KR101753474B1 - 예측적 사기 스크리닝 - Google Patents

예측적 사기 스크리닝 Download PDF

Info

Publication number
KR101753474B1
KR101753474B1 KR1020150110520A KR20150110520A KR101753474B1 KR 101753474 B1 KR101753474 B1 KR 101753474B1 KR 1020150110520 A KR1020150110520 A KR 1020150110520A KR 20150110520 A KR20150110520 A KR 20150110520A KR 101753474 B1 KR101753474 B1 KR 101753474B1
Authority
KR
South Korea
Prior art keywords
transaction
probability
fraud
transactions
chargeback
Prior art date
Application number
KR1020150110520A
Other languages
English (en)
Other versions
KR20160017629A (ko
Inventor
로어 카니스
세드릭 플로리몽
티보 앙드레봉
Original Assignee
아마데우스 에스.에이.에스.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US14/452,941 external-priority patent/US9412107B2/en
Priority claimed from EP14290230.3A external-priority patent/EP2983119A1/en
Application filed by 아마데우스 에스.에이.에스. filed Critical 아마데우스 에스.에이.에스.
Publication of KR20160017629A publication Critical patent/KR20160017629A/ko
Application granted granted Critical
Publication of KR101753474B1 publication Critical patent/KR101753474B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0225—Avoiding frauds

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)

Abstract

본 발명은 거래를 스크리닝하기 위한 방법들, 시스템들 및 컴퓨터 프로그램 제품들에 관한 것이다. 거래 데이터베이스에 저장되는 거래들은 계류중인 거래들에 대한 사기 확률을 결정하기 위한 통계적 기반을 제공할 수 있다. 사기 비용은 사기 확률에 기초하여 복수의 가능한 액션들의 각각에 대해 결정될 수 있으며, 그 액션은 선택된 최저 사기 비용을 제공한다. 누적 사기 비용은 데이터베이스에서의 거래들의 세트에 대해 결정될 수 있다. 거래에 대한 최저 사기 비용으로 액션을 취하는 것이 더 높은 누적 사기 비용을 발생시킬 것이라면, 거래에 대해 더 높은 사기 비용을 가지는 액션가 선택될 수 있다. 거래는 데이터베이스에 추가될 수 있고, 사기 확률은 거래의 승인 이후의 시간량에 기초하여 조정된다. 통계적 기반은 비용 오차에 기초하여 최적화될 수 있다.

Description

예측적 사기 스크리닝{PREDICTIVE FRAUD SCREENING}
본 발명은 일반적으로 컴퓨터들 및 컴퓨터 시스템들에 관한 것으로, 특히, 사기에 대해 거래들을 스크리닝하는(screening) 방법들, 시스템들 및 컴퓨터 프로그램 제품들에 관한 것이다.
관광 산업(travel industry)에서, 항공권들(airline tickets)이 종종 여행사(travel agency)와 같은 간접 판매자(indirect seller)를 통해 판매된다. 간접 판매자는 이용가능한 항공편들 또는 여행자의 여행 계획들(travel plans)을 충족시키는 다른 여행 서비스들에 대해 일반적으로 체크할 것이고, 일단 매칭되는 서비스들이 발견되면, 여행자를 위한 서비스들을 예약하고(book) 대금(payment)을 징수한다. 대금은 종종 구매되는 여행 서비스들의 비용을 여행자에 의해 제공되는 신용카드 계좌로 과금함으로써 징수되며 간접 판매자 또는 인증 항공사(validating carrier)가 상인으로서의 역할을 한다.
신용카드 거래들은 전형적으로 인증(authorization) 및 지불(settlement)의 2-스테이지(stage) 프로세스를 포함한다. 거래 시에, 구매량, 상인의 아이덴티티(identity), 신용카드 계좌 번호 및 유효 기간(expiration date)과 같은 거래 정보가 상인으로부터 발행 은행(issuing bank)에 전송된다. 발행 은행은 그 후에 신용카드가 유효한지를, 그리고 신용한도가 거래를 허용하는데 충분한지를 검증하기 위해 계좌를 체크할 수 있다. 은행이 거래를 승인한다면, 상인은 거래를 완료하고 티켓(ticket)을 여행자에게 발행한다. 대금을 받기 위해, 상인은 영업일(business day)의 마감시에 "수용 은행(acquiring bank)"에 승인된 인증들의 배치(batch)를 송신할 수 있다. 수용 은행은 그 후에, 전형적으로 카드 네트워크(card network) 또는 클리어링 하우스(clearing house)를 통해 발행 은행들에 대해 인증들을 조화시키고(reconcile) 전송할 수 있고, 상인의 계좌에 적립금들(funds)을 예치한다. 적립금들은 그 후에 발행 은행으로부터 수용 은행에 전달되며, 발행 은행에 의해 카드소유자(cardholder)에게 청구서(bill)가 송부된다.
불운하게도, 부적절하게 취득하거나 훔친 신용카드들을 활용하여 비인증 구매들(unauthorized purchases)을 하는 부도덕한 개인들이 항공권들을 부정하게 구매하는데 신용카드들이 종종 사용된다. 진짜 카드소유자가 비인증 구매를 알아차릴 때, 카드소유자들은 발행 은행과 과금에 대해 분쟁할 수 있다. 이러한 분쟁은 전형적으로 거래의 비용에 대해 상인에게 발행되는 "지불거절(chargeback)"을 초래한다. 거래가 발생한 후에 여행 서비스들이 통상적으로 사용되는 최대 수개월까지 지불거절들이 수신될 수 있다. 따라서, 사기성 신용카드 거래들은 일반적으로 여행 서비스들의 비용을 되찾을 수 없는 상인들에게 상당한 손해를 초래한다.
따라서, 불법적인 과금들의 발생률(incidence)을 감소시키고 여행 서비스들의 불법적인 구매들로 인해 상인들 및 여행 서비스 제공자들에게 초래되는 손실들을 감소시키도록, 거래들을 분석하여 사기를 검출하기 위한 개선된 시스템들, 방법들 및 컴퓨터 프로그램 제품들이 필요하다.
본 발명의 일 실시예에서, 거래들을 스크리닝하는 방법이 제공된다. 방법은 제 1 거래를 특징짓는 제 1 데이터를 수신하는 단계, 및 제 1 데이터에 기초하여 제 1 거래가 사기일 제 1 확률을 결정하는 단계를 포함한다. 방법은 제 1 거래에 대한 지불거절이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신하는 단계, 및 제 1 확률 및 제 1 거래의 승인 이후의 시간량에 기초하여 제 1 거래가 사기일 제 2 확률을 결정하는 단계를 더 포함한다. 방법은 그 후에 제 2 데이터 및 제 2 확률에 적어도 부분적으로 기초하여 제 2 거래가 사기일 제 3 확률을 결정할 수 있다.
본 발명의 다른 실시예에서, 거래들을 스크리닝하기 위한 장치가 제공된다. 장치는 프로세서 및 프로세서에 연결되는(coupled) 메모리를 포함한다. 메모리는 프로세서에 의해 실행될 때, 장치로 하여금 제 1 거래를 특징짓는 제 1 데이터를 수신하게 하고 제 1 데이터에 기초하여 제 1 거래가 사기일 제 1 확률을 결정하게 하는 명령어들을 포함한다. 장치는 또한 제 1 거래에 대한 지불거절이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신할 수 있고, 제 1 확률 및 제 1 거래의 승인 이후의 시간량에 기초하여 제 1 거래가 사기일 제 2 확률을 결정할 수 있다. 장치는 또한 제 2 데이터 및 제 2 확률에 적어도 부분적으로 기초하여 제 2 거래가 사기일 제 3 확률을 결정할 수 있다.
본 발명의 다른 실시예에서, 명령어들을 포함하는 비-일시적(non-transitory) 컴퓨터-판독가능한 스토리지 매체(computer-readable storage medium)를 포함하는 컴퓨터 프로그램 제품이 제공된다. 명령어들은 프로세서에 의해 실행될 때, 프로세서로 하여금 제 1 거래를 특징짓는 제 1 데이터를 수신하게 하고 제 1 데이터에 기초하여 제 1 거래가 사기일 제 1 확률을 결정하게 하도록 구성될 수 있다. 명령어들은 또한 프로세서로 하여금 제 1 거래에 대한 지불거절이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신하게 할 수 있고, 제 1 확률 및 제 1 거래의 승인 이후의 시간량에 기초하여 제 1 거래가 사기일 제 2 확률을 결정하게 할 수 있다. 프로세서는 또한 제 2 데이터 및 제 2 확률에 적어도 부분적으로 기초하여 제 2 거래가 사기일 제 3 확률을 결정할 수 있다.
본 발명의 다른 실시예에서, 제 1 거래를 정의하는 데이터를 수신하는 단계를 포함하는 거래들을 스크리닝하는 방법이 제공된다. 방법은 제 1 액션(action)을 취하기 위한 제 1 사기 비용 및 제 2 액션을 취하기 위한 제 2 사기 비용을 결정하는 단계를 더 포함할 수 있다. 제 2 사기 비용이 제 1 사기 비용을 초과하는데 응답하여, 방법은 제 2 액션을 취함으로써 야기될 수 있는 거래들의 테스팅(testing) 세트에 대한 누적 사기 비용의 감소를 결정할 수 있다. 방법은 또한 제 1 사기 비용과 제 2 사기 비용 사이의 제 1 차이를 결정할 수 있고, 감소가 제 1 차이보다 더 크다면, 제 2 액션을 취할 수 있다.
