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

Nel mondo invisibile del banking digitale, ogni volta che una carta viene strisciata o un pagamento viene inviato, avviene un calcolo silenzioso in pochi millisecondi. Questo è il regno del rilevamento delle frodi, dove i sistemi devono decidere in un battito di ciglia se una transazione sia un acquisto genuino di un cliente o un furto da parte di un criminale. Per decenni, questi sistemi si sono basati su un'idea semplice: confrontare la nuova transazione con ciò che il cliente ha fatto in precedenza. Se una persona che di solito compra caffè a Lagos improvvisamente acquista un orologio di lusso in un altro paese, il sistema lo segnala. Questo metodo, noto come confronto del vicino più prossimo (nearest-neighbour), funziona misurando la distanza tra una nuova azione e le azioni passate. Più grande è la differenza, maggiore è il rischio. Tuttavia, esiste un difetto critico in questo approccio: non tutti i clienti si comportano allo stesso modo. Alcune persone hanno routine rigide e prevedibili, mentre altre hanno abitudini di spesa caotiche e in continuo mutamento. Una regola singola e fissa per misurare la "differenza" non tiene conto di questa realtà. Un piccolo cambiamento potrebbe essere un enorme segnale d'allarme per uno spenditore rigido, mentre un grande cambiamento potrebbe essere completamente normale per uno caotico. Se il sistema tratta tutti con la stessa sensibilità, finirà per perdere frodi commesse dagli spenditori rigidi o accusare erroneamente quelli caotici.

Questo è il problema specifico che due ricercatori, Musa Olowo Alabi e Morufat Damilola Gbolagade, si sono posti l'obiettivo di risolvere. Si sono posti una domanda fondamentale: può un sistema bancario imparare ad aggiustare la propria sensibilità per ogni singolo conto, basandosi sulla storia specifica di quella persona? Invece di usare un righello unico e immutabile per misurare ogni cliente, hanno sviluppato un metodo in cui il righello stesso si allunga o si accorcia a seconda del conto che sta misurando. Il loro lavoro, testato su un ampio dataset di transazioni bancarie reali, dimostra che questo aggiustamento è non solo possibile, ma necessario. Hanno scoperto che la "sensibilità" di un sistema — il grado in cui reagisce a un cambiamento di comportamento — varia enormemente da persona a persona. Per alcuni conti, il sistema deve essere iper-vigile anche per la minima deviazione, mentre per altri deve essere molto più rilassato per evitare falsi allarmi.

Per testare questa idea, i ricercatori hanno esaminato migliaia di conti bancari, ma sono stati attenti a selezionare solo quelli con una storia sufficientemente significativa. Si sono concentrati su 608 conti che avevano almeno venti transazioni e una storia di almeno trenta giorni. Per ciascuno di questi conti, hanno costruito un pool di riferimento locale, una collezione delle transazioni legittime passate di quella specifica persona. Hanno poi osservato come il sistema reagiva alle nuove transazioni misurando quattro tipi specifici di cambiamenti comportamentali: quanto recentemente la persona di solito acquista, l'ora del giorno in cui effettua transazioni, l'importo di denaro coinvolto e le relazioni strutturali della transazione, come la posizione e il destinatario.

Il nucleo del loro esperimento consisteva in un ciclo continuo. Quando arrivava una nuova transazione, il sistema calcolava innanzitutto quanto fosse diversa dal comportamento passato della persona. Utilizzava poi questa differenza per aggiornare la propria comprensione del "normale" di quella specifica persona. Se la transazione veniva successivamente confermata come legittima, il sistema utilizzava quel dato per regolare leggermente la propria impostazione di sensibilità interna per quel conto. Questo aggiustamento veniva effettuato in modo incrementale, il che significa che il sistema imparava "al volo" senza dover rileggere l'intera cronologia del conto ogni volta. Ciò permetteva al sistema di mantenere una misura costante e aggiornata di quanta deviazione fosse tipica per quell'utente specifico.

I risultati hanno rivelato una sorprendente diversità nel modo in cui i diversi conti dovrebbero essere trattati. I ricercatori hanno raggruppato i conti in categorie basate sui loro livelli di attività e sulla lunghezza della storia. Hanno scoperto che l'impostazione di sensibilità per i conti ad alta attività, ovvero quelli con molte transazioni, era mediamente di un valore basso pari a 0,7113. Al contrario, la sensibilità per i conti a bassa attività, quelli con meno transazioni, era mediamente molto più alta, pari a 1,2534. Per mettere questo in prospettiva, se l'impostazione standard non regolata è considerata un valore base di uno, il sistema per gli utenti attivi era quasi il trenta per cento più sensibile ai cambiamenti, mentre il sistema per gli utenti inattivi era il venticinque per cento meno sensibile. Questo prova che una regola singola e fissa non può funzionare per tutti; il "righello" deve essere diverso per ogni persona.

Lo studio ha anche mostrato esattamente come questo aggiustamento modifichi il punteggio di rischio finale. Quando il sistema utilizzava un valore di sensibilità più basso per un conto attivo, la stessa differenza comportamentale risultava in un punteggio di rischio più elevato. Ad esempio, un conto attivo con una sensibilità di 0,6819 produceva un punteggio di rischio di 0,7973 per una specifica transazione, mentre utilizzando l'impostazione fissa standard avrebbe prodotto solo un punteggio di 0,7284. Il sistema interpretava correttamente il piccolo cambiamento come un avvertimento significativo perché sapeva che questo particolare utente raramente devia dalla sua routine. Al contrario, per un conto a bassa attività con una sensibilità superiore a uno, lo stesso tipo di differenza comportamentale risultava in un punteggio di rischio inferiore. Il sistema comprendeva che per questo utente, che ha una storia più variabile, il cambiamento era meno allarmante.

Fondamentalmente, i ricercatori hanno sottolineato che i dati sottostanti — la distanza effettiva tra la nuova transazione e quelle passate — non cambiavano. L'unica cosa che cambiava era l'interpretazione di quella distanza. Calibrando la sensibilità, il sistema alterava il punteggio di rischio continuo senza alterare l'evidenza comportamentale grezza. Questa distinzione è vitale perché significa che il sistema non sta inventando nuovi dati; sta semplicemente leggendo i dati esistenti in modo più accurato per ogni individuo. Lo studio ha confermato che questa calibrazione può essere mantenuta nel tempo utilizzando un processo a memoria costante, il che significa che il sistema non ha bisogno di memorizzare enormi quantità di dati storici per continuare a imparare. Può aggiornare la propria comprensione del comportamento di un utente con ogni nuova transazione legittima confermata, rendendolo adatto alla natura veloce e in streaming del moderno banking.

Sebbene lo studio sia stata una simulazione utilizzando dati storici piuttosto che un deployment dal vivo in una banca, i risultati offrono una chiara strada da seguire per la prevenzione delle frodi. La ricerca suggerisce che il futuro della sicurezza non risiede nel costruire migliori regole globali, ma nel creare sistemi che adattino le proprie regole al ritmo unico di ogni singolo cliente. Allontanandosi da un approccio standardizzato, le banche possono potenzialmente perfezionare il modo in cui interpretano le deviazioni comportamentali per allinearle meglio alla regolarità individuale del conto. Il lavoro dimostra che la difesa più efficace contro le frodi è un sistema che comprende l'individuo, adattando la propria vigilanza per corrispondere alla specifica regolarità della persona che sta proteggendo.