Sherlock Holmes informacijskog doba

Poslovna analitika

Sherlock Holmes informacijskog doba

Piše: mr.sc. Goran Klepac

Tko god da je čitao romane Sir Arthura Conana Doyle-a, sa Sherlockom Holmesom kao glavnim junakom, zasigurno ga je oduševljavao njegov način promišljanja kojim je sa lakoćom rješavao i najzamršenije slučajeve. Stanovnik Baker Streeta rješavao je komplicirane detektivske slučajeve analitičkim putem u ugodnom ambijentu, uz zvučnu kulisu laganog pucketanje vatre iz otvorenog kamina, te tu i tamo pokoje upadice doktora Watsona. Upravo ta sposobnost analitičkog razmišljanja spominjanog Holmesa, gdje svaka nova činjenica čini gradivni element mozaika rješenja, često se puta «zloupotrebljava» kao nadahnuće autorima, koji  ilustrativnim primjerima pokušavaju dočarati funkcioniranje probabilističkih modela poslovne inteligencije. Stara Engleska opisivana u romanima Arthura Conana Doyle-a živjela je puno staloženijim i mirnijim životom od ovog našeg, pa si je Holmes mogao dopustiti luksuz višetjednih analitičkih razmišljanja koja su ga dovodila do rješenja, uz ugodno pucketanje vatre i pokoji izlet u prirodu, što je bila karakteristika gotovo  svakog njegovog pojedinačnog slučaja.

Nova vremena

Od vremena stare Engleske, promijenilo se mnogo toga, no između ostalih jedna stvar je prisutna  u današnje, kao i u tadašnje vrijeme, a to su pokušaji prijevara i same prijevare. U informacijskom dobu koje je donijelo mnogo blagodati, donijelo je i neke nove oblike potencijalnih opasnosti od prijevara, koje poduzećima mogu prouzročiti velike gubitke u poslovanju. Razvojem novih kanala komunikacije i poslovanja,  pokušaji prijevara poprimaju sasvim nove gabarite, u kojem bi se genijalci poput Sherlocka Holmesa vrlo teško snašli, posebice u situacijama gdje se očekivano vrijeme za detektiranje takvih nedozvoljenih aktivnosti ne mjeri u tjednima, već u sekundama. Dakle, u situacijama kada primjerice na prodajnom mjestu morate procijeniti da li se transakcija želi izvršiti od strane stvarnog vlasnika te kartice, ili je riječ o otuđenoj kartici, nema riječi o analitičkom promišljanju kakvog očekujemo od stanovnika Baker Streeta . Ovdje na scenu stupaju automatizirani inteligentni sustavi, u engleskom govornom području poznatiji kao fraud detection systems.

Karakteristika je takvih sustava da oni nastoje što vjernije oponašati ljudske mehanizme zaključivanja, te se neki od njih temelje na ekspertnom znanju, dok drugi na temelju prepoznatih obrazaca ponašanja detektiranih prijevara, pokušavaju detektirati situacije koje upućuju na prijevare. Prijevare bismo mogli ugrubo u poslovnom smislu definirati, kao sve one aktivnosti lažnog predstavljanja ili lažnog iznošenja činjenica s ciljem nelegalnog stjecanja bilo materijalne, bilo financijske koristi. Tako bismo u tu kategoriju primjerice mogli ubrojiti već spomenuti primjer korištenja otuđenih kreditnih ili debitnih kartica, krivotvorenje čekova, krivotvorenje telefonskih kartice, lažiranje podataka o uvjetima nastanka nezgode ili samoj nezgodi s ciljem naplate police osiguranja i slično.

Cilj ovakvih sustava je prepoznavanje pokušaja nezakonite i za poduzeće štetne radnje, kako bi se spriječilo provođenje sumnjivih transakcija i samim time gubitak poduzeću. Takvi sustavi se moraju neprestano nadograđivati, odnosno  moraju u sebe apsorbirati nove podatke, kako bi bili što efikasniji u prepoznavanju takvih situacija.