본 발명의 다른 실시예에서, 거래들을 스크리닝하기 위한 장치가 제공된다. 장치는 프로세서 및 프로세서에 연결되는 메모리를 포함한다. 메모리는 프로세서에 의해 실행될 때, 장치로 하여금 제 1 거래를 정의하는 데이터를 수신하게 하는 명령어들을 포함한다. 명령어들은 또한 장치로 하여금 제 1 액션을 취하기 위한 제 1 사기 비용 및 제 2 액션을 취하기 위한 제 2 사기 비용을 결정하게 하도록 구성될 수 있다. 제 2 사기 비용이 제 1 사기 비용을 초과하는데 응답하여, 장치는 제 2 액션을 취함으로써 거래들의 테스팅 세트에 대한 누적 사기 비용의 감소를 결정할 수 있고, 제 1 사기 비용과 제 2 사기 비용 사이의 제 1 차이를 결정할 수 있다. 감소가 제 1 차이보다 더 크다면, 장치는 제 2 액션을 취할 수 있다.
본 발명의 다른 실시예에서, 명령어들을 포함하는 비-일시적 컴퓨터-판독가능한 스토리지 매체를 포함하는 컴퓨터 프로그램 제품이 제공된다. 명령어들은 프로세서에 의해 실행될 때, 프로세서로 하여금 제 1 거래를 정의하는 데이터를 수신하게 하도록 구성될 수 있다. 명령어들은 또한 제 1 액션을 취하기 위한 제 1 사기 비용 및 제 2 액션을 취하기 위한 제 2 사기 비용을 결정하도록 구성될 수 있다. 제 2 사기 비용이 제 1 사기 비용을 초과하는데 응답하여, 명령어들은 제 2 액션을 취함으로써 거래들의 테스팅 세트에 대한 누적 사기 비용의 감소를 결정할 수 있고, 제 1 사기 비용과 제 2 사기 비용 사이의 제 1 차이를 결정할 수 있다. 감소가 제 1 차이보다 더 크다면, 명령어들은 제 2 액션을 취할 수 있다.
본 명세서에 통합되고 일부를 구성하는 첨부 도면들은 본 발명의 다양한 실시예들을 예시하며, 상술한 본 발명의 개괄적 설명, 및 이하에 주어지는 실시예들의 상세한 설명과 함께, 본 발명의 실시예들을 설명하기 위한 것이다.
도 1은 네트워크를 통해 통신하는 복수의 컴퓨팅 시스템들(computing systems)을 포함하는 예시적인 동작 환경의 도식도이다.
도 2는 도 1의 예시적인 컴퓨팅 시스템의 도식도이다.
도 3은 사기 스크리닝 모듈(fraud screening module), 사기 확률 모듈(fraud probability module) 및 거래 데이터베이스(transaction database)를 포함하는 거래 스크리닝 시스템의 개략도이다.
도 4는 도 3의 거래 스크리닝 시스템에 의해 스크리닝되는 거래에 대한 사기 비용과 사기 확률 사이의 관계를 도시하는 그래픽도이다.
도 5는 거래에 관한 지불거절을 수신하는 확률과 거래의 승인(acceptance) 이후의 시간량 사이의 관계를 도시하는 확률 밀도 함수의 그래픽도이다.
도 6은 도 3의 거래 스크리닝 시스템에 의해 수행될 수 있는 거래 스크리닝 프로세스의 흐름도이다.
본 발명의 실시예들은 거래에 대한 사기 비용을 결정함으로써, 여행 서비스를 구매하기 위한 거래와 같은 거래를 승인할지 거절할지 여부를 결정하는 방법들 및 시스템들에 관한 것이다. 본 발명의 실시예들은 하나 또는 그 이상의 네트워킹된(networked) 컴퓨터들 또는 서버들을 포함하는 거래 스크리닝 시스템에 의해 구현될 수 있다. 네트워킹된 컴퓨터들은 전역 분배 시스템(Global Distribution System: GDS)을 포함할 수 있으며, 사기에 대해 거래들을 분석하는 여행-관련(travel-related) 시스템들 및 모듈들을 위한 프로세싱 및 데이터베이스 기능들을 제공할 수 있다.
거래 스크리닝 시스템은 장래 거래들에 대한 사기 확률을 추정하기 위한 통계 기반(statistical basis)을 제공하는 이력 거래들(historical transactions)의 세트를 포함하는 거래 데이터베이스를 포함할 수 있다. 거래 데이터베이스를 초기화하기 위해, 초기 사기 확률은 이력 거래들의 세트에서의 거래들의 각각에 대해 설정될 수 있다. 적합한 간격들로, 또는 새로운 정보가 수신됨에 따라, 사기 확률이 업데이트될 수 있다. 새로운 정보는 지불거절의 수신 또는 거래 데이터베이스에서의 거래에 대한 지불거절(chargeback)을 수신하지 않고서 허용가능한 지불거절 기간의 만료를 포함할 수 있다. 사기 추정들의 확률은 그에 의해 이용가능한 가장 최신 정보로 현재 유지될 수 있다.
새로운 거래들에 대한 요청들이 수신됨에 따라, 거래 데이터베이스에서의 데이터에 기초하여 새로운 거래들에 대해 사기 확률이 추정될 수 있다. 사기 확률은 잘못된 예측에 의해 초래되는 추가적인 사기 비용을 포착하기 위해 오차 함수를 사용하는 학습 알고리즘(learning algorithm)에 기초하여 파라미터화될 수 있다. 사기 비용은 그에 의해 올바르지 않은 예측들 및 올바른 예측들 둘 다에 기초하여 최적의 판단(decision)을 행하는 것과 연계될 수 있다. 승인 거래들의 결과들이 지속적으로 알려지기 때문에, 일단 결과가 알려지면 승인 거래들에 대한 사기 예측들은 제로(지불거절이 수신되지 않음) 또는 1(unity)(지불거절이 수신됨)의 사기 확률을 할당받을 수 있다.
본 발명의 실시예들은 그 거래에 대한 사기 비용에만 기초하여 거절될 거래들을 승인함으로써 시스템이 학습하게 할 수 있는 피처(feature)를 더 포함할 수 있다. 이를 위해, 그렇지 않으면 거절되었을 거래를 허용함으로써 얻어지는 정보로부터 사기 비용에서의 예상 변화가 복수의 거래들에 걸쳐 결정될 수 있다. 다른 거래들에 대한 사기 비용을 추정하는 능력에서의 예상 개선이 거래를 허용하기 위한 사기 비용을 오프셋(offset)한다면, 거래가 허용될 수 있다. 본 발명의 실시예들은 또한 승인 판단이 이루어져야 하는 거래에 관련한 정보뿐 아니라, 이전의 거래들에 관한 확률 정보를 고려함으로써 온라인 사기 스크리닝(online fraud screening)을 확장하는 피처들을 포함할 수 있다.
이제 도 1을 참조하면, 본 발명의 실시예에 따른 동작 환경(10)은 전역 분배 시스템(GDS)(12), 항공사(carrier) 시스템(14)과 같은 하나 또는 그 이상의 여행 서비스 제공자 시스템들, 여행사 시스템(16)과 같은 하나 또는 그 이상의 간접 판매자 시스템들, 수용 은행 시스템(18), 발행 은행 시스템(20) 및 비용청구 및 지불 플랜(Billing and Settlement Plan: BSP) 시스템(22)을 포함할 수 있다. GDS(12), 항공사 시스템(14), 여행사 시스템(16), 수용 은행 시스템(18), 발행 은행 시스템(20) 및 BSP 시스템(22)의 각각은 네트워크(24)를 통해 통신할 수 있다. 항공사 시스템(14)은 GDS(12)나 여행사 시스템(16)이 항공권들을 예약하거나 그에 대해 지불하게 할 수 있는 컴퓨터 예약 시스템(Computer Reservation System)(CRS) 또는 비용청구 시스템을 포함할 수 있다. 항공사 시스템(14)은 또한 유효한 항공사가 운영 항공사(operating carrier)에 의해 제공되는 좌석들에 대한 티켓들을 판매하게 할 수 있도록, 직접 또는 GDS(12)를 통해 다른 항공사 시스템들(도시되지 않음)과 상호작용할 수 있다. 운영 항공사는 그 후에 제공 서비스들에 대해 유효한 항공사에게 비용청구할 수 있다. 간접 판매자들과 여행 서비스 제공자들 사이의 비용청구는 BSP 시스템(22)에 의해 제공될 수 있다. 수익은 또한 간접 판매자들로부터 직접(즉, BSP의 사용없이) 되찾아질 수 있으며, 이 경우에 여행 상품 제공자(예를 들어, 유효한 항공사)는 임의의 발행 메모들(issued memos)이 지불됨을 보장할 수 있다. 네트워크(24)는 데이터의 교환을 가능하게 할 수 있는 하나 또는 그 이상의 사설 또는 공공 네트워크들(예를 들어, 인터넷)을 포함할 수 있다.
GDS(12)는 여행사들, 유효한 항공사들 또는 다른 간접 판매자들이 GDS(12)를 통해 항공사 시스템(14) 상의 예약들을 예약하게 할 수 있음으로써 항공사 시스템(14)과 여행사 시스템(16) 사이의 통신을 용이하게 하도록 구성될 수 있다. GDS(12)는 네트워크(24)를 통해 복수의 항공사 시스템들에 대한 링크들을 유지할 수 있으며, 이는 GDS(12)가 유효한 항공사 또는 여행사로부터 대응하는 운영 항공사로의 예약 요청들을 라우팅하게 할 수 있다. 항공사 시스템(14) 및 여행사 시스템(16)은 그에 의해 GDS(12)에 대한 단일 접속을 통해 다수의 항공사들에 관한 비행들을 예약할 수 있다.
여행사 시스템(16), 수용 은행 시스템(18) 및 발행 은행 시스템(20)은 거래를 실행하는데 필요한 데이터를 교환하도록 구성될 수 있다. 이를 위해, 거래 시에, 여행사 시스템(16)은 발행 은행 시스템(20)에 인증 요청을 전송할 수 있다. 인증 요청을 수신하는데 응답하여, 발행 은행 시스템(20)은 신용카드 계좌가 유효한지, 그리고 거래량을 커버하기 위해 계좌가 충분한 잔여 크레디트(credit)를 가지는지를 검증할 수 있다. 발행 은행 시스템(20)은 그 후에 여행사 시스템(16)에 인증 응답을 전송할 수 있다. 이러한 응답은 거래가 승인되었거나, 거절되었음을 표시할 수 있거나, 추가의 정보를 요청할 수 있다. 일단 거래가 완료되면, 여행사 시스템(16)은 수용 은행 시스템(18)에 거래를 특징짓는 데이터를 전송할 수 있다. 이 데이터는 영업일의 종료시와 같은 기간의 종료시에 배치 파일(batch file)의 일부로서 전송될 수 있다. 수용 은행 시스템(18)은 그 후에 여행사의 계좌로 적립금들을 예치할 수 있고, 여행 서비스들을 구매하기 위해 사용되는 신용카드들의 대응하는 발행 은행들로부터 적립금들을 되찾을 수 있다.
