Machine Learning Based Mobile Money Fraud Detection Using Behavioral and Agent Level Features in Zambia

아프리카의 활기찬 디지털 경제에서 휴대전화는 단순한 통신 도구 그 이상이 되었습니다. 이는 전통적인 은행에 발을 들여놓아 본 적이 없는 수백만 명의 사람들에게 주요한 은행 계좌가 되었습니다. 기본적인 휴대폰의 단순한 텍스트 기반 메뉴를 통해, 사용자들은 현금을 입금하고, 가족에게 돈을 보내며, 물건값을 지불할 수 있습니다. 이 시스템은 물리적 현금을 디지털 가치로, 다시 그 반대로 전환하는 인간 인터페이스 역할을 하는 상인과 판매원 같은 현지 대리인(agent)들에게 크게 의존합니다. 그러나 이러한 급격한 금융 포용성은 새로운 종류의 취약성을 만들어냈습니다. 도둑들이 물리적인 문의 잠금장치를 따는 법을 배우는 것처럼, 사기꾼들은 디지털 시스템을 악용하는 정교한 방법을 개발했으며, 종종 이를 촉진하기 위해 설계된 바로 그 대리인들을 조종하기도 합니다. 이러한 악의적인 행위자들은 거래가 실제로 일어나지 않았음에도 불구하고 시스템이 거래가 발생한 것처럼 속이거나, 정당한 비즈니스를 위해 책정된 보상을 챙기기 위해 가짜 자금 순환 고리를 만들기도 합니다. 수년간 이 네트워크를 운영하는 기업들은 특정 달러 금액 이상의 거래를 차단하는 것과 같은 정적인 규칙을 사용하여 이러한 절도를 막으려 노력해 왔습니다. 하지만 사기꾼들은 영리하여, 단순히 전술을 바꾸어 레이더망을 피해 지나가 버림으로써 이러한 경직된 규칙들을 무력하게 만들었습니다.

잠비아 물룽구시 대학교(Mulungushi University)의 연구팀은 컴퓨터가 인간 조사관처럼 생각하도록 가르침으로써 이 문제를 해결하고자 했습니다. 그들은 단순히 단일 거래의 수치만을 보는 것이 아니라, 관련된 사람들과 대리인의 행동을 이해할 수 있는 시스템을 구축할 수 있는지 알고 싶었습니다. 이를 위해 그들은 실제 세계의 방대한 데이터를 수집했습니다: 2026년 2월의 단 하루 동안 발생한, 천 명 이상의 사용자와 백 명 이상의 대리인이 참여한 약 만 건의 거래 데이터입니다. 이 데이터는 개인정보를 보호하기 위해 이름이나 개인적인 세부 사항을 정밀하게 제거하였으며, 오직 움직임의 패턴만을 남겼습니다. 연구진은 이 정보를 여러 유형의 머신러닝 모델에 입력했습니다. 머신 러닝 모델은 마치 사람이 군중을 보며 이상한 방향으로 움직이는 한 사람을 찾아내는 것과 같이, 데이터 속에서 숨겨진 패턴을 찾는 데 설계된 컴퓨터 프로그램입니다. 연구팀은 단순한 통계적 방법부터 모든 가능한 요소를 가중치로 두기 위해 수천 개의 결정 트리(decision tree)를 구축하는 더 복잡한 시스템에 이르기까지 네 가지 서로 다른 접근 방식을 테스트했습니다.

