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

In de onzichtbare wereld van digitaal bankieren vindt elke keer dat een kaart wordt doorgehaald of een betaling wordt verzonden, binnen milliseconden een stille berekening plaats. Dit is het domein van fraudedetectie, waar systemen in een hartslagslag moeten beslissen of een transactie een legitieme aankoop is door een klant of een diefstal door een crimineel. Decennialang vertrouwden deze systemen op een simpel idee: vergelijk de nieuwe transactie met wat de klant eerder heeft gedaan. Als iemand die gewoonlijk koffie koopt in Lagos plotseling een luxe horloge koopt in een ander land, signaleert het systeem dit. Deze methode, bekend als de 'nearest-neighbour' vergelijking (dichtstbijzijnde buur), werkt door de afstand te meten tussen een nieuwe actie en eerdere acties. Hoe groter het verschil, hoe hoger het risico. Er bestaat echter een kritiek gebrek in deze aanpak: niet alle klanten gedragen zich op dezelfde manier. Sommige mensen hebben rigide, voorspelbare routines, terwijl anderen chaotische, voortdurend veranderende uitgavepatronen hebben. Een enkele, vaste regel voor het meten van "verschil" houdt geen rekening met deze realiteit. Een kleine verandering kan een enorme rode vlag zijn voor een rigide uitgever, terwijl een grote verandering volkomen normaal kan zijn voor een chaotische een. Als het systeem iedereen met dezelfde gevoeligheid behandelt, zal het ofwel fraude bij de rigide spenders missen, of de chaotische eenen onterecht beschuldigen.

Dit is het specifieke probleem dat twee onderzoekers, Musa Olowo Alabi en Morufat Damilola Gbolagade, wilden oplossen. Ze stelden een fundamentele vraag: kan een banksysteem leren om zijn eigen gevoeligheid voor elk individueel account aan te passen, gebaseerd op de specifieke geschiedenis van die persoon? In plaats van een enkele, onveranderlijke liniaal te gebruiken om elke klant te meten, ontwikkelden zij een methode waarbij de liniaal zelf uitrekt of krimpt, afhankelijk van het account dat het meet. Hun werk, getest op een grote dataset van echte banktransacties, laat zien dat deze aanpassing niet alleen mogelijk, maar ook noodzakelijk is. Ze ontdekten dat de "gevoeligheid" van een systeem — de mate waarin het reageert op een gedragsverandering — enorm varieert van persoon tot persoon. Voor sommige accounts moet het systeem hyperalert zijn op zelfs de kleinste afwijking, terwijl het voor andere veel relaxter moet zijn om valse alarmen te voorkomen.

Om dit idee te testen, bekeken de onderzoekers duizenden bankaccounts, maar ze waren voorzichtig in het selecteren van alleen die accounts met genoeg geschiedenis om betekenisvol te zijn. Ze richtten zich op 608 accounts die ten minste twintig transacties en een geschiedenis van dertig dagen hadden. Voor elk van deze accounts bouwden ze een lokale referentiepool, een collectie van de specifieke legitieme transacties van die persoon uit het verleden. Vervolgens observeerden ze hoe het systeem reageerde op nieuwe transacties door vier specifieke soorten gedragsveranderingen te meten: hoe recent de persoon gewoonlijk winkelt, de tijd van de dag waarop zij transacties uitvoeren, het bedrag dat betrokken is, en de structurele relaties van de transactie, zoals de locatie en de ontvanger.

De kern van hun experiment bestond uit een continue lus. Wanneer een nieuwe transactie arriveerde, berekende het systeem eerst hoe verschillend deze was van het gedrag uit het verleden van de persoon. Het gebruikte deze verschil vervolgens om het begrip van dat specifieke persoon's "normaal" bij te werken. Als de transactie later als legitiem werd bevestigd, gebruikte het systeem dit datapunt om de interne gevoeligheidsinstelling voor dat account stapsgewijs aan te passen. Deze aanpassing gebeurde incrementeel, wat betekent dat het systeem 'on the fly' leerde zonder de volledige geschiedenis van het account telkens opnieuw te hoeven lezen. Dit stelde het systeem in staat om een constante, actuele maatstaf te behouden voor hoeveel afwijking typerend was voor die specifieke gebruiker.