Dvije osnovne strategije

Postoje dvije osnovne strategije izgradnje sustava za prepoznavanje prijevara. Jedna strategija svodi se na građenju sustava detekcije temeljem znanja eksperata, gdje se ljudsko znanje u vidu pravila ugrađuje u eksperte sustave. Druga strategija svodi se ne analizu povijesnih podataka gdje se transakcije dijele na one kod kojih nije učinjena prijevara, i one kod kojih je učinjena prijevara. Na tako podijeljenim uzorcima podataka, metodama data mininga pokušavaju se spoznati temeljne karakteristike urednih transakcija i transakcije u koje se mogu okarakterizirati kao sumnjive. Osnovni problem kod ove metodologije proizlazi iz činjenice što se transakcije koje možemo okarakterizirati kao prijevaru pojavljuju u vrlo malom broju, no i takav mali uzorak može nam biti od pomoći u procjeni osnovnih karakteristika zakonitih i nezakonitih transakcija. Usprkos malom udjelu ovakvih vrsta transakcija u odnosu na ukupan broj transakcija ovakvi uzorci su uglavnom puni ekstremnih vrijednosti nekog obilježja (eng. outliers), što nam već i u procesu vizualizacije podataka može dati smjernice za provođenje detaljnijih analiza. Detaljnijim analizama dobivamo informacije što karakterizira rizičnu transakciju, koji model ponašanja, pojavnost kojih faktora i slično.

U osnovi između ove dvije strategije izgradnje sustava za detekciju prijevara osnovna je razlika u tome, što se u prvom slučaju ti sustavi grade isključivo na temelju znanja eksperata, gdje se to znanje kao takvo ugrađuje u sustave, a u drugom slučaju na temelju uzoraka prijevara analitičkim putem, uz pomoć metoda data mininga  dolazimo do pravila koja upućuju na sumnjivu transakciju, a samim time i na potencijalnu prijevaru. U konačnici se bez obzira na izabranu strategiju pravila ugrađuju u ekspertne sustave koji su sposobni prepoznati sumnjive transakcije.

Ekspertni sustavi

U praksi nikada nemamo strogo razgraničenje izgradnje sustava na temelju isključivo ekspertnog znanja ili znanja dobivenog analitičkim putem, već se oni međusobno isprepliču.  Često puta se na temelju  analitičkih metoda koje se provode na izdvojenim uzorcima podataka, provjerava točnost ekspertnih pravila, odnosno ekspertna pravila se oplemenjuju pravilima dobivenima analitičkim putem. Kada je jednom takav sustav izgrađen, on za svaku obavljenu transakciju proračunava stupanj rizičnosti (eng. suspicion score).

Iz uzoraka rizičnih podataka moguće je prepoznati uobičajene profile i obrasce ponašanja počinitelja prijevara. Temeljem provedene analize s ciljem otkrivanja obrazaca ponašanja počinitelja prijevara otuđenim kreditnim karticama u jednoj američkoj banci, dobiveni su vrlo interesantni rezultati. Počinitelji prijevara koji otuđe karticu svjesni su da mogu pokušati uspješno obaviti transakciju do perioda dok oštečenik ne prijavi krađu ili gubitak kartice svojoj banci, nakon čega kartica biva blokirana. U spomenutoj američkoj banci nakon analize podataka otkrili su interesantan obrazac ponašanja, gdje kradljivci kreditne kartice netom nakon krađe pokušavaju obaviti u kratkom vremenskom periodu vrlo velik broj transakcija sa ukradenom karticom. Te transakcije nadalje karakteriziraju prosječno daleko veći iznosi  po transakciji nego što je to slučaj kada transakcije radi vlasnik kartice.  Isto tako je uočena pravilnost kako kradljivci ne znaju iznos raspoloživog limita, pa uglavnom u predzadnjoj transakciji prekorače limit, te im kartica biva odbijena, da bi netom nakon toga u narednoj transakciji obavili transakciju koja uglavnom do kraja iskorištava limit. Na temelju ovih i niza ostalih otkrivenih pravila, te ekspertnog znanja stručnjaka i osoba iz prakse, spomenuta američka banka izgradila je sustav detekcije prijevara.