그들의 연구에서 가장 중요한 발견은 고객을 보는 것만큼이나 대리인을 보는 것이 중요하다는 것이었습니다. 과거의 사기 탐지 시스템은 주로 거래 자체, 즉 얼마가 언제 어떤 유형의 이체로 전송되었는지에 집중했습니다. 연구진은 이러한 접근 방식이 엄청난 양의 사기를 놓치고 있다는 것을 발견했습니다. "대리인 수준"의 특징들, 구체적으로 대리인이 거래를 취소하는 빈도와 하루에 처리하는 거래 횟수를 추가함으로써 시스템은 훨씬 더 효과적이 되었습니다. 그들은 높은 취소율이 주요한 위험 신호라는 것을 발견했습니다. 잠비아의 모바일 머니 시스템에서 대리인은 자신이 돕는 모든 거래마다 소액의 수수료를 받습니다. 사기꾼들은 거래를 가짜로 만든 다음 즉시 이를 취소함으로써 이 시스템을 이용할 수 있다는 점을 발견했고, 실제로 일어나지 않은 업무에 대해 시스템이 자신들에게 수수료를 지급하도록 속였습니다. 단일 이체의 달러 금액만을 보는 컴퓨터 프로그램은 이를 절대 잡아낼 수 없겠지만, 대리인이 몇 시간 만에 갑자기 수십 건의 거래를 취소하는 것을 포착하는 시스템은 이 수법을 즉시 찾아낼 수 있습니다.

컴퓨터 모델이 단순히 추측하는 것이 아니라 올바른 것을 학습하고 있는지 확인하기 위해, 연구진은 어떤 요인이 컴퓨터의 결정에 영향을 미쳤는지 정확히 밝혀내는 스포트라이트와 같은 기법을 사용했습니다. 그들은 거래 규모가 중요하긴 하지만, 대리인의 행동이 사기를 예측하는 데 있어 종종 더 강력한 예측 변수가 된다는 것을 발견했습니다. 복잡하고 지저축한 데이터를 처리하는 데 탁월한 것으로 알려진 특정 모델은 가장 정확한 결과를 보였습니다. 이 모델은 기존의 규칙 기반 시스템에 비해 훨씬 더 높은 비율의 실제 사기 사례를 성공적으로 식별해 냈으며, 동시에 오보(false alarm)의 수도 낮게 유지했습니다. 이는 시스템이 무고한 사람들을 범죄자로 너무 많이 분류할 경우, 사용자를 좌절시키고 경제를 둔화시킬 수 있기 때문에 매우 중요합니다. 또한 연구진은 사기가 500건 중 1건 미만으로 발생하는 매우 드문 사건이라는 어려운 현실을 다뤄야 했습니다. 컴퓨터가 이러한 희귀한 사건을 포착하도록 가르치기 위해, 그들은 훈련 단계에서 사기의 합성 예시를 생성하는 방법을 사용하였고, 이를 통해 모델이 수백만 건의 실제 범죄 현장을 공부할 필요 없이 무엇을 찾아야 하는지 학습할 수 있도록 도왔습니다.

이 연구 결과는 잠비아 및 유사한 시장의 모바일 머니 운영자들에게 명확한 길을 제시합니다. 진화하는 범죄 전술에 맞서 정적인 규칙 목록에 의존하는 옛날 방식은 더 이상 충분하지 않습니다. 대신, 미래는 행동의 변화를 감시하는 동적인 시스템에 달려 있습니다. 만약 평소에 꾸준한 정당한 판매 흐름을 처리하던 대리인이 갑자기 비정상적인 비율로 거래를 취소하기 시작한다면, 시스템은 즉시 이를 경고해야 합니다. 이러한 접근 방식은 사기 탐지를 '잡히면 잡는' 식의 반응적인 게임에서, 모든 상호작용의 맥락을 이해하는 선제적인 방패로 변화시킵니다. 네트워크의 중심에 서 있는 사람들, 즉 대리인이라는 인간적 요소에 집중함으로써, 이러한 새로운 도구들은 금융의 보안을 보호하고 디지털 혁신이 신뢰를 무너뜨리는 것이 아니라 계속해서 쌓아 올릴 수 있도록 보장할 수 있습니다. 이 연구는 적절한 데이터와 적절한 도구가 있다면, 사기꾼들을 앞지를 수 있으며 모두를 위해 디지털 경제를 안전하게 지킬 수 있다는 것을 확인시켜 줍니다.