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

In der unsichtbaren Welt des digitalen Bankwesens findet jedes Mal, wenn eine Karte eingezogen oder eine Zahlung gesendet wird, in Millisekunden eine stille Berechnung statt. Dies ist das Reich der Betrugserkennung, in dem Systeme in einem Herzschlag entscheiden müssen, ob eine Transaktion ein echter Kauf eines Kunden oder ein Diebstahl durch einen Kriminellen ist. Jahrzehntelang verließen sich diese Systeme auf eine einfache Idee: Vergleiche die neue Transaktion mit dem, was der Kunde zuvor getan hat. Wenn eine Person, die normalerweise Kaffee in Lagos kauft, plötzlich eine Luxusuhr in einem anderen Land kauft, schlägt das System Alarm. Diese Methode, bekannt als Nearest-Neighbor-Vergleich (Nächste-Nachbar-Vergleich), funktioniert durch die Messung der Distanz zwischen einer neuen Handlung und vergangenen Handlungen. Je größer der Unterschied, desto höher das Risiko. Es existiert jedoch ein kritischer Fehler in diesem Ansatz: Nicht alle Kunden verhalten sich gleich. Manche Menschen haben starre, vorhersehbare Routinen, während andere chaotische, sich ständig ändernde Ausgabengewohnheiten haben. Eine einzige, feste Regel zur Messung von „Differenz“ wird dieser Realität nicht gerecht. Eine kleine Änderung kann für einen starren Käufer ein massives Warnsignal sein, während eine große Änderung für einen chaotischen Käufer völlig normal sein kann. Wenn das System jeden mit der gleichen Sensibilität behandelt, wird es entweder Betrug bei den starren Käufern übersehen oder die chaotischen Käufer fälschlicherweise beschuldigen.

Dies ist das spezifische Problem, das zwei Forscher, Musa Olowo Alabi und Morufat Damilola Gbolagade, lösen wollten. Sie stellten eine grundlegende Frage: Kann ein Bankensystem lernen, seine eigene Sensibilität für jedes einzelne Konto anzupassen, basierend auf der spezifischen Historie dieser Person? Anstatt ein einziges, unveränderliches Lineal zu verwenden, um jeden Kunden zu messen, entwickelten sie eine Methode, bei der sich das Lineal selbst dehnt oder zusammenzieht, je nachdem, welches Konto es gerade misst. Ihre Arbeit, die an einem großen Datensatz realer Banktransaktionen getestet wurde, zeigt, dass diese Anpassung nicht nur möglich, sondern notwendig ist. Sie fanden heraus, dass die „Sensibilität“ eines Systems – der Grad, in dem es auf eine Verhaltensänderung reagiert – von Person zu Person stark variiert. Für einige Konten muss das System selbst bei der kleinsten Abweichung hyperwachsam sein, während es für andere viel entspannter sein muss, um Fehlalarme zu vermeiden.

Um diese Idee zu testen, betrachteten die Forscher tausende Bankkonten, waren jedoch sorgfältig dabei, nur jene auszuwählen, die genügend Historie für eine aussagekräftige Analyse aufwiesen. Sie konzentrierten sich auf 608 Konten, die mindestens zwanzig Transaktionen und eine Historie von mindestens dreißig Tagen hatten. Für jedes dieser Konten bauten sie einen lokalen Referenzpool auf, eine Sammlung der spezifischen vergangenen legitimen Transaktionen dieser Person. Sie beobachteten dann, wie das System auf neue Transaktionen reagierte, indem sie vier spezifische Arten von Verhaltensänderungen maßen: wie kürzlich die Person normalerweise einkauft, die Tageszeit der Transaktion, den beteiligten Geldbetrag und die strukturellen Beziehungen der Transaktion, wie etwa den Ort und den Empfänger.

Der Kern ihres Experiments bestand in einer kontinuierlichen Schleife. Wenn eine neue Transaktion eintraf, berechnete das System zuerst, wie unterschiedlich diese im Vergleich zum bisherigen Verhalten der Person war. Es nutzte diese Differenz dann, um das Verständnis für das „Normalmaß“ dieser spezifischen Person zu aktualisieren. Wenn die Transaktion später als legitim bestätigt wurde, nutzte das System diesen Datenpunkt, um die interne Sensibilitätseinstellung für dieses Konto inkrementell anzupassen. Diese Anpassung erfolgte schrittweise, was bedeutete, dass das System „on the fly“ lernte, ohne die gesamte Historie des Kontos jedes Mal neu lesen zu müssen. Dies ermöglichte es dem System, ein konstantes, aktuelles Maß dafür zu führen, wie viel Abweichung für den jeweiligen Nutzer typisch war.

