В статье рассматриваются вопросы по разработке эффективной системы для борьбы с мошенническими действиями на основании общедоступных данных клиента сервиса по доставке посылок. Из-за постоянно возрастающих махинаций бизнес несет существенные убытки, а полноценная система фрод-мониторинга способна пресечь подозрительные действия и дать рекомендации по их дальнейшей обработке, что существенно снизит экономические, финансовые и репутационные риски. Система представляет собой отдельный ресурс, выполненный в виде облачного веб-сервиса, который включает в себя интеллектуальное ядро, выполняющее основные трудоемкие операции по анализу и детектированию транзакций. Аналитическая составляющая базируется на хорошо зарекомендовавших себя на практике алгоритмах машинного обучения, в основе которых лежит обучение с учителем. Для определения мошеннических действий строится и тестируется модель, выбирается лучшая. Оперируя исходными данными, она классифицирует каждую транзакцию, и в зависимости от уровня безопасности либо отклоняет ее, либо интерпретирует результат в понятный человеку и дает рекомендации по дальнейшим действиям. Система переобучается каждый раз, после того как уровни безопасности пересматриваются или добавляются новые; данные для обучения хранятся в централизованном хранилище. Разработанный сервис предполагается использовать для компаний, осуществляющих международную логистику, иметь простой и понятный интерфейс интеграции и взаимодействия.
The article is devoted to the design of effective system for combat fraud using client's publicly available data of the package delivery service. Because of the growth of frauds, business incurs heavy losses and complete system for fraud monitoring can stop suspicious actions and make recommendations for their further processing, which will significantly reduce economic, financial and reputational risks. The system is a single resource, which is implemented as a cloud web server and include the intellectual core for execution base laborintensive operations on transaction analysis and detection. The analysis is based on wellproven machine learning algorithms based on supervised learning. For detection of fraudulent transactions model is built and tested, the best one is chosen. It classifies each transaction during data manipulations and make 2 actions depending on the security level: rejects or interprets it and may give recommendations for further action. After security levels are reviewed or added, the system retrained every time; training data is stored in the centralized repository. The developed service is supposed to be used for companies engaged in international logistics and had a simple and clear interface integration and interaction.
The authors declare that there are no conflicts of interest present.