termenul industrial pentru acest model este plata și urmărirea: reclamațiile sunt acceptate și plătite, iar procesele caută plăți excedentare intenționate sau neintenționate prin revizuirea ulterioară a plângerilor.
Deci, cum se face acum detectarea fraudei? Din cauza limitărilor tehnologiilor tradiționale, modelele de fraudă sunt construite prin eșantionarea datelor și prin utilizarea eșantionului pentru a construi un set de modele de detectare a fraudei și de detectare. Când contrastați acest model cu un departament de fraudă ancorat de Hadoop care utilizează setul complet de date - fără eșantionare - pentru a construi modelele, puteți vedea diferența.
Cea mai frecventă temă recurentă pe care o vedeți în majoritatea cazurilor de utilizare a Hadoop este că îi ajută pe oameni să depășească plafonul de sticlă cu privire la volumul și varietatea de date care pot fi încorporate în analizele decizionale. Cu cât aveți mai multe date (și cu cât stocați mai mult istoric), cu atât mai bine pot fi modelele dvs.
Amestecarea formelor de date netradiționale cu setul de tranzacții istorice poate face modelele de fraudă și mai robuste. De exemplu, dacă un lucrător face o cerere de despăgubire a unui lucrător pentru o întoarcere neplăcută dintr-un incident de cădere și cădere, având un grup de milioane de cazuri de pacient, rezultatul tratamentului și durata recuperării ajută la crearea unui model de detectare a fraudei.
Pentru a exemplifica modul în care poate funcționa acest model, imaginați-vă că încercați să aflați dacă pacienții din zonele rurale se recuperează mai lent decât cei din zonele urbane. Puteți începe prin examinarea apropierii de serviciile de fizioterapie. Există o corelație de tip între timpii de recuperare și locația geografică?
Dacă departamentul dvs. de fraudă stabilește că un anumit prejudiciu necesită trei săptămâni de recuperare, dar că un agricultor cu același diagnostic trăiește o oră de la un fizioterapeut și funcționarul are un practician în biroul său, aceasta este o altă variabilă care adaugă la fraudă - modelul de detectare.
Când recoltați date despre rețelele sociale pentru reclamanți și găsiți un pacient care pretinde că suferă de whiplash se laudă despre finalizarea seriei de evenimente de anduranță cunoscute sub denumirea de Tough Mudder, este un exemplu de amestecare de noi tipuri de date cu formularele de date tradiționale pentru a detecta frauda.
Dacă doriți să eliminați eforturile dvs. de detectare a fraudei într-o treaptă superioară, organizația dvs. poate lucra pentru a vă îndepărta de modelarea segmentului de piață și a vă deplasa spre modelarea la nivel de tranzacție sau la nivel de persoană.
Destul de simplu este ca o prognoză bazată pe un segment să fie utilă, însă decizia bazată pe informații specifice despre o tranzacție individuală este (evident) mai bună. Pentru a face acest lucru, lucrați la un set mai mare de date decât este convențional posibil în abordarea tradițională. Se utilizează doar (maximum) 30% din informațiile disponibile care pot fi utile pentru modelarea fraudei.
Pentru a crea modele de detectare a fraudei, Hadoop este foarte potrivit pentru
-
Volumul mânerului: Aceasta înseamnă prelucrarea întregului set de date - fără eșantionare de date.
-
Gestionați noi soiuri de date: Exemple sunt includerea serviciilor de proximitate la îngrijire și a cercurilor sociale pentru a decora modelul de fraudă.
-
Mențineți un mediu agil: Activați diferite tipuri de analize și modificări la modelele existente.
Modelatorii de fraudă pot adăuga și testa variabile noi în model fără a trebui să facă o propunere echipei de administratori a bazei de date și apoi să aștepte câteva săptămâni pentru a aproba o schimbare a schemelor și a le plasa în mediul lor.
Acest proces este esențial pentru detectarea fraudelor, deoarece mediile dinamice au în mod obișnuit tipare de fraudă ciclică care vin și merg în ore, zile sau săptămâni. În cazul în care datele folosite pentru a identifica sau susține modele noi de detectare a fraudei nu sunt disponibile la un moment dat, până când descoperiți aceste noi modele, ar putea fi prea târziu pentru a preveni deteriorarea.
Evaluați beneficiul pentru afacerea dvs. nu numai de a construi modele mai cuprinzătoare cu mai multe tipuri de date, ci și de a putea reîmprospăta și îmbunătăți aceste modele mai repede decât oricând. Compania care poate reîmprospăta și îmbunătăți modelele zilnice va fi mai bună decât cele care o fac trimestrial.
S-ar putea să credeți că această problemă are un răspuns simplu - adresați-vă CIO-ului pentru aprobarea cheltuielilor operaționale (OPEX) și cheltuielilor de capital (CAPEX) pentru a găzdui mai multe date pentru a face modele mai bune și pentru a încărca celelalte 70% modele de decizie.
Puteți chiar să credeți că această investiție va plăti pentru sine cu o mai bună detectare a fraudei; cu toate acestea, problema cu această abordare este costurile ridicate în avans care trebuie scufundate în date necunoscute , în cazul în care nu știți dacă acestea conțin o perspectivă cu adevărat valoroasă.
Desigur, triplarea dimensiunii depozitului de date, de exemplu, vă va oferi mai mult acces la date istorice structurate pentru a vă ajusta modelele, dar acestea nu pot accepta explozii sociale. Tehnologiile tradiționale nu sunt la fel de agile. Hadoop facilitează introducerea de noi variabile în model și, dacă se dovedește a nu aduce îmbunătățiri modelului, puteți să eliminați datele și să treceți mai departe.