Osim što ovi sustavi imaju zadatak prepoznavanja potencijalno sumnjive transakcije, također je moguće izgraditi modele koji će dati naznake, ili bar uputiti na moguće rješenje vezane uz prijevare. To pokazuje slučaj jedne engleske telekomunikacijske kompanije, gdje je registriran određeni broj  poziva unutar mreže sa nepostojećeg broja (eng. ghosting), kao i ugovaranje pretplatničkog ugovora sa izdanim lažnim podacima te kasnije neplaćanje računa za obavljene pozive. U ovom slučaju za otkrivanje pravilnosti koristila se je metoda data mininga- analiza veza (eng. link analysis), koja je inače najeksploatiranija u kriminalistici. Temeljem provedene analize, uočeno je da osobe koje varaju tu telekomunikacijsku kompaniju nisu međusobno povezane, ali nakon što su brojevi sa kojih su obavljani nedozvoljeni pozivi blokirani, osobe koje su varale telekomunikacijsku kompaniju nakon nekog su vremena zvale iste brojeve sa drugog telefonskog broja.

Ovakva nam tehnologija također može biti od koristi prilikom analiza prijevara u bilo kojoj industrijskoj grani. Nije rijedak slučaj da i osiguravajuće kuće također koriste ovakve sustave u nastojanju prepoznavanja prijevara u domeni osiguranja. Ovdje oni mogu biti od koristi prilikom procjene rizičnosti suradnje temeljem određenih karakteristika ugovaratelja usluga. Ako se je na temelju povijesnih podataka iskristalizirao profil rizičnog ugovaratelja osiguravateljske usluge (gdje se pod rizičnošću u ovom slučaju podrazumijeva rizik od potencijalne prijevare) u slučaju podudarnosti profila i karakteristika novopridošlog ugovaratelja određene osiguravateljske usluge ili proizvoda ovisno o stupnju podudarnosti, postoji povećani stupanj rizika od mogućeg lošeg poslovnog ishoda za osiguravateljsku tvrtku. Ovdje na scenu stupaju sustavi za procjenu rizičnosti koji kvantitativno izražavaju taj stupanj rizika.

Ovaj problem ne zaobilazi niti poduzeća, koje svoje poslovanje temelje na naprednim tehnologijama poslovanja. Povećanim obujmom  e-transakcija, ovakvi sustavi dolaze do punog izražaja, te oni postaju sastavni dio aplikacija koje su zadužene za obavljanje e-transakcija.

Zaključak

Iako sustavi za detekciju postaju sve sofisticiraniji i inteligentniji te uče na temelju iskustva, to isto možemo reći i za počinitelje prijevara, te se ovakvi sustavi  razvijaju u skladu s teorijom spiralnog pristupa razvoja, koja karakterizira razvoj inteligentnih sustava.

Romantično vrijeme Scherlocka Holmesa u kome je isključivo snaga ljudskog uma imala glavnu ulogu u rješavanju zamršenih slučajeva je definitivno iza nas. Tko zna, možda će se u budućnosti pojaviti neki novi sir Arthur Conan Doyle novog doba, čiji detektiv neće nositi prepoznatljiv karirani ogrtač, karakterističnu kapu, i koji neće vrijeme kratiti pušenjem toliko prepoznatljive lule. Glavni lik tog novog sir Arthura Conana Doyle-a možda će biti računalo, preciznije inteligentni sustav koji će uz sve karakteristike i sposobnosti našeg junaka iz prošlosti imati i sposobnost nemjerljivo bržeg rješavanja zamršenih slučajeva. No u  nekim stvarima zasigurno će mu teško biti nadmašiti Holmesa. Taj novi junak teško da će se moći mjeriti sa svojim pretkom u šarmu i osobnosti, kao karakteristikama u kojima je ljudsku vrstu teško nadmašiti. (G.K.)