BSP 시스템(22)은 운영 항공사의 이름으로의 티켓 판매를 보고하는 여행사 또는 유효한 여행사의 매표소(ticketing office)로부터 데이터를 수신하도록 구성될 수 있다. 미국에서, 항공사 보고 회사(Airline Reporting Corporation: ARC)는 통상적으로 이러한 서비스를 제공한다. 어쨌든, BSP는 여행사들과 유효한 항공사들 사이의 계좌들을 결정하는(settles) 클리어링 하우스를 제공하는 비즈니스 프로세스 아웃소서(Business Process Outsourcer: BPO)로서 작용할 수 있다. 다른 시스템들(도시되지 않음)은 또한 IATA 클리어링 하우스(ICH) 또는 항공사 클리어링 하우스(Airlines Clearing House: ACH)에 의해 운영되는 시스템들과 같은 운영 및 유효한 항공사들 사이의 계좌들을 결정하기 위해 네트워크(24)에 접속될 수 있다. 어쨌든, 이들 다양한 클리어링 하우스 시스템들은 다른 비지니스 엔티티(entity)에 의해 판매되는 서비스들을 제공하기 위해 운영 항공사에 의한 요금들(fares)의 수집을 용이하게 할 수 있다.
이제 도 2를 참조하면, 운영 환경(10)의 GDS(12), 항공사 시스템(14), 여행사 시스템(16), 수용 은행 시스템(18), 발행 은행 시스템(20) 및 BSP 시스템(22)은 예시적인 컴퓨터 시스템(26)과 같은 하나 또는 그 이상의 컴퓨터 디바이스들 또는 시스템들 상에 구현될 수 있다. 컴퓨터 시스템(26)은 프로세서(28), 메모리(30), 대용량 스토리지(mass storage) 메모리 디바이스(32), 입력/출력(I/O) 인터페이스(34) 및 휴먼 머신 인터페이스(Human Machine Interface: HMI)(36)를 포함할 수 있다. 컴퓨터 시스템(26)은 또한 네트워크(24) 또는 I/O 인터페이스(34)를 통해 하나 또는 그 이상의 외부 자원들(38)에 동작적으로 연결(coupled)될 수 있다. 외부 자원들은 서버들, 데이터베이스들, 대용량 스토리지 디바이스들, 주변 디바이스들, 클라우드-기반(cloud-based) 네트워크 서비스들 또는 컴퓨터 시스템(26)에 의해 사용될 수 있는 임의의 다른 적합한 컴퓨터 자원을 포함할 수 있지만, 이들로 제한되는 것은 아니다.
프로세서(28)는 마이크로프로세서들, 마이크로제어기들, 디지털 신호 프로세서들, 마이크로컴퓨터들, 중앙 프로세싱 유닛들, 필드 프로그램가능한 게이트 어레이들(field programmable gate arrays), 프로그램가능한 논리 디바이스들, 상태 머신들, 논리 회로들, 아날로그 회로들, 디지털 회로들 또는 메모리(30)에 저장되는 동작 명령어들에 기초하여 신호들(아날로그 또는 디지털)을 조작하는 임의의 다른 디바이스들로부터 선택되는 하나 또는 그 이상의 디바이스들을 포함할 수 있다. 메모리(30)는 판독-전용 메모리(read-only memory: ROM), 랜덤 액세스 메모리(random access memory: RAM), 휘발성 메모리, 비-휘발성 메모리, 정적 랜덤 액세스 메모리(static random access memory: SRAM), 동적 랜덤 액세스 메모리(DRAM), 플래시 메모리, 캐시 메모리 또는 정보를 저장할 수 있는 임의의 다른 디바이스를 포함하는(그러나 이들로 제한되지 않음) 단일 메모리 디바이스 또는 복수의 메모리 디바이스들을 포함할 수 있다. 대용량 스토리지 메모리 디바이스(32)는 하드 드라이브(hard drive), 광학 드라이브, 테이프 드라이브, 비-휘발성 고체 상태 디바이스(non-volatile solid state device), 또는 정보를 저장할 수 있는 임의의 다른 디바이스와 같은 데이터 스토리지 디바이스들을 포함할 수 있다.
프로세서(28)는 메모리(30)에 존재하는 운영 시스템(40)의 제어 하에 동작할 수 있다. 운영 시스템(40)은 메모리(30)에 존재하는 애플리케이션(42)과 같은 하나 또는 그 이상의 컴퓨터 소프트웨어 애플리케이션들로서 구체화되는 컴퓨터 프로그램 코드가 프로세서(28)에 의해 실행되는 명령어들을 가질 수 있도록 컴퓨터 자원들을 관리할 수 있다. 대안적인 실시예에서, 프로세서(28)는 애플리케이션(42)을 직접 실행할 수 있으며, 이 경우에 운영 시스템(40)이 생략될 수 있다. 하나 또는 그 이상의 데이터 구조들(44)은 또한 메모리(30)에 존재할 수 있고, 데이터를 저장하거나 조작하기 위해 프로세서(28), 운영 시스템(40) 또는 애플리케이션(42)에 의해 사용될 수 있다.
I/O 인터페이스(34)는 네트워크(24) 또는 외부 자원(38)과 같은 다른 디바이스들 및 시스템들에 프로세서(28)를 동작적으로 연결하는 머신 인터페이스를 제공할 수 있다. 애플리케이션(42)은 그에 의해 본 발명의 실시예들을 포함하는 다양한 피처들(features), 기능들, 애플리케이션들, 프로세스들 또는 모듈들을 제공하기 위해 I/O 인터페이스(34)를 통해 통신함으로써 네트워크(24) 또는 외부 자원(38)과 협력적으로 작업할 수 있다. 애플리케이션(42)은 또한 하나 또는 그 이상의 외부 자원들(38)에 의해 실행되는 프로그램 코드를 가질 수 있거나, 그렇지 않으면 컴퓨터 시스템(26) 외부의 다른 시스템 또는 네트워크 컴포넌트들에 의해 제공되는 기능들 또는 신호들에 의존할 수 있다. 또한, 무한(endless) 하드웨어 및 소프트웨어 구성들이 가능하다면, 당업자는 본 발명의 실시예들이 컴퓨터 시스템(26)에 대해 외부에 위치되고, 다수의 컴퓨터들 또는 다른 외부 자원들(38) 사이에 분배되거나, 클라우드 컴퓨팅 서비스와 같은 네트워크(24)를 통한 서비스로서 제공되는 컴퓨팅 자원들(하드웨어 및 소프트웨어)에 의해 제공되는 애플리케이션들을 포함할 수 있다.
HMI(36)는 사용자가 컴퓨터(26)와 직접 상호작용하게 허용하도록 알려진 방식으로 컴퓨터(26)의 프로세서(28)에 동작적으로 연결될 수 있다. HMI(36)는 비디오 또는 알파뉴메릭(alphanumeric) 디스플레이들, 터치 스크린, 스피커 및 데이터를 사용자에게 제공할 수 있는 임의의 다른 적합한 오디오 및 시각 표시자들을 포함할 수 있다. HMI(36)는 또한 사용자로부터 커맨드들 또는 입력을 수용할 수 있으며 기입된(entered) 입력을 프로세서(28)에 전송할 수 있는 알파뉴메릭 키보드, 포인팅 디바이스(pointing device), 키패드들(keypads), 푸시버튼들(pushbuttons), 제어 놉들(control knobs), 마이크로폰들 등과 같은 입력 디바이스들 및 제어부들을 포함할 수 있다.
데이터베이스(46)는 대용량 스토리지 메모리 디바이스(32) 상에 존재할 수 있고, 본원에 설명되는 다양한 시스템들 및 모듈들에 의해 사용되는 데이터를 수집하고 조직화하기 위해 사용될 수 있다. 데이터베이스(46)는 데이터 및 데이터를 저장하고 조직화하는 지원 데이터 구조들을 포함할 수 있다. 특히, 데이터베이스(46)는 관련 데이터베이스, 계층적(hierarchical) 데이터베이스, 네트워크 데이터베이스 또는 그 조합들을 포함하는(그러나 이들로 제한되지 않음) 임의의 데이터베이스 조직 또는 구조로 배치될 수 있다. 프로세서(28) 상의 명령어들로서 실행하는 컴퓨터 소프트웨어 애플리케이션의 형태에서의 데이터베이스 관리 시스템은 질문에 응답하여 데이터베이스(46)의 레코드들(records)에 저장되는 정보 또는 데이터를 액세스하기 위해 사용될 수 있으며, 여기서 질문은 운영 시스템(40), 다른 애플리케이션들(42) 또는 하나 또는 그 이상의 모듈들에 의해 동적으로 결정되고 실행될 수 있다. 본 발명의 일 실시예에서, 데이터베이스(46)는 계류중인 거래들에 대한 사기 확률을 추정하기 위한 통계적 기반을 제공하는 이력 거래 데이터를 포함하는 거래 데이터베이스(56)(도 3)를 포함할 수 있다.
