Wat is anomaly detection in finance en hoe werkt het?

Het opsporen van anomalieën en nieuwe gebeurtenissen is van vitaal belang voor de financiële dienstensector. Naarmate de financiële omgevingen veranderen, het gebruik van digitale technologie toeneemt en de gegevens zich met toenemende snelheid en in steeds groter volume verplaatsen, wordt het probleem van het opsporen van anomalieën in real time op grote schaal een steeds grotere uitdaging.

Meer weten over anomaly detection finance? Lees het hier. 

Wat is anomaly detection in finance?

Anomaliedetectie (ook bekend als uitbijteranalyse) is een stap in datamining die datapunten, gebeurtenissen en/of observaties identificeert die afwijken van het normale gedrag van een dataset. Afwijkende gegevens kunnen wijzen op kritieke incidenten, zoals een technische storing, of potentiële kansen, bijvoorbeeld een verandering in consumentengedrag. Machine learning wordt steeds vaker gebruikt om anomaliedetectie te automatiseren.

Toepassingen in de financiële dienstensector

Meerdere industrieën zijn getuige van een exponentiële toename van de beschikbaarheid van streaming grote hoeveelheden gegevens. Dit geldt zeker voor de financiële sector. Grotendeels gedreven door een toename van instrumentatie, zowel aan de front-end als aan de back-end toepassingen, hebben we nu een enorm aantal systemen die voortdurend veranderende gegevens in real time produceren. Deze gegevens zijn representatief voor de gezondheid en het welzijn van het systeem en de toepassingen. Vandaar, is elke afwijking van het gedrag in het verleden, die ongewoon en significant is, van bijzonder belang en kan actie vereisen. Het opsporen van anomalieën wordt dus steeds meer de kern van veel bedrijfsactiviteiten. Een anomalie is een waarneming die zo sterk afwijkt van de andere waarnemingen dat het vermoeden rijst dat zij door een ander mechanisme is veroorzaakt (Hawkins, 1980). 

Anomalieën wijzen vaak op iets interessants, zoals een ongewoon hoge vraag, of iets dat verkeerd gaat, zoals een dreigend falen, en als zodanig heeft anomaliedetectie in veel verschillende domeinen veel aandacht gekregen. Anomalie detectie technieken zijn over het algemeen gebaseerd op het bepalen wat normale gegevens zijn en het identificeren van afwijkingen van het normale. Het probleem van anomaliedetectie is om verschillende redenen moeilijk. Ten eerste, is het vaak moeilijk te bepalen wat de normale waarnemingen zijn. Ten tweede kunnen de normale gegevens veranderen met de tijd. Bijvoorbeeld, het aankoopgedrag van een klant kan in de tijd evolueren en het is gemakkelijk om de aankoop van een geheel nieuw artikel als een anomalie te beschouwen.  

Hoe werkt anomaly detection in betalingen en financiën? 

De anomaly detection in finance voor transactiegegevens is voordelig, omdat deze eenvoudige binaire antwoorden biedt. Elke onverwachte verandering van normale gegevens patronen of een gebeurtenis die niet overeenkomt met de model voorspellingen, wordt als een anomalie beschouwd. Als een transactie verdacht lijkt, kan het systeem de klant vragen om details te verifiëren of aanvullende verificatiestappen te doorlopen. Door meerdere datapunten te analyseren, kan anomalie detectie worden toegepast om technische storingen, storingen en potentiële kansen zoals een positieve verandering in consumentengedrag te signaleren.

Er zijn echter geen universele patronen of business as usual als het gaat om het dagelijks leven. Hetzelfde ongewoon grote aantal betalingen dat op Black Friday wordt verwacht, zou op elke andere dag opvallen, en vice versa. Maar zelfs de meest bekende pieken in de natuurlijke conjunctuurcyclus kunnen van tijd tot tijd verschuiven. De pandemie van het coronavirus leidde bijvoorbeeld tot een torenhoge hoeveelheid online betalingen en een daling van aankopen in de winkel. 

Op regels gebaseerde benaderingen versus machinaal leren

Een manier om dit probleem aan te pakken zou kunnen zijn om een ​​aantal hardgecodeerde criteria te bedenken voor ‘normale’ transacties die gebaseerd zijn op domeinkennis. We kunnen bijvoorbeeld weten dat transacties van rekening  x  op dag  y meestal niet hoger zijn dan een bepaald bedrag; dus alle transacties die niet aan deze voorwaarde voldoen, kunnen worden gemarkeerd als afwijkingen. Het nadeel van dit soort benadering is dat we van tevoren moeten weten hoe een uitbijter eruit gaat zien. In de meeste gevallen is het zelfs voor domeinexperts niet haalbaar om te anticiperen op alle vormen die een anomalie zou kunnen aannemen, aangezien de ruimte van mogelijke criteria te groot is om handmatig te zoeken. Gelukkig is dit een probleem waarbij machine learning ons kan helpen. In plaats van bepaalde criteria voor uitbijterdetectie te moeten definiëren, kunnen we een model bouwen dat deze criteria leert (hoewel minder expliciet) door te trainen op grote hoeveelheden gegevens. 

Wil je meer informatie over Tuuring.com? Klik dan op de website.