Online Calibration of Account-Specific Risk Sensitivity from Local Behavioural Distances in Streaming Banking Transactions

في عالم الخدمات المصرفية الرقمية غير المرئي، في كل مرة يتم فيها تمرير بطاقة أو إرسال دفعة مالية، تجري عملية حسابية صامتة في أجزاء من الثانية. هذا هو مجال اكتشاف الاحتيال، حيث يجب على الأنظمة أن تقرر في طرفة عين ما إذا كانت المعاملة عملية شراء حقيقية من قبل عميل أم سرقة من قبل مجرم. لعقود من الزمن، اعتمدت هذه الأنظمة على فكرة بسيطة: مقارنة المعاملة الجديدة بما قام به العميل من قبل. فإذا قام شخص يشتري القهوة عادةً في لاغوس فجأة بشراء ساعة فاخرة في بلد آخر، فإن النظام يضع علامة تحذير. هذه الطريقة، المعروفة باسم مقارنة "الجار الأقرب"، تعمل من خلال قياس المسافة بين إجراء جديد وإجراءات سابقة. وكلما زاد الفرق، زادت درجة المخاطرة. ومع ذلك، يوجد خلل جوهري في هذا النهج: ليس كل العملاء يتصرفون بنفس الطريقة. فبعض الناس لديهم روتين صارم ويمكن التنبؤ به، بينما يمتلك آخرون عادات إنفاق فوضوية ومتغيرة باستمرار. إن وجود قاعدة واحدة ثابتة لقياس "الفرق" يفشل في مراعاة هذا الواقع؛ فقد يكون التغيير الصغير بمثابة علامة حمراء ضخمة بالنسبة للمنفق ذي الروتين الصارم، بينما قد يكون التغيير الكبير أمراً طبيعياً تماماً بالنسبة للمنفق الفوضوي. وإذا عامل النظام الجميع بنفس درجة الحساسية، فإنه إما سيغفل عن الاحتيال لدى المنفقين الصارمين أو سيتهم الفوضويين ظلماً.

هذه هي المشكلة المحددة التي سعى الباحثان، موسى أولوو ألابي وموروفات داميلا غوبولاغادي، لحلها. لقد طرحا سؤالاً جوهرياً: هل يمكن لنظام مصرفي أن يتعلم كيفية ضبط حساسيته الخاصة لكل حساب بشكل فردي، بناءً على تاريخ ذلك الشخص تحديداً؟ وبدلاً من استخدام مسطرة واحدة ثابتة وغير متغيرة لقياس كل عميل، طورا طريقة تكون فيها المسطرة نفسها تتمدد أو تتقلص اعتماداً على الحساب الذي تقيسه. وتثبت أعمالهما، التي اختُبرت على مجموعة بيانات ضخمة من المعاملات المصرفية الحقيقية، أن هذا الضبط ليس ممكناً فحسب، بل هو ضروري أيضاً. وقد وجدا أن "الحساسية" في نظام ما — أي درجة تفاعله مع التغيير في السلوك — تختلف اختلافاً هائلاً من شخص لآخر. فبالنسبة لبعض الحسابات، يحتاج النظام إلى أن يكون شديد اليقظة حتى لأدنى انحراف، بينما بالنسبة لأخرى، يجب أن يكون أكثر استرخاءً لتجنب الإنذارات الكاذبة.

لاختبار هذه الفكرة، نظر الباحثون في آلاف الحسابات المصرفية، لكنهم كانوا حذرين في اختيار الحسابات التي تمتلك تاريخاً كافياً ليكون ذا معنى فقط. فقد ركزوا على 608 حسابات كان لديها ما لا يقل عن عشرين معاملة وتاريخ يمتد لثلاثين يوماً. ولكل حساب من هذه الحسابات، قاموا ببناء مجمع مرجعي محلي، وهو مجموعة من معاملات هذا الشخص المشروعة السابقة. ثم راقبوا كيف يتفاعل النظام مع المعاملات الجديدة من خلال قياس أربعة أنواع محددة من التغيرات السلوكية: مدى حداثة وقت تسوق الشخص عادةً، والوقت من اليوم الذي يجري فيه المعاملات، والمبلغ المالي المعني، والعلاقات الهيكلية للمعاملة، مثل الموقع والمتلقي.

تضمن جوهر تجربتهم حلقة مستمرة. فعند وصول معاملة جديدة، يقوم النظام أولاً بحساب مدى اختلافها عن سلوك الشخص السابق. ثم يستخدم هذا الفرق لتحديث فهمه لـ "الطبيعي" الخاص بهذا الشخص. وإذا تم تأكيد أن المعاملة مشروعة لاحقاً، يستخدم النظام تلك النقطة البيانية لتعديل إعداد الحساسية الداخلي لهذا الحساب بشكل طفيف. تم إجراء هذا التعديل بشكل تدريجي، مما يعني أن النظام يتعلم أثناء العمل دون الحاجة إلى إعادة قراءة التاريخ الكامل للحساب في كل مرة. وقد سمح هذا للنظام بالحفاظ على مقياس ثابت ومحدث لمدى الانحراف الطبيعي لهذا المستخدم المحدد.