이제 도 3을 참조하면, 거래 스크리닝 시스템(50)은 사기 스크리닝 모듈(52), 사기 확률 모듈(54) 및 거래 데이터베이스(56)를 포함할 수 있다. 거래 스크리닝 시스템(50)은 GDS(12), 항공사 시스템(14), 여행사 시스템(16), 수용 은행 시스템(18), 발행 은행 시스템(20), BSP 시스템(22) 또는 임의의 다른 적합한 컴퓨터 시스템 중 하나 또는 그 이상에 의해 제공될 수 있다. 동작에서, 사기 스크리닝 모듈(52)은 계류중인 거래를 특징짓는 거래 데이터(58)를 수신할 수 있다. 이 거래 데이터는 거래 승인 요청을 포함할 수 있고, 거래를 특징짓는 복수의 파라미터들을 포함할 수 있다. 이들 파라미터들은 구매자의 아이덴티티(identity), 여행 서비스에 대해 과금되는 가격, 지불 방법, 지불을 위해 인출되는 계좌(예를 들어, 신용카드 번호 및 발행 은행), 계좌와 관련되는 이름 또는 회사, 예약 코드, 티켓 상에 정렬되는 승객 이름, 비행 출발지, 비행 목적지, 비행의 시작전의 시간, 여행 날짜 및 시간, 하나 또는 그 이상의 경유 위치들(stopover locations), 서비스의 등급, 발행되는 티켓의 타입(예를 들어, 종이 또는 전자 티켓), 판매되는 여행 상품의 타입, 티켓들이 발행되어야 하는 여행자들의 수, 서비스를 제공하는 항공사의 아이덴티티, 판매자 또는 상인의 아이덴티티, 또는 거래, 거래의 위치, 또는 요청 디바이스의 IP 어드레스를 특징짓는 임의의 다른 적합한 데이터, 또는 거래를 특징짓는 임의의 다른 적합한 데이터를 포함할 수 있지만, 이들로 제한되는 것은 아니다.
사기 스크리닝 모듈(52)은 추정 사기 확률 PE(예를 들어, 지불거절을 수신하는 추정 확률) 및 통계 데이터를 사용하여 거래 데이터(58)를 분석할 수 있다. 추정 사기 확률 PE는 사기 확률 함수에 기초하여 추정 사기 확률 PE를 발생시킬 수 있는 사기 확률 모듈(54)에 의해 결정될 수 있다. 사기 확률 함수의 파라미터들은 거래 데이터베이스(56)에서의 데이터에 기초하여 결정되는 파라미터들의 세트를 포함할 수 있다. 거래 데이터(58)는 또한 예측 오차들에 기초하여 사기 스크리닝 모듈(52) 및 사기 확률 모듈(54)에서의 파라미터들을 조정하기 위해 그리고 거래 데이터베이스(56)를 업데이트하기 위해 사용될 수 있다.
이제 도 4를 참조하면, 그래프(60)는 거래가 사기일 확률 P에 대응하는 수평축(62), 및 거래를 승인하기 위해 예상된 사기 비용에 대응하는 수직 축(64)을 포함한다. 당업자는 본 발명의 실시예들을 더 명확하게 설명하기 위해 그래프(60)의 수평축(62) 및 수직축(64)의 스케일이 왜곡될 수 있음을 이해할 것이다. 그래프(60)는 4개의 함수들 또는 곡선들(66a, 66b, 68, 70)을 포함한다. 곡선들(66a, 66b, 68, 70)에 의해 표현되는 함수들은 거래를 수신하는데 응답하여 취해지는 서로 다른 액션들(actions)에 대한, 그리고 거래의 본질에 관한 서로 다른 가정들에 대한 사기 비용을 출력할 수 있다. 본 발명의 일 실시예에 따르면, 사기 확률 P에 기초하여 거래에 대한 사기 비용을 최소화하기 위한 예시적인 함수가 이하에 설명된 바와 같은 곡선들(66a, 66b, 68, 70)의 일부분들을 사용하여 정의될 수 있다.
예시적인 실시예에서, 모든 거래들을 승인하기 위한 사기 비용 CF는 곡선(66a)에 의해 표현될 수 있다. 이를 위해, 곡선(66a)은 상인의 책임 L 곱하기 사기 확률 P에 대응하는 라인을 포함할 수 있고, 따라서 CF = L×P이다. 즉, 곡선(66a)은 제로에서 수직 축을 교차하며 기울기 = L을 가지는 라인에 의해 정의될 수 있고, 임의의 추가적인 액션들을 수행하지 않고서 모든 거래들을 승인하기 위한 사기 비용 대 사기 확률 P를 표현할 수 있다. 일부 경우들에서, 상인의 책임 L은 거래량 A와 동일할 수 있다. 정해진 거래에 대한 상인의 책임 L은 또한 대행사 금고차전표(Agency Debit Memo: ADM)의 지불거절, 발생 및 관리를 프로세싱하는 예상 비용들, 및 사기성 거래를 승인하는 것으로부터 발생할 수 있는 임의의 다른 추가적인 비용들을 포함할 수 있다. 따라서, 곡선(66a)은 거래량 A에 더하여 예상된 사기 비용들을 반영할 수 있다.
거래를 승인하거나 거절하기 전에 보안성 검사가 수행되는 거래들에 대한 사기 비용은 곡선(68)에 의해 표현될 수 있다. 보안성 검사는 예를 들어, 이메일, 무선 전화 또는 카드소유자와 관련되는 다른 계좌에 전송되는 코드와 같은 여행자로부터의 추가적인 식별을 요청하는 것을 포함할 수 있다. 거래는 보안성 검사가 통과된다면 승인될 수 있으며, 보안성 검사가 통과되지 않는다면 거절될 수 있다. 보안성 검사는 또한 거래의 수동 검토(manual review), 또는 추가적인 보안성 층(security layer)의 실행을 수행하는 것을 포함할 수 있다. 어쨌든, 보안성 검사를 수행하는 것은 거래에 추가 비용들을 더할 수 있다. 예시적인 비용들은 구현을 위해 요구되는 비용들(예를 들어, 컴퓨터 시스템들, 데이터 접속들, 단말들 등의 구매들)과 같은 고정 비용들, 및 거래 당 비용(예를 들어, 보안성 검사를 제공하는 회사에 의한 과금들)과 같은 증대 비용들, 및 보안성 검사에 응답하여 거래를 완성하는데 실패하는 여행자로 인한 적법한 판매들의 손실과 관련되는 비용들을 포함할 수 있다.
이들 비용들은 기준 마커(72)에서 수직 축(64)을 교차하는 곡선(68)에 반영될 수 있다. P = 0%의 사기 확률을 가지는 거래에 대해, 예상된 지불거절 비용 또는 예상된 지불거절량이 $0.00(즉, 사기 확률 P 곱하기 지불거절량)이기 때문에, 기준 마커(72)에서의 사기 비용은 보안성 검사를 수행하는 분할상환 비용들(예를 들어, 거래 당 $1.50)에 기인할 수 있다. 지불거절을 수신하는 사기 확률 P가 증가함에 따라, 보안성 검사를 포함하는 각 거래에 대한 사기 비용은 곡선(68)의 하향 기울기에 의해 표시된 바와 같이, 사기성 과금들을 식별하는 보안성 검사로 인해 감소할 수 있다. 즉, 보안성 검사에 의해 식별된 사기성 거래들을 거절하는 것은 지불거절들의 수를 감소시킬 수 있으며, 그에 의해 보안성 검사 비용들을 오프셋한다. 따라서, 곡선(68)은 사기 확률 P가 증가하고 더 높은 퍼센티지의 거래들이 거절됨에 따라 하향으로 기울어질 수 있다.
일부 경우들에서, 보안성 검사는 허위 부정(false negative)을 되돌리는 확률을 가질 수 있다. 즉, 보안성 검사는 때때로 거래가 실제로는 사기인 때에 거래가 적법하다는 허위 표시를 제공할 수 있다. 허위 부정 결과들과 관련되는 비용들은 사기 확률 P가 증가함에 따라 거래들을 승인하기 위한 예상된 사기 비용을 증가시키는 경향이 있을 수 있다. 따라서, 일부 실시예들에서, 곡선(68)의 기울기는 보안성 검사를 통해 이루어지는 사기성 거래들의 수로 인해 평탄하거나 심지어 양수일 수 있다. 따라서, 당업자는 본 발명의 실시예들이 도 4에 도시되는 예시적인 곡선(68)에 제한되지 않음을 이해할 것이다.
모든 거래들을 거절하는 사기 비용은 곡선(70)에 의해 표현될 수 있으며, 비-사기성 거래들을 거절함으로 인해 손실된 판매들과 관련되는 비용을 표현할 수 있다. 사기성 거래를 거절함으로써 수익이 손실되지 않기 때문에, 곡선(70)은 사기 확률 P = 100%를 가지는 거래들에 대해 제로의 사기 비용을 제공할 수 있다. 곡선(70)은 따라서 기준 마커(74)에서 수평 축(62)을 교차하는 라인을 포함할 수 있으며, CF = A×(1-P)에 의해 정의될 수 있어, 거래를 거절하기 위한 사기 비용 CF = A는 P = 0%의 사기 확률을 가진다.
사기 비용을 최소화하기 위해, 본 발명의 실시예들은 거래를 승인할지 여부, 보안성 검사를 요청하고 그에 기초하여 거래를 승인할지 거절할지 여부, 또는 사기 확률 P에 기초하여 거래를 거절할지 여부를 결정할 수 있다. 도 4에 의해 도시되는 예시적인 실시예에 나타난 바와 같이, 곡선(66a)은 기준 마커(76a)(예를 들어, P = 2%의 사기 확률)에서 곡선(68)을 교차하고, 곡선(68)은 기준 마커(78)(예를 들어, P = 92% 사기 확률)에서 곡선(70)을 교차한다. 따라서, 본 도시된 실시예에서, 0% 내지 2% 사이의 사기 확률 P에 대해, 최저 사기 비용이 곡선(66a)에 의해 제공된다. 본 예시적인 실시예에 대한 사기 비용을 최소화하기 위해: (1) 0% 내지 2% 사이의 사기 확률 P를 가지는 거래들은 보안성 검사를 요청하지 않고서 승인되어야 하고; (2) 2% 내지 92% 사이의 사기 확률 P를 가지는 거래들은 요청된 보안성 검사를 해야 하고 그 결과에 기초하여 거래가 승인되거나 거절되며; 92%를 초과하는 사기 확률 P를 가지는 거래들은 보안성 검사를 실행하지 않고서 거절되어야 한다. 당업자들은 도시된 곡선들(66a, 66b, 68, 70)의 수 및 구성 둘 다가 단지 예시적 목적들을 위한 것임을 이해할 것이다. 본 발명의 실시예들은 따라서 예시적인 곡선들(66a, 66b, 68, 70), 기준 마커들(72, 74, 76a, 76b, 78) 또는 도 4에 도시되는 범위들 및 값들에 제한되지 않는다.
