การตรวจจับการฉ้อโกงและการวิเคราะห์โครงข่ายสังคม

การตรวจจับการฉ้อโกงใน R

Bart Baesens

Professor Data Science at KU Leuven

การฉ้อโกงเป็นปรากฏการณ์ทางสังคมหรือไม่?

แนวคิด: ความสัมพันธ์ ระหว่างบุคคล
มีรูปแบบที่บ่งชี้ว่าการฉ้อโกงเป็นปรากฏการณ์ทางสังคมหรือไม่?

การฉ้อโกงเป็นปรากฏการณ์ทางสังคมหรือไม่?

ผู้ฉ้อโกงมักรวมกลุ่มกัน:
- เข้าร่วมกิจกรรมหรืองานเดียวกัน
- เกี่ยวข้องกับอาชญากรรมเดียวกัน
- ใช้ทรัพยากรร่วมกัน
- บางครั้งเป็นบุคคลคนเดียวกัน (การขโมยตัวตน)

Homophily

Homophily ในโครงข่ายสังคม (จากสังคมวิทยา)
ผู้คนมีแนวโน้มอย่างมากที่จะเข้าหาผู้ที่ตนมองว่ามีความคล้ายคลึงกับตนเองในบางด้าน

Homophily ในโครงข่ายการฉ้อโกง
ผู้ฉ้อโกงมีแนวโน้มที่จะเชื่อมโยงกับผู้ฉ้อโกงด้วยกัน และผู้บริสุทธิ์มีแนวโน้มที่จะเชื่อมโยงกับผู้บริสุทธิ์ด้วยกัน

Homophily - การฉ้อโกงประกันสังคม

โครงข่ายมีรูปแบบ homophily ที่มีนัยสำคัญทางสถิติหรือไม่?

assortativity_nominal(network, types = V(network)$isFraud, directed = FALSE)

networkhomophily

การขโมยตัวตน

ก่อน: บุคคลโทรหาผู้ที่ติดต่อบ่อย

การขโมยตัวตน

ก่อน: บุคคลโทรหาผู้ที่ติดต่อบ่อย

หลัง: บุคคลโทรหาผู้ติดต่อใหม่ที่ บังเอิญ ซ้อนทับกับผู้ติดต่อของบุคคลอื่น

Money mules

Money mule = บุคคลที่โอนเงินที่ได้มาอย่างผิดกฎหมาย (เช่น เงินที่ถูกขโมย)
ผู้รับผลประโยชน์จากธุรกรรมการฉ้อโกง
โอนเงินที่ขโมยมาแทนผู้อื่น (ผู้ดำเนินการหลอกลวง)

V(network)$name

"ID02" "ID11" "ID04" "ID03" "ID08" ... "ID16" "ID10" "ID07"

print(list_money_mules)

"ID01" "ID02" "ID03" "ID04"

V(network)$isMoneyMule <- ifelse(V(network)$name %in% list_money_mules, TRUE, FALSE)

V(network)$color <- ifelse(V(network)$isMoneyMule, "darkorange", "lightblue")

vertex_attr(network)

$isMoneyMule
TRUE FALSE  TRUE  TRUE FALSE ... FALSE FALSE FALSE
$color
"darkorange" "lightblue" "darkorange" ... "lightblue" "lightblue"

โครงข่ายที่เน้น money mules

plot(network)

mule_network

มาฝึกกันเถอะ!

การตรวจจับการฉ้อโกงใน R