The role of data in the fight against payment fraud : a qualitative research of payment fraud prevention in the 2020 century
Ahola, Iida (2023)
Kandidaatintutkielma
Ahola, Iida
2023
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe202301091859
https://urn.fi/URN:NBN:fi-fe202301091859
Tiivistelmä
This bachelor’s thesis focuses on investigating the role of data in payment fraud prevention and discovering the most common machine learning (ML) models for payment fraud detection. The empirical evidence presented in the research was collected through qualitative semi-structured interviews gathered from three (3) people working in fraud prevention in different financial institutions. The empirical research is backed by a theoretical framework, which has been built based on previous literature.
The results show that data plays a significant role in automating payment fraud prevention effectively. The interviews and theoretical framework indicate that supervised ML models are more common in payment fraud prevention than unsupervised models. Supervised ML models can learn to recognize fraud from customers’ payment behavior profiles, which can be built based on their previous transactions. For accurate ML models, high-quality training data is needed. Results also show that continuous work on models’ performance and the quality of data is required to keep up with the changes in the payment environment. The results of this thesis coincide with the previous literature about the crucial data and most common ML models. Tämä kandidaatintutkielma keskittyy tutkimaan datan roolia maksuvälinepetosten ehkäisemisessä ja selvittämään käytetyimmät koneoppimismallit maksuvälinepetosten tunnistamisessa. Empiirinen todistusaineisto on kerätty kvalitatiivisin puolistrukturoiduin haastatteluin, joiden kohteena olivat kolme (3) petoksenehkäisemisen parissa työskentelevää ihmistä eri rahoitusalan yhtiöistä. Empiirisen tutkimuksen pohjana on teoreettinen viitekehys, joka on luotu aikaisemman kirjallisuuden pohjalta.
Tulokset viittaavat, että datalla on suuri rooli maksuvälinepetosten ehkäisemisen automatisoinnissa tehokkaasti. Tulokset viittaavat, että ohjatut koneoppimismallit ovat ohjaamattomia malleja suositumpia maksuvälinepetosten ehkäisemisessä. Ohjattujen koneoppimismallien avulla voidaan tunnistaa tehokkaasti petoksia hyödyntäen asiakkaiden maksukäyttäytymisprofiilieja, jotka perustuvat asiakkaiden aikaisempiin maksuihin. Tarkkoihin koneoppimismalleihin tarvitaan korkealaatuista opetusdataa. Tulokset osoittavat myös, että jatkuva mallien suorituskyvystä huolehtiminen ja datan laadun ylläpitäminen on tarpeellista muuttuvassa maksuympäristössä. Tutkielman tulokset ovat yhtenäiset aikaisemman maksuvälinepetosta ja tehokkaita petoksen tunnistamiseen käytettäviä koneoppimismalleja käsittelevän kirjallisuuden kanssa.
The results show that data plays a significant role in automating payment fraud prevention effectively. The interviews and theoretical framework indicate that supervised ML models are more common in payment fraud prevention than unsupervised models. Supervised ML models can learn to recognize fraud from customers’ payment behavior profiles, which can be built based on their previous transactions. For accurate ML models, high-quality training data is needed. Results also show that continuous work on models’ performance and the quality of data is required to keep up with the changes in the payment environment. The results of this thesis coincide with the previous literature about the crucial data and most common ML models.
Tulokset viittaavat, että datalla on suuri rooli maksuvälinepetosten ehkäisemisen automatisoinnissa tehokkaasti. Tulokset viittaavat, että ohjatut koneoppimismallit ovat ohjaamattomia malleja suositumpia maksuvälinepetosten ehkäisemisessä. Ohjattujen koneoppimismallien avulla voidaan tunnistaa tehokkaasti petoksia hyödyntäen asiakkaiden maksukäyttäytymisprofiilieja, jotka perustuvat asiakkaiden aikaisempiin maksuihin. Tarkkoihin koneoppimismalleihin tarvitaan korkealaatuista opetusdataa. Tulokset osoittavat myös, että jatkuva mallien suorituskyvystä huolehtiminen ja datan laadun ylläpitäminen on tarpeellista muuttuvassa maksuympäristössä. Tutkielman tulokset ovat yhtenäiset aikaisemman maksuvälinepetosta ja tehokkaita petoksen tunnistamiseen käytettäviä koneoppimismalleja käsittelevän kirjallisuuden kanssa.