신용카드 거래들은 "카드 존재" 및 "카드 부존재" 거래들을 포함할 수 있다. 카드 부존재 거래들은 구매자가 물리적으로 존재하지 않을 때, 예를 들어, 거래가 전화를 통해 또는 온라인 여행사 웹사이트를 통해 수행될 때 발생한다. 구매자가 카드 부존재 거래들 동안 카드를 소지하지 않기 때문에, 간접 판매자는 구매자가 실제 카드소유자인지를 검증하기가 더 어려울 수 있다. 일부 경우들에서, 간접 판매자들과 항공사들 사이의 비용 청구 협정들은 근거 거래가 카드 부존재 거래였다면 사기성 과금들에 대한 책임을 간접 판매자에게 옮기게 할 수 있다.
따라서, 항공사가 상인인 경우의 간접 시장에서 팔리는 티켓들에 대해, 사기성 판매들에 대한 책임은 궁극적으로 간접 판매자의 책임(responsibiltiy)일 수 있다. 이러한 시나리오 하에서, 지불거절을 수신하는데 응답하여, 머천트 항공사(merchant carrier)는 간접 판매자에게 요금 플러스 ADM 프로세싱 수수료(fee)의 양을 지불할 것을 요청하면서 ADM을 간접 판매자에게 송신할 수 있다. 간접 판매자는 판매가 "카드 존재" 판매였음을 보여줄 수 없다면, 간접 판매자는 ADM에서의 과금들에 대해 항공사에게 변상해야 할 수 있다. 문제의 거래가 온라인 여행사 웹사이트를 통해 수행된 경우들에서, 거래는 전형적으로 카드부존재 거래일 것이며 간접 판매자는 판매를 증명하지 못할 수 있다. 따라서, 항공사들은 거래를 승인하거나, 거절하거나, 거래에 관한 더 많은 정보를 요청할지 여부를 결정할 때 간접 판매들과 직접 판매들 사이의 책임에서의 이러한 차이점을 고려하기를 원할 수 있다.
이를 위해, 항공사들은 각 간접 판매자에 대한 온라인 거래들인 총 거래들의 퍼센티지를 결정할 수 있다. 항공사는 그 후에 온라인 거래들인 그들의 총 거래들의 퍼센티지에 기초하여 각 간접 판매자에 대해 사기에 대한 상인의 책임 L을 조정할 수 있다. 예시적인 그래프(60)에서, 문제의 여행사는 온라인 웹사이트를 통해 그들의 거래들의 90%를, 그리고 사무실에서 사람으로 그들의 거래들의 10%를 수행할 수 있다. 본 예에서, 항공사는 이 여행사에 의해 이루어지는 각 거래에 대한 상인의 책임 L을 90%로 하향하여 조정하기를 원할 수 있다. 이러한 조정은 손실들이 이 여행사에 의해 온라인으로 수행되는 사기성 거래들의 큰 퍼센티지에 대해 손실들이 복구될 것이라는 예상에 기초할 수 있다. 상인의 책임 L에서의 하향 조정은 곡선(66b)에 의해 표시된 바와 같이, 사기 비용 CF에 대응하는 라인의 기울기에서의 대응하는 감소를 발생시킬 수 있다. 곡선(66b)은 차례로, 기준 마커(76a)로부터 기준 마커(76b)로 이동하는 곡선(68)과의 교차를 발생시킬 수 있다.
따라서, 항공사는 사기 비용을 최소화할 때 여행사에 의해 수행되는 온라인 거래들의 양을 고려한다면: (1) 0 내지 20%의 사기 확률 P를 가지는 거래들이 보안성 검사를 요청하지 않고서 승인되어야 하며; (2) 20% 내지 92%의 사기 확률 P를 가지는 거래들은 보안성 검사가 요청되어야 하며 거래는 그 결과에 기초하여 승인되거나 거절되어야 하며; 및 (3) 92%를 초과하는 사기 확률 P를 가지는 거래들은 보안성 검사를 실행하지 않고서 거절되어야 한다. 명확성의 목적을 위해, 곡선(68)의 기울기는 상인의 책임 L의 감소를 설명하기 위해 상기 예에서 조정되지 않았다. 그러나, 당업자는 상인의 책임 L에서의 변화들이 또한 곡선(68)을 정의하는 포인트들의 포지션들(positions)에 영향을 미칠 수 있으며, 추가로 기준 포인트들(76b 및 78)에서의 이동들에 기여하는 것을 이해할 것이다.
상술한 선택 프로세스는 사기 확률 P가 정확하다는 가정에 의존할 수 있다. 그러나, 어느 액션을 취할 것인가를 결정하기 위한 사기 확률 P는 사기 확률 모듈(54)에 의해 제공되는 추정 사기 확률 PE일 수 있으며, 지불거절이 거래에 대해 수신될 실제 사기 확률 PA와 다를 수 있다. 이러한 예측 오차를 감소시키고 변화하는 조건들에 시스템을 적응시키기 위해, 본 발명의 실시예들은 상인에 대한 추가적인 비용, 또는 "잘못된" 사기 확률 P를 예측함으로써 초래되는 "비용 오차" CE를 결정할 수 있고, 비용 오차 CE를 최소화하기 위해 사기 스크리닝 모듈(52), 사기 확률 모듈(54) 또는 거래 데이터베이스(56)에서의 파라미터들을 조정할 수 있다.
거래 스크리닝 시스템(50)은 문제의 거래에 대해 지불거절이 수신되었는지 여부에 기초하여 승인 거래들에 대한 추정 확률들 PE를 알려진 확률과 비교함으로써 거래 데이터베이스(56)에서 이력 데이터를 사용하여 비용 오차 CE를 결정할 수 있다. 예시로서, 분석되는 승인 거래에 대한 실제 사기 확률 PA는 수평 축 상의 100%에 있는 기준 마커(74)에 의해 표현될 수 있다. 지불거절이 문제의 거래에 관하여 수신되었기 때문에 실제 사기 확률 PA는 100%로 설정될 수 있다. 문제의 거래에 대해 사기 엔진에 의해 발생된 추정 사기 확률 PE는 수평 축(62) 상의 약 90%에 위치되는 기준 마커(80)에 의해 표현될 수 있다. 따라서, 이 거래에 대한 예측 오차는 약 10%일 수 있다.
실제 사기 확률 PA에 기초하여, ECOF를 최소화하기 위한 최적 판단은 곡선(70)에 의해 제공되었으며, 따라서 사기 확률 PE가 올바르다면, 보안성 검사를 요청하지 않고서 거래가 거절되었을 것이다. 반대로, 사기 확률 모듈(54)에 의해 발생되는 추정 사기 확률 PE에 기초하여, 사기 스크리닝 모듈이 보안성 검사를 요청하게 하는 판단이 곡선(68)에 의해 제공되었다. 본 예에서, 추정 사기 확률 PE에서의 부정확도들에 의해 야기되는 비용 오차 CE는 기준 마커(74)에 의해 표현되는 실제 사기 확률 PA에 대해 곡선(68)에 의해 제공되는 사기 비용 CF와 곡선(70)에 의해 제공되는 사기 비용 CF 사이의 차이(82), 예를 들어, 약 $0.50일 수 있다. 즉, 이러한 특정 예에서, 단순하게 거래를 부정하기보다는 오히려 보안성 검사를 수행하기를 선택하는 예상 비용은 문제의 거래에 대해 약 $0.50을 사기 비용 CF에 더할 것이다. 본 발명의 실시예에서, 복수의 이력 거래들에 대한 비용 오차 CE는 최소화되는 것인 비용 오차 함수를 제공할 수 있다. 즉, 거래 스크리닝 시스템(50)은 이력 거래들의 세트에 대해 비용 오차 CE를 최소화하기 위해 사기 스크리닝 모듈(52), 사기 확률 모듈(54) 또는 거래 데이터베이스(56)의 파라미터들을 조정할 수 있다.
알고리즘을 파라미터화하기 위해, 거래 데이터베이스(56)에 저장된 이력 데이터가 오차 함수들의 합계를 최소화하도록 사용될 수 있다. 오차 최소화 함수들의 올바른 적합도(fit) 및 수렴(convergence)을 보장하기 위해 사용될 수 있는 방법들은 파라미터들의 세트 θ를 랜덤하게 초기화하는 단계, 및 확률론적 기울기 강하(stochastic gradient descent)를 사용하여 파라미터들의 세트 θ에 대한 최적 값들을 향해 수렴시키는 단계를 포함할 수 있다. 이것은 규칙화 파라미터 λ의 사용을 포함할 수 있다. 이를 위해, 이력 데이터는 트레이닝 세트 TR(예를 들어, 이력 데이터의 60%)로; 크로스-확인(cross-validation) 세트 CV(예를 들어, 이력 데이터의 20%), 및 테스팅(testing) 세트 TE(예를 들어, 이력 데이터의 20%)로 분리될 수 있다. 규칙화 파라미터 λ는 다음의 함수를 최소화하면서 적합도를 초과하거나 미달하는 것을 회피하기 위해 사용될 수 있다:
Figure 112015096141966-pat00001
오차를 결정하는 것은: (1) λ의 함수로서 파라미터들의 세트 θ의 값들을 결정하기 위해 트레이닝 세트 TE를 사용하는 것; (2) J(TR)~J(CV)가 최소화되도록 λ의 서로 다른 값들 사이를 구별하기 위해 그리고 λ를 선택하기 위해 크로스-확인 세트 CV를 사용하는 것; 및 (3) 결정된 λ에 대응하는 파라미터들의 세트 θ를 선택하는 것을 포함할 수 있다. "대표적인" 손실은 그 후에 J(TE)에 의해 결정될 수 있다.
