Distinguishing Statistical Outliers, Behavioral Anomalies, and Fraud in Mobile Financial Transactions: An Unsupervised and Inferential Analysis Using PaySim

मोबाइल मनी के विशाल, अदृश्य नेटवर्क में, जहाँ हर दिन फोन के माध्यम से अरबों डॉलर का लेनदेन होता है, वैध वाणिज्य के प्रवाह और धन की चोरी के बीच एक निरंतर तनाव बना रहता है। इस प्रणाली की रक्षा के लिए, विश्लेषक "आउटलियर" (outlier) की अवधारणा पर भरोसा करते हैं—एक ऐसा लेनदेन जो अपने आसपास के लाखों सामान्य लेनदेनों की तुलना में अजीब दिखता है। वर्षों से, उद्योग में प्रचलित धारणा यह रही है कि यदि कोई लेनदेन पर्याप्त रूप से अजीब दिखता है, तो इसकी संभावना अधिक है कि वह धोखाधड़ी है। यह तर्क बताता है कि अजीब चीजों को खोजना अपराधियों को खोजने के समान है। हालाँकि, यह विश्वास एक नाजुक नींव पर टिका है: यह विचार कि सांख्यिकीय विचित्रता, असामान्य व्यवहार और वास्तविक चोरी, तीनों एक ही चीज़ हैं। वास्तव में, ये तीन अलग-अलग अवधारणाएं हैं। एक लेनदेन बिना चोरी हुए भी अजीब हो सकता है, और एक चोरी किया गया लेनदेन बिल्कुल सामान्य दिख सकता है। इन तीन परतों के बीच के अंतर को समझना केवल एक शैक्षणिक अभ्यास नहीं है; यह निर्दोष लोगों के खातों को फ्रीज किए बिना वित्तीय अपराध को रोकने की कुंजी है।

एक हालिया अध्ययन ने यह परीक्षण करने के लिए प्रयास किया कि क्या ये तीन अवधारणाएं वास्तव में अलग हैं या वे केवल एक ही समस्या के अलग-अलग नाम हैं। शोधकर्ताओं ने 'पेसिम' (PaySim) नामक एक विशाल, सिंथेटिक डेटासेट का उपयोग किया, जो एक अफ्रीकी ऑपरेटर के छह मिलियन से अधिक मोबाइल मनी लेनदेन का अनुकरण करता है। हालांकि यह डेटा कंप्यूटर द्वारा निर्मित है, इसे वास्तविक दुनिया के पैटर्न को दर्शाने के लिए कैलिब्रेट किया गया है, जिसमें आठ हजार से अधिक पुष्ट धोखाधड़ी के मामले शामिल हैं। टीम ने केवल एक बेहतर अलार्म सिस्टम बनाने की कोशिश नहीं की; इसके बजाय, उन्होंने एक अधिक मौलिक प्रश्न पूछा: क्या वे उपकरण जिनका उपयोग हम "अजीब" लेनदेन को पहचानने के लिए करते हैं, वास्तव में "अपराधी" लेनदेनों को पकड़ पाते हैं? उन्होंने डेटा को एक प्रयोगशाला के रूप में माना, और लेनदेनों को तीन श्रेणियों में विभाजित किया: वे जो सांख्यिकीय रूप से असामान्य थे, वे जो अजीब व्यवहार कर रहे थे, और वे जो वास्तव में धोखाधड़ी के रूप में चिह्नित किए गए थे।

जांच की शुरुआत लेनदेनों को देखने से हुई। शोधकर्ताओं ने यह देखने के लिए विशेषताओं (features) का एक सेट तैयार किया कि एक धोखाधड़ी वाला लेनदेन सामान्य लेनदेन से कैसे भिन्न था। उन्होंने पाया कि सबसे महत्वपूर्ण संकेत स्थानांतरित राशि का आकार नहीं था, बल्कि उसके बाद प्रेषक के खाते के शेष (balance) के साथ क्या हुआ था। सिमुलेशन में, धोखेबाजों ने प्रेषक के खाते को पूरी तरह से खाली कर दिया था, जिससे वह शून्य पर आ गया था। इसने एक विशिष्ट गणितीय "अवशेष" (residual), या एक बचा हुआ अंतर पैदा किया, जो सामान्य लेनदेनों में लगभग अस्तित्वहीन था। जब उन्होंने इसका परीक्षण किया, तो बैलेंस-खाली करने वाला यह पैटर्न धन के हस्तांतरण की कच्ची डॉलर राशि की तुलना में धोखाधड़ी का एक बहुत अधिक मजबूत संकेत था। एक मानक सांख्यिकीय परीक्षण ने पुष्टि की कि यह अंतर बहुत बड़ा था, जो किसी भी अन्य कारक से कहीं अधिक था। हालाँकि, शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि यह परिणाम इस बात पर विशिष्ट है कि सिमुलेशन को कैसे बनाया गया था, जहाँ धोखाधड़ी को इसी सटीक शून्य-बैलेंस नियम द्वारा परिभाषित किया गया है। वास्तविक दुनिया में, जहाँ धोखेबाज कुछ पैसे पीछे छोड़ सकते हैं या अधिक जटिल चालें चल सकते हैं, यह विशिष्ट संकेत उतना सटीक नहीं हो सकता है।