De resultaten toonden een opvallende diversiteit aan in de manier waarop verschillende accounts behandeld moeten worden. De onderzoekers deelden de accounts in categorieën in op basis van hun activiteitsniveaus en de lengte van hun geschiedenis. Ze ontdekten dat de gevoeligheidsinstelling voor accounts met een hoge activiteit, oftewel accounts met veel transacties, gemiddeld een lage waarde van 0,7113 had. In contrast hiermee was de gevoeligheid voor accounts met een lage activiteit, oftewel accounts met minder transacties, gemiddeld veel hoger, namelijk 1,2534. Om dit in perspectief te plaatsen: als de standaard, ongecorrigeerde instelling wordt beschouwd als een basislijn van één, was het systeem voor actieve gebruikers bijna dertig procent gevoeliger voor veranderingen, terwijl het systeem voor inactieve gebruikers vijfentwintig procent minder gevoelig was. Dit bewijst dat een enkele, vaste regel niet voor iedereen kan werken; de "liniaal" moet voor iedere persoon anders zijn.

De studie toonde ook precies aan hoe deze aanpassing de uiteindelijke risicoscore verandert. Wanneer het systeem een lagere gevoeligheidswaarde gebruikte voor een actief account, resulteerde dezelfde gedragsverandering in een hogere risicoscore. Bijvoorbeeld, één actief account met een gevoeligheid van 0,6819 produceerde een risicoscore van 0,7973 voor een specifieke transactie, terwijl het gebruik van de standaard vaste instelling slechts een score van 0,7284 zou hebben opgeleverd. Het systeem interpreteerde de kleine verandering correct als een significante waarschuwing, omdat het wist dat deze specifieke gebruiker zelden van zijn routine afwijkt. Omgekeerd, voor een account met een lage activiteit met een gevoeligheid boven de één, resulteerde hetzelfde type gedragsverandering in een lagere risicoscore. Het systeem begreep dat voor deze gebruiker, die een variabeler geschiedenis heeft, de verandering minder alarmerend was.

Cruciaal is dat de onderzoekers benadrukten dat de onderliggende data — de werkelijke afstand tussen de nieuwe transactie en de vorige transacties — niet veranderde. Het enige dat veranderde, was de interpretatie van die afstand. Door de gevoeligheid te kalibreren, veranderde het systeem de continue risicoscore zonder de ruwe gedragsgegevens aan te passen. Dit onderscheid is essentieel omdat het betekent dat het systeem geen nieuwe data verzint; het leest simpelweg de bestaande data nauwkeuriger voor elk individu. De studie bevestigde dat deze kalibratie in de loop van de tijd kan worden onderhouden met een proces met een constant geheugen, wat betekent dat het systeem geen enorme hoeveelheden historische data hoeft op te slaan om te blijven leren. Het kan zijn begrip van het gedrag van een gebruiker bijwerken met elke nieuwe, bevestigde legitieme transactie, waardoor het geschikt is voor de snelle, stromende aard van het moderne bankwezen.

Hoewel de studie een simulatie was met behulp van historische gegevens in plaats van een live implementatie in een bank, bieden de bevindingen een duidelijk pad voor de toekomst van fraudepreventie. Het onderzoek suggereert dat de toekomst van beveiliging niet ligt in het bouwen van betere globale regels, maar in het creëren van systemen die hun eigen regels aanpassen aan het unieke ritme van elke individuele klant. Door af te stappen van een 'one-size-fits-all' aanpak, kunnen banken potentieel verfijnen hoe zij gedragsafwijkingen interpreteren om beter afgestemd te zijn op de individuele regelmaat van elk account. Het werk demonstreert dat de meest effectieve verdediging tegen fraude een systeem is dat het individu begrijpt en de waakzaamheid aanpast aan de specifieke regelmaat van de persoon die het beschermt.