بخشی از مقاله
چکیده
یکی از الزامات قانونگذاری برای پذیرندگان پایانههای فروشگاهی، اظهار صحیح کسبوکار خود است تا از این طریق با شناسایی درست کاربران نهایی، از انجام تخلفهای مالی و یا اقدامات مربوط به پولشویی جلوگیری شود. لیکن متأسفانه به دلیل نبود ابزارهای هوشمند برای تشخیص صنف واقعی پذیرندگان، اجرای صحیح این قانون با چالشها و دشواریهایی مواجه است.
در این مقاله مدلی ارائهشده که بدون نیاز به ناظر، پذیرندگان را بر اساس مبلغ و ساعت انجام تراکنش خوشهبندی کرده و هر صنف را در خوشه جداگانه قرار میدهد. بدین ترتیب در صورت اظهار نادرست صنف کسبوکار توسط پذیرنده، نهتنها این عدم انطباق آشکار میگردد، بلکه صنف واقعی او نیز قابلتشخیص است. این مدل به قانونگذار کمک خواهد کرد که تراکنشهای پذیرنده که بافرم تراکنشهای صنف او همخوانی ندارد را شناسایی نماید و در صورت لزوم اقدامات قانونی را به انجام رساند.
مقدمه
با گسترش روزافزون تجارت الکترونیکی و افزایش استفاده از ابزارهای پرداخت الکترونیک در سراسر کشور و میان اصناف مختلف، بهکارگیری ابزارهای نظارتی مؤثر و کارا بیشازپیش لازم به نظر میرسد. شرکت شاپرک1 که بهعنوان نهاد حاکمیتی و قانونگذار در این حوزه شناخته می شود، شرکتهای ارائهدهندهی خدمات پرداخت - 2 - PSP را ملزوم کرده ا ست تا در هنگام ابزارهای پرداخت الکترونیک به پذیرندگان کارت3 م ستندات لازم جهت احراز صنف ک سبوکار ای شان را دریافت نموده و در سامانه مربوطه در سایت شاپرک ثبت کنند.
لازم به ذکر است، که هرگونه تغیر کسبوکار پذیرنده میبایست از طریق شرکت ارائهدهنده خدمات پرداخت به اطلاع شاپرک رسانده شود و چنان چه پذیرندهای ابزار پرداخت الکترونیک را در صنفی خلاف آنچه اظهارشده است به کار گیرد، مرتکب تخلف شده و ممکن است، حداکثر به مدت یک سال از دریافت خدمات پرداخت از کلیه شرکتهای PSP محروم شود.
از سوی دیگر، دانستن اطلاعات دقیق در مورد صنف فعالیت پذیرندگان، میتواند مزایای زیادی برای شرکتهای ارائهدهنده خدمات پرداخت داشته باشد. PSP ها میتوانند در صورت داشتن اطلاعات دقیق از صنف پذیرنده، تراکنشهای خارج از رفتار متعارف آن صنف را محدود نمایند. بهطور مثال تراکنشی که در ساعات غیرمتعارف و با مبلغی بیش ازآنچهمعمولاً در تراکنشهای آن صنف مشاهده می شود، بهعنوان تراکنش م شکوک ارزیابی گردد.
بدیهی ا ست که با توجه به گ ستردگی شبکه پذیرندگیPSP ها کنترل و پایش م ستمر صنف پذیرندگان بسیار هزینهبر است و با توجه بهدشواری هایی که برای پذیرنده ایجاد میکند، میتواند موجب نارضایتی برخی پذیرندگان گردد. لذاعملاً شرکتهای PSP علاقهای به سختگیری برای اجرای این قانون ندارند. لیکن چنان چه سامانهای بهصورت خودکار این فرآیند را تسهیل نموده و مزایایی برای PSP ها فراهم کند، میتوان به اجرای صحیح این قانون امیدوار بود.
در بسیاری از کشورها برای شناسایی کسبوکار پذیرندگان، سیستم خودکاری وجود ندارد و تنها بانکها میتوانند به خود اظهاری م شتریان اعتماد کنند. تأیید اعتبار ضعیف سی ستمهای مالی سبب شده که معاملات مالی غیرقانونی شکل بگیرد، بنابراین باید از طریق استراتژیها، روشها و الگوریتمهای دادهکاوی، عدم انطباق بهصورت خودکار شناسایی شود و یا با دانستن الگوهای دادههای مالی ثبتشده در سیستم، مانع از انجام آن شوند. به عبارتی جلوگیری از تقلب به حفاظت از حقوق مشتریان کمک خواهد کرد و مانع از آسیب رسیدن به سازمانهای مالی خواهد شد.