이제 도 5를 참조하면, 그래프(90)는 거래에 관한 지불거절을 수신하기 위한 시간, 또는 지불거절량 밀도 함수에 관한 예시적인 확률 밀도 f(t)를 표현할 수 있는 플롯(92)을 도시한다. 확률 밀도 f(t)는 거래 데이터베이스(56)에서의 이력 거래 데이터에 기초하여 경험적으로 결정될 수 있다. 이를 위해, 확률 밀도 f(t)는 거래 데이터베이스(56)에서의 거래들의 세트에서의 각 거래에 대한 승인 날짜와 지불거절의 수신 날짜 사이의 시간량들로부터 결정되는 기준 분포에 기초할 수 있다.
거래의 승인 날짜로부터 시간 T에 의해 지불거절이 수신될 사기 확률 P(t)는 그 후에 다음에 의해 주어진 바와 같이, 플롯(92) 아래의 면적에 기초하여 결정될 수 있다:
Figure 112015096141966-pat00002
사기 확률 P는 지불거절 기간을 지난 거래 데이터베이스에서의 거래들의 세트에 기초하여 결정될 수 있다. 즉, 지불거절 기간 외의 거래들에 대해, 거래가 지불거절당하였고, 따라서 사기성인지 여부가 알려질 수 있다. 지불거절 기간을 지난 승인 거래들의 세트에 대한 사기 확률 P는 따라서 세트에서의 거래들의 총 수와 세트에서의 지불거절당한 수 사이의 비에 기초하여 결정될 수 있다. 플롯(92) 아래의 총 면적은 다음에 도시된 바와 같이 1이 될 수 있다:
Figure 112015096141966-pat00003
여기서 Tmax는 거래의 지불거절을 수신하기 위한 시간제한 또는 지불거절 기간이다. 즉, 일단 t > Tmax라면, 지불거절이 더 이상 수신되지 않을 수 있으며, 따라서 Tmax를 벗어난 확률 밀도 f(t) = 0이다.
지불거절을 수신하지 않았지만, 여전히 그들의 지불거절 기간 내에 있는 거래들에 대해, t에 관한 확률 P(t)는 다음과 같은 거래의 승인 이후로 지난 시간량에 기초하여 결정될 수 있다:
Figure 112015096141966-pat00004
P(t)에 대한 수식 및 예시적인 플롯(92)으로부터 알 수 있는 바와 같이, 정해진 거래에 대한 사기 확률 P(t)는 지불거절을 수신하지 않고서 시간이 지나감에 따라 강하할 수 있다. 예상 지불거절량은 지불거절의 비용(예를 들어, 거래 비용) 곱하기 사기 확률 P(t)를 곱함으로써 거래에 대해 결정될 수 있다.
거래 데이터베이스(56)를 초기화하기 위해, 초기 사기 확률 PI가 모든 거래들에 대해 설정될 수 있다. 이 값은 미리 결정될 값일 수 있거나, 이전의 회계 기간과 같은 이전의 사기 스크리닝 전략이 적용된 거래들에 기초할 수 있다. 초기 사기 확률 PI는 이력 거래들에 적용되는 승인 판단들에 기초하여 추정될 수 있다. 평균적으로, 승인 거래들에 대한 관찰 또는 통계적 사기 비율이 본원에서 X%로 지칭되는 특정 퍼센티지인 것으로 측정될 수 있다. 거래들이 승인되었다면 거절 거래들에 대해 수신되었을 지불거절들의 수가 알려지지 않기 때문에, 이들 거래들에 대한 사기 비율을 추정해야 할 수 있으며 간단하게 그 비율을 추정 퍼센티지로 설정해야 할 수 있다. 이러한 추정은 승인된 유사한 거래들에 대한 통계들에 기초할 수 있거나, 간단하게 경험에 기초하여 선택될 수 있다. 후속적인 반복들에 대해, 초기 사기 확률은 사기 확률 모듈(54)에 의해 제공될 수 있다. 거래를 승인할지 거절할지 여부의 판단이 보안성 검사의 결과에 기초하였다면, 사기 추정 확률은 이것을 고려할 수 있다.
이제 도 6을 참조하면, 흐름도는 거래들을 스크리닝하기 위해 거래 스크리닝 시스템(50)에 의해 실행될 수 있는 프로세스(100)를 도시한다. 블록(102)에서, 프로세스(100)는 새로운 거래를 위한 거래 데이터(58)를 수신할 수 있다. 거래 데이터(58)를 수신하는데 응답하여, 프로세스(100)는 블록(104)으로 진행할 수 있으며 거래에 대한 사기 확률 PE를 추정할 수 있다. 프로세스(100)가 아직 현재의 분석 기간에서 임의의 거래들을 프로세스해야 한다면, 추정 사기 확률 PE는 도 5에 관하여 상술한 바와 같이, 초기 사기 확률 PI에 설정될 수 있다. 초기 사기 확률 PI는 또한 거래 데이터(58)에 기초하여 사기 확률을 결정하는 초기 또는 미리 결정된 모델에 기초하여 결정될 수 있다. 예를 들어, 초기 사기 확률 PI는 이전의 회계 기간 동안 승인된 거래들에 대한 평균 관찰 사기 비율, 또는 이전의 회계 기간 동안 거부된(rejected) 거래들에 대한 추정 사기 비율의 조합에 기초할 수 있다. 즉, 프로세스(100)의 가장 빠른 반복에서, 거래 데이터베이스(56)에서의 데이터는 이전의 사기 스크리닝 전략이 적용된 경우의 거래들에 기초할 수 있다. 어쨌든, 추정 사기 확률 PE를 결정하는데 응답하여, 프로세스(100)는 블록(106)으로 진행할 수 있다.
블록(106)에서, 프로세스(100)는 추정 사기 확률 PE에 기초하여 거래에 대한 사기 비용 CF를 결정할 수 있다. 도 4에 관하여 상술한 바와 같이, 이러한 결정은 복수의 가능한 액션들 각각에 대한 사기 비용 CF를 발생시키는 것을 포함할 수 있다. 프로세스(100)는 그 후에 블록(108)으로 진행할 수 있으며 최저 사기 비용 CF를 생산하는 액션을 선택함으로써 어느 액션을 취할지에 관한 초기 판단을 할 수 있다. 본 발명의 실시예에서, 이용가능한 액션들은: (1) 거래를 승인하는 것; (2) 보안성 검사를 요청하는 것 및 그 결과에 응답하여 거래를 승인하거나 거절하는 것; 또는 (3) 보안성 검사를 요청하지 않고서 거래를 거절하는 것을 포함할 수 있다. 예를 들어, 거래를 승인하기 위한 사기 비용이 보안성 검사를 요청하거나 거래를 거절하기 위한 사기 비용보다 더 적다면, 초기 판단이 거래를 승인하는 것일 수 있다. 초기 판단이 결정되는데 응답하여, 프로세스(100)는 블록(110)으로 진행할 수 있다.
블록(110)에서, 프로세스(100)는 초기 판단이 거래를 거절하는 것인지 여부를 결정할 수 있다. 초기 판단이 거래를 거절하지 않는데 응답하여(판단 블록(110)의 "아니오" 분기), 프로세스(100)는 블록(114)으로 진행할 수 있다. 초기 판단이 거래를 거절하는데 응답하여, 프로세스(100)는 블록(112)으로 진행할 수 있다. 블록(112)에서, 프로세스(100)는 거래를 승인함으로써 복수의 거래들에 대한 누적 사기 비용에 관한 예상된 충격을 결정할 수 있다. 누적 사기 비용에 관한 충격이 거절된 거래에 대한 사기 비용보다 크다면, 거래 스크리닝 시스템(50)은 현재 거래를 승인하는 것이 거래를 거절하는 것보다 더 높은 사기 비용을 가진다는 사실에도 불구하고 현재 거래를 승인할 수 있다. 거래들이 승인되지 않는다면 지불거절들에 관한 데이터가 거래들에 관하여 수집되지 않기 때문에, 일부 경우들에서 거래에 대한 사기 비용에 기초하여 통상적으로 거절되는 거래를 승인하는 것이 유용할 수 있다. 이들 거래들의 일부분을 승인함으로써, 거래 스크리닝 시스템(50)은 통상적으로 거절되는 거래들에 관한 지불거절 데이터를 획득할 수 있다. 이 정보는 그 후에 사기 스크리닝 파라미터들을 업데이트하기 위해 사용될 수 있다.
예시로서, 특정 거래에 대해, 거래를 승인하기 위한 사기 비용 CF가 거래를 거부하는 사기 비용 CF보다 더 큰 것으로, 또는
Figure 112015096141966-pat00005
여기서 CLS는 잘못 거부된 거래로부터 발생하는 손실된 판매들의 비용이고, CP는 지불거절을 프로세싱하는 비용이고, CFL은 사기 책임 비용(예를 들어, 여행 서비스의 비용)이다.
정보를 획득하기 위해 거래가 승인된다면, 이 정보를 획득하기 위해 거래를 승인하는 비용 CA는 거래를 승인하는 사기 비용 CF와 거래를 거부하는 사기 비용 CF 사이의 차이에 의해 다음과 같이 주어질 수 있다:
Figure 112015096141966-pat00006
현재 거래에 관한 정보를 획득함으로써 장래 거래들에서 절약되는 예상된 누적 사기 비용 CF가 승인 비용 CA보다 더 크다면, 거래를 승인하는 것이 유용할 수 있다.