Die Ergebnisse zeigten eine auffällige Vielfalt darin, wie verschiedene Konten behandelt werden sollten. Die Forscher gruppierten die Konten basierend auf ihrem Aktivitätsniveau und der Länge der Historie. Sie fanden heraus, dass die Sensibilitätseinstellung für Konten mit hoher Aktivität, also jenen mit vielen Transaktionen, im Durchschnitt einen niedrigen Wert von 0,7113 aufwies. Im Gegensatz dazu lag die Sensibilität für Konten mit geringer Aktivität, also jenen mit weniger Transaktionen, im Durchschnitt deutlich höher bei 1,2534. Um dies in Perspektive zu setzen: Wenn die standardmäßige, unveränderte Einstellung als Basiswert von eins betrachtet wird, war das System für aktive Nutzer fast dreißig Prozent sensibler gegenüber Änderungen, während das System für inaktive Nutzer um fünfundzwanzig Prozent weniger sensibel war. Dies beweist, dass eine einzige, feste Regel nicht für alle funktionieren kann; das „Lineal“ muss für jeden Menschen anders sein.

Die Studie zeigte auch genau auf, wie diese Anpassung den endgültigen Risikowert verändert. Wenn das System einen niedrigeren Sensibilitätswert für ein aktives Konto verwendete, führte dieselbe Verhaltensdifferenz zu einem höheren Risikowert. Beispielsweise erzeugte ein aktives Konto mit einer Sensibilität von 0,6819 einen Risikowert von 0,7973 für eine bestimmte Transaktion, während die Verwendung der standardmäßigen festen Einstellung nur einen Wert von 0,7284 geliefert hätte. Das System interpretierte die kleine Änderung korrekt als signifikante Warnung, weil es wusste, dass dieser spezielle Nutzer selten von seiner Routine abweicht. Umgekehrt führte dieselbe Art von Verhaltensdifferenz bei einem Konto mit geringer Aktivität und einer Sensibilität über eins zu einem niedrigeren Risikowert. Das System verstand, dass dies für diesen Nutzer, der eine variablere Historie hat, weniger alarmierend war.

Entscheidend ist, dass die Forscher betonten, dass die zugrunde liegenden Daten – die tatsächliche Distanz zwischen der neuen Transaktion und den vergangenen Transaktionen – sich nicht änderten. Das Einzige, was sich änderte, war die Interpretation dieser Distanz. Durch die Kalibrierung der Sensibilität änderte das System den kontinuierlichen Risikowert, ohne die rohen Verhaltensbeweise zu verändern. Diese Unterscheidung ist wichtig, da es bedeutet, dass das System keine neuen Daten erfindet; es liest lediglich die vorhandenen Daten präziser für das jeweilige Individuum. Die Studie bestätigte, dass diese Kalibrierung über die Zeit hinweg mittels eines Prozesses mit konstantem Speicherbedarf aufrechterhalten werden kann, was bedeutet, dass das System keine riesigen Mengen an historischen Daten speichern muss, um weiter zu lernen. Es kann sein Verständnis des Nutzerverhaltens mit jeder neuen, bestätigten legitimen Transaktion aktualisieren, was es für die schnelllebige, Streaming-orientierte Natur des modernen Bankwesens geeignet macht.

Obwohl die Studie eine Simulation unter Verwendung historischer Daten und keine Live-Implementierung in einer Bank war, bieten die Ergebnisse einen klaren Weg für die Zukunft der Betrugsprävention. Die Forschung legt nahe, dass die Zukunft der Sicherheit nicht im Bau besserer globaler Regeln liegt, sondern in der Schaffung von Systemen, die ihre eigenen Regeln an den einzigartigen Rhythmus jedes einzelnen Kunden anpassen. Indem sie von einem Einheitsansatz („One-size-fits-all“) Abstand nehmen, können Banken potenziell die Art und Weise verfeinern, wie sie Verhaltensabweichungen interpretieren, um sie besser mit der individuellen Regelmäßigkeit eines Kontos in Einklang zu bringen. Die Arbeit zeigt, dass die effektivste Verteidigung gegen Betrug ein System ist, das das Individuum versteht und seine Wachsamkeit an die spezifische Regelmäßigkeit der Person anpasst, die es schützt.