وكشفت النتة عن تنوع صارخ في كيفية التعامل مع الحسابات المختلفة. صنف الباحثون الحسابات إلى فئات بناءً على مستويات نشاطها وطول تاريخها. ووجدوا أن إعداد الحساسية للحسابات عالية النشاط، وهي تلك التي لديها معاملات كثيرة، بلغ في المتوسط قيمة منخفضة قدرها 0.7113. وفي المقابل، كانت الحساسية للحسابات منخفضة النشاط، وهي تلك التي لديها معاملات أقل، أعلى بكثير حيث بلغت 1.2534. ولوضع ذلك في المنظور، إذا اعتبرنا الإعداد القياسي غير المعدل بمثابة خط أساس قدره واحد، فإن نظام المستخدمين النشطين كان أكثر حساسية للتغيرات بنسبة تقارب ثلاثين بالمائة، بينما كان نظام المستخدمين غير النشطين أقل حساسية بنسبة خمسة وعشرين بالمائ % . وهذا يثبت أن قاعدة واحدة ثابتة لا يمكن أن تنجح مع الجميع؛ إذ يجب أن تكون "المسطرة" مختلفة لكل شخص.

كما أظهرت الدراسة بالضبط كيف يغير هذا الضبط درجة المخاطرة النهائية. فعندما استخدم النظام قيمة حساسية أقل لحساب نشط، أدت نفس الفروق السلوكية إلى درجة مخاطرة أعلى. على سبيل المثال، أنتج حساب نشط واحد بحساسية قدرها 0.6819 درجة مخاطرة قدرها 0.7973 لمعاملة معينة، في حين أن استخدام الإعداد الثابت القياسي كان سينتج درجة 0.7284 فقط. لقد فسر النظام التغيير الصغير على أنه تحذير هام لأنه علم أن هذا المستخدم تحديداً نادراً ما يحيد عن روتينه. وعلى العكس من ذلك، بالنسبة لحساب منخفض النشاط تزيد حساسيته عن واحد، أدى نفس نوع الفرق السلوكي إلى درجة مخاطرة أقل. لقد أدرك النظام أنه بالنسبة لهذا المستخدم، الذي يمتلك تاريخاً أكثر تباينياً، فإن التغيير كان أقل إثارة للقلق.

ومن الأهمية بمكان أن الباحثين أكدوا أن البيانات الأساسية — أي المسافة الفعلية بين المعاملة الجديدة والمعاملات السابقة — لم تتغير. الشيء الوحيد الذي تغير هو تفسير تلك المسافة. فمن خلال معايرة الحساسية، قام النظام بتغيير درجة المخاطرة المستمرة دون تغيير الأدلة السلوكية الخام. وهذا التمييز حيوي لأنه يعني أن النظام لا يخترع بيانات جديدة؛ بل هو ببساطة يقرأ البيانات الموجودة بدقة أكبر لكل فرد. وأكدت الدراسة أن هذه المعايرة يمكن الحفاظ عليها بمرور الوقت باستخدام عملية ذات ذاكرة ثابتة، مما يعني أن النظام لا يحتاج إلى تخزين كميات هائلة من البيانات التاريخية للاستمرار في التعلم. يمكنه تحديث فهمه لسلوك المستخدم مع كل معاملة مشروعة مؤكدة، مما يجعله مناسباً للطبيعة المتدفقة والسريعة للخدمات المصرفية الحديثة.

ورغم أن الدراسة كانت عبارة عن محاكاة باستخدام بيانات تاريخية وليس تطبيقاً حياً في بنك، إلا أن النتائج تقدم مساراً واضحاً للمستقبل في مجال منع الاحتيال. تشير الأبحاث إلى أن مستقبل الأمن لا يكمن في بناء قواعد عالمية أفضل، بل في إنشاء أنظمة تضبط قواعدها الخاصة لتناسب الإيقاع الفريد لكل عميل على حده. ومن خلال الابتعاد عن نهج "مقاس واحد يناسب الجميع"، يمكن للبنوك أن تطور بشكل محتمل كيفية تفسير الانحرافات السلوكية لتتماشى بشكل أفضل مع انتظام الحساب الفردي. وتثبت هذه الأعمال أن الدفاع الأكثر فعالية ضد الاحتيال هو النظام الذي يفهم الفرد، ويضبط يقظته لتتطابق مع الانتظام الخاص بالشخص الذي يحميه.