문제의 거래를 허용하기 위한 판단은 거래 트레이닝 세트의 구성에 관하여 3개의 시나리오들을 생산할 수 있다: (1) 추가적인 거래가 없는 현재 트레이닝 세트(TR0); (2) 추가적인 거래가 사기성임을 가정하는 현재 트레이닝 세트 플러스 추가 거래(TR1); 및 (3) 추가적인 거래가 사기성이 아님을 가정하는 현재 트레이닝 세트 플러스 추가 거래(TR2). 거래를 승인함으로써 정확도에서의 개선으로 인한 누적 사기 비용에서의 "이득" G를 결정하는 것은: (1) 각 트레이닝 세트 TR0, TR1, TR2에 대한 사기 확률 모듈(54)에 대한 파라미터들을 결정하는 것; (2) 테스팅 세트 TE에 걸친 파라미터들의 각 세트에 대한 누적 사기 비용 CF(TE, TR)를 계산하는 것; 및 (3) 추가적인 거래 없는 트레이닝 세트의 누적 사기 비용으로부터 추가적인 거래를 포함하는 트레이닝 세트들에 대한 누적 사기 비용들의 가중 합계를 감산하는 것을 포함할 수 있다. 이득 G는 다음의 수식 형태로 나타날 수 있다:
Figure 112015096141966-pat00007
따라서, 양의 이득 G는 현재 거래를 트레이닝 세트 TR에 추가하는 것으로부터 발생하는 테스팅 세트 TE에 걸친 누적 사기 비용 CF(TE, TR)에서의 예상된 감소를 표시할 수 있다. 이득 G가 문제의 거래에 대한 거래 승인 비용 CA보다 크다면, 프로세스(100)는 블록(114)으로 진행하기 전에 거래를 승인할 수 있다. 이득 G가 문제의 거래에 대한 거래 승인 비용 CA보다 크지 않다면, 프로세스(100)는 블록(114)으로 진행하기 전에 거래를 거절할 수 있다.
블록(114)에서, 프로세스는 지불거절들에 관한 정보와 같은 이전의 업데이트 이후에 수신되는 추가적인 정보에 기초하여 거래 데이터베이스(56)에서의 거래들에 대한 추정 사기 확률 PE를 업데이트할 수 있다. 이러한 업데이팅은 하루에 한번과 같은 규칙적 간격들로 발생할 수 있다. 지불거절들에 관한 새로운 정보가 거절된 거래들에 대해 수신되지 않을 수 있기 때문에, 거절 거래들에 대한 업데이트된 사기 확률 PE는 초기 사기 확률 PI로부터 변하지 않은 채로 남아있을 수 있다.
각 승인 거래는 3개의 상태들 중 하나를 가질 수 있다: (1) 지불거절이 수신되었음, 이 경우에 사기 확률 P는 그 거래에 대해 100%로 설정될 수 있다; (2) 지불거절이 수신되지 않았음, 이 경우에 그 거래에 대한 추정 사기 확률 PE는 지불거절을 수신하지 않고서 지나가는 각 추가 일(day)에 대해 감소할 수 있다; 및 (3) 지불거절을 수신하지 않고서 지불거절 기간이 만료되었음, 이 경우에 사기 확률 P는 그 거래에 대해 0%로 설정될 수 있다. 지불거절을 수신하지 않지만, 여전히 지불거절 기간 내에 있는 거래들에 대한 사기 확률 P의 감소는 도 5에 관하여 상술한 바와 같은 이력 데이터베이스에서의 데이터에 기초하여 추정될 수 있고 다음과 같이 주어진다:
Figure 112015096141966-pat00008
특정 조세관할권들에서, 가맹점 수수료들(merchant fees)은 회계 기간 동안 상인에 의해 승인된 사기성 거래들의 퍼센티지에 의존할 수 있다. 즉, 가맹점 수수료들은 사기성 거래들의 수 또는 달러량과 가맹점 수수료들이 평가되는 회계 기간 동안의 총 판매들 사이의 비에 의존할 수 있다. 이러한 변화를 설명하기 위해, 거래 스크리닝 시스템(50)은 가맹점 수수료들에 관한 사기성 거래들의 영향을 고려할 수 있다. 이를 위해, 거래 스크리닝 시스템(50)은 상인에 의한 판매들의 추정치에 기초한 예상 가맹점 수수료를 결정하도록 구성될 수 있다. 이러한 추정치는 상인에 의해 제공될 수 있거나, 상인에 대한 이력 판매 데이터, 연중 시각(time of year) 등과 같은 임의의 적합한 파라미터들의 세트에 기초하여 추정될 수 있다.
예시로서, 회계 기간의 종료인 n일까지, 거래 스크리닝 시스템(50)은 회계 기간 동안 m개의 거래들을 승인하였을 수 있다. 거래 스크리닝 시스템(50)은 다음의 수식을 사용하여 n일에 대한 누적 예상 지불거절량 CBE를 결정할 수 있다:
Figure 112015096141966-pat00009
여기서 Pi(n)은 n일에 관한 거래 i에 대한 업데이트된 사기 확률이고, C는 거래 i의 비용이거나, 지불거절의 비용이며, 그 중 하나는 수신되어야 한다.
회계 기간(예를 들어, 월, 분기, 년)의 각 부분-기간(예를 들어, 일) k에 대해, 승인된 각 거래에 대해, 사기 확률을 업데이트하는 배치 런(batch run)이 다음과 같이 실행될 수 있다: (1) 사기 확률 P가 1이라면(예를 들어, 지불거절이 수신되었음), P를 1과 같게 유지한다; (2) 지불거절이 n일에 수신되었다면, Pi(n) = 1로 설정한다; (3) 그렇지 않으면, 각 부분-기간 k에 대해,
Figure 112015096141966-pat00010
현재 부분-기간을 벗어난 부분-기간들을 설명하기 위해, 거래 스크리닝 시스템(50)은 회계 기간에 걸친 예상 지불거절량들의 분포를 획득하기 위해 몬테-카를로(Monte-Carlo) 시뮬레이션(simulation)을 수행할 수 있다. 이 시뮬레이션은 회계 기간 동안 판매들의 추정치에 적어도 부분적으로 기초할 수 있다. 예상 가맹점 수수료는 그 후에 기간동안 예상된 지불거절량 분포 및 추정 판매들에 기초하여 결정될 수 있다.
일반적으로, 운영 시스템 또는 특정 애플리케이션의 일부로서 구현되든지간에, 본 발명의 실시예들을 구현하기 위해 실행되는 루틴들, 컴포넌트, 프로그램, 객체, 모듈 또는 명령어들의 시퀀스, 또는 심지어 그 서브세트(subset)는 본원에서 "컴퓨터 프로그램 코드" 또는 간단하게 "프로그램 코드"로 지칭될 수 있다. 프로그램 코드는 전형적으로 컴퓨터에서 다양한 메모리 및 스토리지 디바이스들에서 여러 경우들로 존재하고, 컴퓨터에서 하나 또는 그 이상의 프로세서들에 의해 판독되고 실행될 때, 컴퓨터로 하여금 본 발명의 실시예들의 다양한 양상들을 구체화하는 동작들 및/또는 엘리먼트들을 실행하는데 필요한 동작들을 수행하게 하는 컴퓨터 판독가능한 명령어들을 포함한다. 본 발명의 실시예들의 동작들을 실행하기 위한 컴퓨터 판독가능한 프로그램 명령어들은 예를 들어, 어셈블리 언어 또는 하나 또는 그 이상의 프로그래밍 언어들의 임의의 조합으로 기록되는 소스 코드 또는 객체 코드일 수 있다.
본원에 설명되는 다양한 프로그램 코드는 본 발명의 특정 실시예들에 구현되는 것 내의 애플리케이션에 기초하여 식별될 수 있다. 그러나, 후속하는 임의의 특정 프로그램 명명법(nomenclature)은 단지 편의를 위해 사용되고, 따라서 본 발명은 그와 같은 명명법에 의해 식별되고 및/또는 암시되는 임의의 특정 애플리케이션에서만의 사용으로 제한되어서는 안 되는 것이 인식되어야 한다. 더욱이, 일반적으로 컴퓨터 프로그램들이 루틴들, 절차들, 메소드들(methods), 모듈들, 객체들 등으로 조직화될 수 있는 수많은 방식들뿐 아니라, 프로그램 기능이 전형적인 컴퓨터 내에 존재하는 다양한 소프트웨어 층들(예를 들어, 운영 시스템들, 라이브러리들, API들, 애플리케이션들, 애플릿들(applets) 등) 중에 할당될 수 있는 다양한 방식들이 정해지면, 본 발명의 실시예들이 본원에 설명되는 프로그램 기능의 특정 조직화 및 할당에 제한되는 것이 아님이 인식되어야 한다.
본원에 설명되는 애플리케이션들/모듈들 중 임의의 것에 구체화되는 프로그램 코드는 다양한 서로 다른 형태들로의 프로그램 물건으로서 개별적으로 또는 집합적으로 배포될 수 있다. 특히, 프로그램 코드는 프로세서로 하여금 본 발명의 실시예들의 양상들을 실행하게 하기 위해 그 위에 컴퓨터 판독가능한 프로그램 명령어들을 가지는 컴퓨터 판독가능한 스토리지 매체를 사용하여 배포될 수 있다.