इसके बाद, टीम ने तीन अलग-अलग अनसुपरवाइज्ड (unsupervised) विधियों का परीक्षण किया—ऐसे एल्गोरिदम जिन्हें धोखाधड़ी क्या है यह बताए बिना विसंगतियों को खोजने के लिए डिज़ाइन किया गया है। वे यह देखना चाहते थे कि क्या ये "अंधे" डिटेक्टर उन्हीं लेनदेनों को पकड़ते हैं जिन्हें वास्तव में धोखाधड़ी के रूप में लेबल किया गया था। परिणाम चौंकाने वाले थे। तीनों विधियों के बीच सहमति न के बराबर थी। एक विधि ने कुछ धोखाधड़ी के मामलों को पकड़ा लेकिन अधिकांश को छोड़ दिया; दूसरी ने कई मामलों को पकड़ा लेकिन हजारों निर्दोष लेनदेनों को संदिग्ध के रूप में चिह्नित कर दिया। जब शोधकर्ताओं ने "अजीब" लेनदेनों की सूची और "धोखाधड़ी" की सूची के बीच ओवरलैप को मापा, तो संबंध लगभग अदृश्य था। तीन में से एक भी विधि द्वारा एक साथ पकड़े गए धोखाधड़ी के मामलों का प्रतिशत एक प्रतिशत से भी कम था। वास्तव में, किसी भी एक विधि और वास्तविक धोखाधड़ी के बीच ओवरलैप इतना छोटा था कि उससे पता चलता है कि ये उपकरण पूरी तरह से अलग चीजें देख रहे थे। एक लेनदेन को एक एल्गोरिदम द्वारा आउटलियर के रूप में चिह्नित किया जा सकता है और दूसरे द्वारा पूरी तरह से अनदेखा किया जा सकता है, भले ही वह एक पुष्ट चोरी हो।

गहराई से जांच करने के लिए, शोधकर्ताओं ने केवल व्यक्तिगत लेनदेन के बजाय खातों को देखा। उन्होंने उपयोगकर्ताओं को उनके समग्र व्यवहार के आधार पर समूहित किया, जैसे कि वे कितनी बार नकदी निकालते हैं बनाम वे कितनी बार दूसरों को पैसा भेजते हैं। क्लस्टरिंग तकनीक का उपयोग करते हुए, उन्होंने इन खातों को समूहों में वर्गीकृत किया। एक विशिष्ट समूह अलग खड़ा हुआ: "मनी मल्स" (money mules) की तरह व्यवहार करने वाले खातों का एक छोटा क्लस्टर। इन खातों में आमतौर पर बड़ी राशि होती थी, वे पैसा प्राप्त करते थे, और फिर तुरंत उसे कैश आउट कर देते थे, जो कि चोरी किए गए धन को वैध बनाने के लिए उपयोग किए जाने वाले खातों के अनुरूप एक पैटर्न है। इस समूह में औसत से लगभग तीस गुना अधिक धोखाधड़ी दर थी। यह निष्कर्ष बताता है कि जबकि एक एकल लेनदेन सामान्य लग सकता है, खाते का इतिहास उस लेनदेन को प्रकट कर सकता है। हालाँकि, शोधकर्ताओं ने उल्लेख किया कि सिमुलेशन में एक सीमा थी: डेटा में अधिकांश खाते केवल एक बार ही दिखाई दिए, जिससे दीर्घकालिक व्यवहार का अध्ययन करना कठिन हो गया। जिन कुछ खातों में कई लेनदेन थे, उन्होंने एक झलक दी कि व्यवहार संबंधी प्रोफाइलिंग वास्तविकता में कैसे काम कर सकती है।

अध्ययन निष्कर्ष निकालता है कि धोखाधड़ी को रोकने के लिए एक एकल विसंगति डिटेक्टर (anomaly detector) पर निर्भर करने का सामान्य अभ्यास मौलिक रूप से त्रुटिपूर्ण है। सांख्यिकीय विसंगतियों को खोजने के लिए उपयोग किए जाने वाले उपकरण और व्यवहार संबंधी विसंगतियों को खोजने के लिए उपयोग किए जाने वाले उपकरण, धोखाधड़ी को खोजने के लिए आवश्यक उपकरणों के समान नहीं हैं। वे डेटा के अलग-अलग हिस्सों को पकड़ते हैं, और केवल एक पर निर्भर रहना एक आँख से पूरे परिदृश्य को देखने जैसा है। शोधकर्ताओं ने पाया कि कोई भी एकल अनसुपरवाइज्ड विधि अपने आप में पर्याप्त नहीं थी; सबसे अच्छा दृष्टिकोण अजीब अकाउंटिंग पैटर्न का पता लगाने को खाता व्यवहार की प्रोफाइलिंग के साथ जोड़ना होगा। फिर भी, उन्होंने एक कड़ी चेतावनी जारी की: क्योंकि उनकी सबसे शक्तिशाली खोजें एक ऐसे सिमुलेशन से आई थीं जहाँ धोखाधड़ी को एक विशिष्ट, कठोर नियम द्वारा परिभाषित किया गया था, इसलिए इन परिणामों को ठीक उसी तरह वास्तविक दुनिया में काम करने के लिए नहीं माना जा सकता है। यह अध्ययन एक मानचित्र की तरह है, जो यह दिखाता है कि धोखाधड़ी को पकड़ने का मार्ग केवल अजीब नंबरों का शिकार करने से कहीं अधिक जटिल है, लेकिन अंतिम गंतव्य तक पहुँचने के लिए किसी भी प्रणाली पर वास्तविक धन का भरोसा करने से पहले इन विचारों का वास्तविक दुनिया के डेटा पर परीक्षण करना आवश्यक है।