Fraud Detection in mobile communication networks using data mining

Abstract

Sahtekarlık/kötü niyetli kullanım telekom endüstrisinde kayıp gelir'inönemli bir kaynağıdır. Etkin sahtekarlık keşfetme sistemleri ve analizsistemleri telekom operatörlerine çok para tasarruf ettirebilir.Otomatik sahtekarlık sistemleri, operatörlere sahtekarlık yapanlarıkeşfetme, servislerini reddetme ve kovuşturma olanağı vermektedir.Bu çalışmada, veri madenciliği yöntemleriyle normal kullanıcıları,sahtekearlık yapanlardan ayıran bir model geliştirmek için mobilabonelerin konuşma detay kayıtları(CDR's), demografik verileri ve ödemeverileri incelenmiştir. Önce açıklayıcı veri analizi ile veri setiincelenmiş ve abonelik süresi, paket tipi, cinsiyet, abonelik tipi,toplam fatura tutarı gibi değişkenlerin kötü niyetli kullanımıntespitinde önemli oldukları ortaya çıkmıştır. Daha sona k-meansalgoritması ile konuşma alışkanlıklarına gore abone kümelemesiyapılmıştır. Önem sırasına gore sıralanmış değişken seti ileilişkili/bağlantılı değişkenler nedeni ile factor analizi sonuçu eldeedilen değişken seti olmak üzere iki farklı değişken setikullanılmıştır.Son olarakta eğitim ve test setleri üzerinde karar ağaçları, kuraltabanlı methodlar, yapay sinir ağları gibi veri madenciliği teknikleriuygulanmış ve çıkan sonuçlar doğruluk, duyarlılık, özgüllük, hassaslıkve hata kareleri ortalamalarının karekökü(HKOK) gibi performansölçümlerine gore tartışılmıştır.Anahtar Kelimeler: Sahtekarlık, Mobil telekomünikasyon , Verimadenciliği, Yapay öğrenme

Fraud is a significant source of lost revenue to the telecom industry.Efficient fraud detection systems and analysis system can save telecomoperators a lot of money. Automated fraud detection systems enableoperators to respond to fraud by detection, service denial andprosecutions against fraud.In this study, we examine the call detail records (CDR?s), demographicdata and payment data of mobile subscribers in order to develop modelsof normal and fraudulent behavior via data mining techniques. First wehave done some Exploratory Data Analysis (EDA) on the data set anddiscovered that some variables like Account length, Package type,Gender, Type, Total Charged Amount showed important tendency forfraudulent use and then we applied k-means cluster method to clusterthe customer, based on their call behaviors. Standard variables withranked attributes and variables obtained from factor analysis due tosome correlated variables were used as two different set of variables.Finally we performed the data mining techniques-Decision trees, Rulebased methods, and Neural Networks- for both training and test sets andthen discussed the collected results based on performance measures suchas accuracy, sensitivity, specificity, precision and RMSE.Key words: fraud, mobile communication, data mining, machine learning