در سالهای اخیر، در کشور ما، سازمانهای مختلف ارائهدهندهی خدمات پرداخت ازجمله بانکها وPSP ها، در استفاده از ابزار تشخیص تقلب، تلاشهای زیادی کردهاند. سازمانها برای شناسایی فروشنده متخلف هم بهصورت آنلاین و هم آفلاین با مشکلاتی مواجه هستند. برای جلوگیری از هرگونه تخلفات شنا سایی شده در حوزهی پرداخت الکترونیک قوانینی از سوی شاپرک تعریف شده ا ست. در صورتیکه پذیرندهای از قوانین تخطی کند بهعنوان پذیرندهی پرخطر شناسایی میشود. بهطورکلی تخلفات پذیرندگان بر اساس میزان اثرگذاری آنها بر روی شبکه الکترونیکی پرداخت به چهار دسته تقسیم میشود.
1. اولین متخلفان جرائمی هستند که دستگاه کارتخوان برای دارنده کارت در طی عملیات پرداخت قابلمشاهده نیست.
2. دسته دوم متخلفانی هستند که از دستگاههای کارتخوان برای کسبوکاری غیر از صنف ثبتشده در قرارداد بین PSP و پذیرنده استفاده میکنند. ایجاد معاملات مجازی مانند نقد کردن مبلغ کارت بدون انجام معاملات واقعی و عدم بازگرداندن مبلغ اضافی دریافت شده از مشتری، که بهاشتباه بهحساب پذیرنده واریزشده است.
3. دسته سوم جرائم، عبارتاند از، ارسال معاملات نامعتبر، شبیهسازیشده و یا شکسته شده.
4. دسته آخر شامل موارد دیگر فعالیتهای غیرقانونی پذیرندگان است. بهعنوانمثال، سوء مدیریت مالی و پولشویی یا اختلال در سیستم بانکی کشور وفعالیتهایی که منجر به نقدینگی خارج از چارچوبهای مجاز میشود. در ب سیاری از سامانههای بانکی، سی ستم جامعی برای شنا سایی ک سبوکار پذیرندگان وجود ندارد و سالها ا ست که تخلفات پذیرندگان شناسایی نمیشود. بنابراین، شناسایی رفتار پذیرندگان امری ضروری است.
هدف از نگارش این مقاله ارائه مدلی بهمنظور شنا سایی صنف پذیرندگان کارت بر ا ساس دادهکاوی تراکنشها ا ست که میتواند با تحلیل تراکنشهای هر پذیرنده و هر صنفاولاً مشخص کند که آیا آن پذیرنده متعلق به صنف اظهارشده است یا خیر و در ثانی، چنان چه پذیرنده صنف خود را صحیح اظهار نکرده بود، صنف واقعی او را با تقریبی خوبی مشخص نماید.
در این روش از الگوریتم خوشهبندی K-Means استفادهشده است که به کمک آن کلیه پذیرندگان بر اساس تراکنشهای خود خوشهبندیشده و در خوشه مربوط به صنف واقعی خود قرار میگیرند. در بخش بعدی مقاله، مدلسازیهای انجامشدهی مالی مشتریان، بر مبنای روشهای یادگیری ماشین موردبحث قرارگرفته و در بخش سوم، به توضیح طبقهبندی اصناف، با استفاده از یادگیری ماشین بدون سرپرست پرداختیم. سپس روش پیشنهادی ارائهشده و در بخش نتایج آزمایشی، به توصیف اجرای روش موردنظر با دادههای واقعی پرداخته و درنهایت نتایج را تجزیهوتحلیل میکنیم.
