GSM şebekelerinde sahtekarlık yönetimi için veri madenciliği yöntemlerinin uygulanması

Abstract

Teknolojinin ve yerel ağ sistemlerinin hızlı gelişip yayılması, ağ sistemlerine izinsiz girişi de beraberinde getirdi. Bu zararı önlemek için, şirketler sahip olduğu ağlardaki veri akışının güvenliğini sağlamak amacıyla yeni sistemler geliştirmeye başladılar.Veri madenciliği tüm iş alanlarında uygulanabilen bir yöntem olsada, sıklıkla finans sektöründe, bankacılıkta, GSM sektöründe ve biomedical alanlarda; sahtekarlık belirleme, müşteri tutma, pazarlama ve risk yönetimi gibi amaçlar için kullanılmaktadır.Sahtekarlık yönetimi (Fraud Management) alanı, veri madenciliği teknikleri uygulanarak, verilerin anlamlı bilgilere dönüştürülebileceği alanlardan biridir. Geçmişte bu konuyla ilgili bir çok çalışma yapılmıştır. Bu çalışmalara, alan yazım çalışması bölümünde örnekler verilmiştir.Bu çalışmada; GSM sektörlerindeki sahtekarlık yönetimi için, müşteri verilerinin sınıflandırılması problemi üzerinde durulmuş ve sahtekarlık çeşitlerinden olan abone sahtekarlığı (invoice) incelenmiştir. Müşteri bilgileri olarak; yaş, cinsiyet, abonelik yaşı, ortalama aylık fatura tutarı, ortalama aylık kullanılan sms sayısı, geç ödenen fatura sayısı, son borç durumu, sondan 3. fatura ödemesi, sondan 2. fatura ödemesi, son fatura ödemesi ve fraud mu abone bilgilerine sınıflandırma yöntemleri uygulanmıştır. Sahtekarlığın kesin tanısının konulmasında ise, abonelerin ödeme ve ödememe durumları göz önünde bulundurulmuştur.Çalışmada uygulanan sınıflandırma yöntemleri; Weka 3.7.1 (Witten & Frank, 2005) veri madenciliği ara yüzü ile; Karar Ağaçları, Çok Katmanlı Algılayıcı, Bayes Kuralı, Bayesian Ağları, Part, Zeror, Oner, Rbf Ağları' dır. MATLAB 7.8.0 (R2009a) (Moler, 2008) Bulanık Mantık aracı kullanılmıştır. Uygulanan sınıflandırma yöntemleri neticesinde; Bulanık Mantık ile diğer sınıflandırma yöntemlerinin performansları kıyaslanmıştır.Yapılan çalışmalar sonucunda, Bulanık Mantık çalışmasının performansının diğer sınıflandırma yöntemleri olan, Karar Ağaçları, Çok Katmanlı Algılayıcı, Bayes Kuralı, Bayesian Ağları, Part, Zeror, Oner, Rbf Ağları' na göre daha tutarlı ve güvenilir olduğu gözlemlenmiştir.Anahtar Kelimeler: Sahtekarlık Yönetimi, Veri madenciliği, GSM Ağları, Bulanık Mantık

Development of the technology and the rapid spread of the local network caused unauthorized access to network systems. To prevent the loss, the companies begin to develop new systems to ensure safe of data flow owned by the network structures. Today, data mining is a data processing technology that is used to solve many problems.Data mining can be applied to all business areas such as financial industry, banking, telecom and biomedical fields and it is used for fraud detection, customer retention, amrketing and risk management such purposes.Fraud Detection is one of the methods that converts raw data to rich data using data mining technique. Significant number of studies was done about this matter. These studies mentioned in the literature review section.This study is focused on customer data classification problem concerning fraud detection in GSM workplaces and examines ?member fraud? (invoice).Classifications are made under customer information according to age, sex, age of membership, average monthly invoice, number of sms sent in a month, number of paid invoice that exceeded deadline, latest debt status, antepenultimate bill payment, penultimate bill payment, last bill payment and fraud information. Customers? paid and unpaid bill information is taken into consideration in order to reach definite diagnosis of fraud.Weka 3.7.1 (Witten, Frank, 2005), with data mining interface; Decision Trees, Multi-Layer Perceptron, Bayes Rule, Bayesian Networks, Part, Zeror, Oner and Rbf Networks are the classification methods that are used in this study. MATLAB 7.8.0 (R2009a) (Moler, 2008) is used for Fuzzy Logic operations.After many studies, the performance of Fuzzy Logic study is more reliable and more consistent than Decision Trees, Multi-Layer Perceptron, Bayes Rules, Bayesian Networks, Part, Zeror, Oner, Rbf Networks.Key Words: Fraud Management, Data Mining, GSM Network, ANFIS