Кластеризация на основе алгоритмов машинного обучения и анализ графов как способы улучшения модели противодействия мошенничеству в кредитных организациях

В последние годы внедрение новых технологий в сфере банковских услуг идет чрезвычайно быстрыми темпами, что приносит как положительные эффекты (например, легкость и доступность использования банковских сервисов онлайн), так и отрицательные (значительно возросший объем попыток мошенничества). В связи с этим современные кредитные организации заблаговременно ищут пути усовершенствования используемых в банках анти-фрод моделей. При этом все большую популярность получает метод машинного обучения. В данной работе исследуется возможность усовершенствования используемой в реальной банковской практике анти-фрод модели для выявления попыток мошенничества при подаче заявки на кредит. Цель данной работы - попытаться улучшить качество вышеуказанной модели для более точного выявления фрода. Для реализации этой задачи сначала была проведена кластеризация заявок потенциальных заемщиков с использованием методов машинного обучения. Были выбраны наиболее подходящие методы кластеризации (k-means, k-prototypes and DBSCAN). Для сравнительного анализа данных методов были использованы метрики Elbow, Silhouettes и IV (Information Value). Полученные результаты (кластеры) были исследованы на предмет того, как они влияют на имеющуюся антифрод-модель. Затем, на основе данных полученных из заявок потенциальных заемщиков был проведен анализ графов. Были использованы следующие вычисленные на основе графов метрики: centrality metrics (degree centrality, betweenness centrality, closeness centrality), PageRank, номер и размер кластера, кратчайшие пути до фродовой сущности. В итоге было проведено сравнение этих двух подходов по улучшению модели (кластеризации и анализа графов). Как результат работы, было предложено некоторое усовершенствование существующей анти-фрод модели. Ключевые термины: фрод, анти-фрод модель, заявки потенциальных заемщиков, машинное обучение, кластеризация, k-means, k-prototypes, DBSCAN, графы, centrality metrics, PageRank, кратчайшие пути до фродовой сущности