پیشینه پژوهش
طبقهبندی م شتریان یکی از مهمترین برنامههای آماری و مدل سازی تحقیقات عملیاتی در بانکداری ا ست. در پژوه شی برای ن شان دادن رفتار صاحبان کارت، یک مدل طبقهبندی بر اساس درخت تصمیمگیری با یادگیری دادههای معتبر ارائه دادهاند که از ترکیب الگوریتم خوشهبندی و الگوریتم ژنتیک برای بهبود دقت عملکرد این مدل استفاده کردهاند. هدف الگوریتم خوشهبندی حذف افزونگی دادهها است، درحالیکه الگوریتم ژنتیک برای کاهش ویژگی دادهها بهکاررفته است. نتایج محاسباتی در دو مجموعه دادههای واقعی نشان میدهد که مدل ترکیبی ارائهشده، کارآمد است - . - Zhang and Leung,2008
در مطالعهی دیگر، مدلی بر مبنای ترکیبی از مدل سازی زنجیره مارکوف و CART - طبقهبندی و درخت رگر سیون - برای محا سبه طول عمر مشتریان بر اساس چهار متغیر سن، نوع زندگی، خدمات بانکی مورداستفاده مشتری و سطح فعالیت مشتری، ارائهشده است. این مدل با استفاده از6,2 میلیون دادههای یکی از بانکهای آلمان اعتبارسنجی شده است - . - Haenlein et al,2007
تق سیمبندی م شتریان با عوامل جمعیت شنا سی در بازاریابی بانکی گ سترشیافته ا ست درحالیکه اغلب، همب ستگی این عوامل با نیازهای م شتریان کم ا ست - . - Machauer,2001در این مقاله از تکنیکهای دادهکاوی تو صیفی ا ستفاده شده که چهار گروه از م شتریان بانکی با توجه به نگرش و علاقهی آنها شناساییشدهاند.
برای مدیریت مشتریان کارت اعتباری در یک بانک، یک مدل دادهکاوی و یک مدل امتیازدهی رفتاری را ارائه داده تا پیشبینی کند، آیا به متقاضیان جدید اعتبار داده شود یا نه؟ نمراتی به الگوهای رفتاری هر مشتری اختصاص داده است که دستهبندی مشتریان به کلاسهای ارزش نمره با استفاده از شبکه عصبی نقشهای خود سازمانده 4SOM انجامشده ا ست. در این تحقیق، چهار پیشبینی کننده، یعنی رفتار بازپرداخت و ارزش 5RFM برای طبقهبندی سه گروه از م شتریان ا ستفاده شده است. این گروهها توسط الگوریتم تجمعی Apriori مشخصشدهاند - . - Chen et al,2004
برای تقسیمبندی اصناف، کاربرد جدیدی از خوشهبندی RFM و تجزیهوتحلیلCLV بهمنظور استفاده از خدمات پرداخت بانکی پیشنهادشده تا بر اساس آن انتخابهای سودآور صورت گیرد که حاوی دو پسوندRFM است، این رویکردها بهعنوان RF1F2M و RF * M * نامگذاری شدهاند. یکی از مدلهای ساده و قدرتمند در مدیریت مشتریان RFM است - . - Yeh et al ,2009 نقطه قوت این مدل این است که خصوصیات اصناف را با تعداد معیار کم استخراج میکند.
سه فاکتور اصلی این مدل تازگی - R - ، تعداد دفعات - F - و ارزش مالی - - M است. از الگوریتم K-Means برای دستهبندی اصناف استفادهشده و برای ارزیابی خوشهبندی صنفی و تعیین مقدار مناسب K ، شاخصDunn محاسبهشده است. پنج خوشه ازجمله "هدف اصلی"، " حرفههای سودآور"،" حرفههای عادی "،" حرفههای خنثی"و"حرفههای بیهوده" تجزیهوتحلیل شدهاند.
بنابراین بانکها و شرکتهایPSP با تمرکز روی گروههای صنفی با رتبههای بالاتر، میتوانند بر روند بازاریابی دستگاه POS اقدام کنند - . - Khobzi et al,2014 برای تعیین عوامل مؤثر بر تعداد و میزان معاملات انجام شده در ابزارهای پرداخت الکترونیکی، فرآیندی پی شنهاد شده ا ست. که برای انجام این کار، از تکنیکهای دادهکاوی استفادهشده است. این روش در مقایسه با روشهای آمار توصیفی، کارآمدتر بوده و نتایج موردنظر راحتتر و دقیقتر بهدستآمده است. مجموعهی داده شامل 49425 اطلاعات تراکنش پین پد و ATM بر اساس بانک و استان، در سراسر کشور از سال 1386 تا 1394 است. این دادهها از مرکز آمار بانک مرکزی ایران جمعآوریشده است.