본질적으로 비-일시적인 컴퓨터 판독가능한 스토리지 매체는 컴퓨터-판독가능한 명령어들, 데이터 구조들, 프로그램 모듈들 또는 다른 데이터와 같은 정보의 스토리지를 위한 임의의 방법 또는 기술로 구현되는 휘발성 및 비-휘발성, 그리고 분리성(removable) 및 비-분리성 탠저블(tangible) 매체를 포함할 수 있다. 컴퓨터 판독가능한 스토리지 매체는 RAM, ROM, 소거가능한 프로그램가능 판독-전용 메모리(erasable programmable read-only memory: EPROM), 전기적으로 소거가능한 프로그램가능 판독-전용 메모리(electrically erasable programmable read-only memory: EEPROM), 플래시 메모리 또는 다른 고체 상태 메모리 기술, 휴대용 컴팩트 디스크 판독-전용 메모리(compact disc read-only memory: CD-ROM), 또는 다른 광학 스토리지, 자기 카세트들, 자기 테이프, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 원하는 정보를 저장하기 위해 사용될 수 있고 컴퓨터에 의해 판독될 수 있는 임의의 다른 매체를 더 포함할 수 있다. 컴퓨터 판독가능한 스토리지 매체는 일시적 신호들 그 자체로(예를 들어, 전자기 파들을 전파하는 라디오 파들 또는 기타, 도파관(waveguide)과 같은 전송 매체를 통해 전파하는 전자기 파들 또는 와이어를 통해 전송되는 전기 신호들) 해석되어서는 안 된다. 컴퓨터 판독가능한 프로그램 명령어들은 컴퓨터, 다른 타입의 프로그램가능한 데이터 프로세싱 장치, 또는 컴퓨터 판독가능한 스토리지 매체로부터 다른 디바이스 또는 네트워크를 통해 외부 컴퓨터 또는 외부 스토리지 디바이스에 다운로딩될 수 있다.
컴퓨터 판독가능한 매체에 저장되는 컴퓨터 판독가능한 프로그램 명령어들은 컴퓨터 판독가능한 매체에 저장되는 명령어들이 흐름도들, 시퀀스 도들 및/또는 블록도들로 특정되는 기능들, 작용들(acts) 및/또는 동작들을 구현하는 명령어들을 포함하는 제조 물건을 생산하도록, 컴퓨터, 다른 타입들의 프로그램가능한 데이터 프로세싱 장치 또는 특정 방식으로 기능하는 다른 디바이스들을 유도하기 위해 사용될 수 있다. 컴퓨터 프로그램 명령어들은 하나 또는 그 이상의 프로세서들을 통해 실행하는 명령어들이 일련의 컴퓨테이션들(computations)로 하여금 흐름도들, 시퀀스 도들 및/또는 블록도들로 특정되는 기능들, 작용들 및/또는 동작들을 구현하도록 수행되게 하기 위해, 일반 목적 컴퓨터, 특별 목적 컴퓨터 또는 머신을 생산하기 위한 다른 프로그램가능 데이터 프로세싱 장치에 제공될 수 있다.
특정 대안적인 실시예들에서, 흐름도들, 시퀀스 도들 및/또는 블록도들로 특정되는 기능들, 작용들 및/또는 동작들은 재정렬, 직렬로 프로세싱, 및/또는 본 발명의 실시예들과 일관되게 동시적으로 프로세싱될 수 있다. 더욱이, 흐름도들, 시퀀스 도들 및/또는 블록도들 중 임의의 것은 본 발명의 실시예들과 일관되게 예시된 것들보다 더 많거나 더 적은 블록들을 포함할 수 있다.
본원에 사용되는 용어는 특정 실시예들만을 설명할 목적을 위한 것이고 본 발명의 실시예들을 제한하려는 것이 아니다. 본원에 사용된 바와 같이, 단수 형태들 "a", "an" 및 "the"는 문맥이 명확하게 달리 표시하지 않는 한 복수의 형태들을 또한 포함하도록 의도된다. 본 명세서에 사용될 때 용어들 "포함하다(comprises)" 및/또는 "포함하는(comprising)"이 서술된 피처들, 정수들(integers), 단계들, 동작들, 엘리먼트들 및/또는 컴포넌트들의 존재를 명시하지만, 하나 또는 그 이상의 다른 피처들, 정수들, 단계들, 동작들, 엘리먼트들, 컴포넌트들, 및/또는 그 그룹들의 존재 또는 추가를 배제하지 않음이 더 이해될 것이다. 더욱이, 용어들 "포함하다(includes)", "가지는(having)", "가진다(has)", "가지는(with)", "~로 이루어지는(comprised of)" 또는 그 변형들이 상세한 설명 또는 청구범위에 사용되는 범위까지, 그와 같은 용어들은 용어 "포함하는(comprising)"에 유사한 방식으로 포괄되도록 의도된다.
모든 발명은 다양한 실시예들의 설명에 의해 예시되었고 이들 실시예들이 상당히 상세하게 설명되었지만, 첨부되는 청구범위의 범위를 그와 같은 상세로 국한하거나 어떤 식으로든 제한하는 것은 출원인의 의도가 아니다. 추가적인 장점들 및 수정들이 당업자들에게 용이하게 나타날 것이다. 더 넓은 양상들에서의 발명은 따라서 도시되고 설명되는 특정 상세들, 대표적인 장치 및 방법, 그리고 예시적인 예들로 제한되지 않는다. 따라서, 출원인의 보편적 발명 개념의 정신 또는 범위로부터 이탈하지 않고서 그와 같은 상세들로부터 일탈들이 이루어질 수 있다.

Claims (39)

  1. 거래를 스크리닝(screening)하는 방법에 있어서,
    컴퓨터에서, 제 1 거래를 특징짓는 제 1 데이터를 수신하는 단계;
    상기 컴퓨터에 의해, 사기(fraud) 확률과 각각 연관된 제 1 복수의 거래를 포함하는 거래 데이터베이스에 상기 제 1 거래를 저장하는 단계;
    상기 컴퓨터에 의해, 상기 거래 데이터베이스 내의 하나 이상의 거래의 상기 사기 확률 및 상기 제 1 데이터에 기초하여 상기 제 1 거래가 사기일 제 1 확률을 결정하는 단계;
    상기 컴퓨터에 의해, 상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 1 확률로 설정하는 단계;
    상기 컴퓨터에서, 상기 제 1 거래에 대한 지불거절(chargeback)이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신하는 단계;
    상기 컴퓨터에 의해, 상기 거래 데이터베이스 내의 거래들에 기초하여, 상기 지불거절을 수신하기 위한 시간에 관한 확률 밀도 함수(probability density function)를 결정하는 단계;
    상기 컴퓨터에 의해, 상기 제 1 거래의 승인 이후의 시간량에 대응하는 상기 확률 밀도 함수의 일부의 면적(area)을 결정하는 단계;
    상기 컴퓨터에 의해, 상기 제 1 확률 및 상기 면적에 기초하여 상기 제 1 거래가 사기일 제 2 확률을 결정하는 단계;
    상기 컴퓨터에 의해, 상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 2 확률로 업데이트하는 단계; 및
    상기 컴퓨터에 의해, 상기 거래 데이터베이스 내의 상기 제 1 거래의 상기 업데이트된 사기 확률 및 상기 제 2 데이터에 적어도 부분적으로 기초하여 상기 제 2 거래가 사기일 제 3 확률을 결정하는 단계
    를 포함하는, 거래를 스크리닝하는 방법.
  2. 제1항에 있어서,
    상기 확률 밀도 함수를 결정하는 단계는,
    지불거절이 수신된 상기 거래 데이터베이스 내의 제 2 복수의 거래를 결정하는 단계; 및
    각 거래의 승인 및 대응하는 지불거절의 수신(receipt) 사이의 시간량에 관하여 상기 제 2 복수의 거래에 대한 기준 분포(reference distribution)를 결정하는 단계
    를 포함하고,
    상기 확률 밀도 함수는 상기 기준 분포에 기초하여 결정되는 것인, 거래를 스크리닝하는 방법.
  3. 제1항에 있어서,
    상기 제 1 거래 및 상기 제 2 거래는 제 2 복수의 거래를 포함하고, 각 거래는 승인 날짜(date of acceptance)를 가지고 복수의 부분-기간(sub-period)을 포함하는 회계 기간(accounting period) 내에 발생하고,
    상기 방법은,
    상기 회계 기간에서의 각 거래에 대해,
    상기 지불거절이 수신되었는지 여부를 결정하는 단계;
    상기 지불거절이 수신되지 않았다면 상기 거래에 대한 상기 사기 확률을 상기 거래에 대한 제 2 확률로 설정하는 단계;
    상기 지불거절이 수신되었다면 상기 거래에 대한 사기 확률을 1(unity)로 설정하는 단계; 및
    상기 거래에 대한 예상 지불거절량을 생성하기 위해 상기 거래에 대한 상기 사기 확률과 상기 거래의 비용을 곱하는 단계
    를 더 포함하는, 거래를 스크리닝하는 방법.
  4. 제3항에 있어서,
    상기 제 2 복수의 거래 중 적어도 일부분은 간접 판매자에 의해 수행되는 거래를 포함하며,
    상기 방법은,
    카드 부존재(card not present) 거래인 상기 일부분에서의 거래의 퍼센티지(percentage)를 결정하는 단계; 및
    상기 퍼센티지에 기초하여 상기 간접 판매자에 의해 수행되는 거래에 대한 상기 예상 지불거절량을 조정하는(adjusting) 단계
    를 더 포함하는, 거래를 스크리닝하는 방법.
  5. 제3항에 있어서,
    상기 지불거절을 수신하는데 응답하여, 근거 거래(underlying transaction)가 카드 부존재 거래인지 여부를 결정하는 단계; 및
    상기 근거 거래가 상기 카드 부존재 거래임에 응답하여, 상기 지불거절을 복구시키기 위해 대행사 금고차전표(agency debit memo)를 생성하는 단계
    를 더 포함하는, 거래를 스크리닝하는 방법.
  6. 제3항에 있어서,
    누적 예상 지불거절량(cumulative expected chargeback amount)을 생산하기 위해 상기 예상 지불거절량을 합산하는 단계; 및
    상기 누적 예상 지불거절량에 기초하여 예상 가맹점 수수료(merchant fee)를 결정하는 단계
    를 더 포함하는, 거래를 스크리닝하는 방법.
  7. 제6항에 있어서,
    상기 제 2 거래에 대한 상기 예상 지불거절량 및 상기 예상 가맹점 수수료에 기초하여 상기 제 2 거래에 대한 사기 비용(cost of fraud)을 결정하는 단계를 더 포함하는, 거래를 스크리닝하는 방법.
  8. 제6항에 있어서,
    상기 제 2 복수의 거래는 상인에 의한 것이고,
    상기 방법은, 상기 회계 기간에 걸쳐 상기 상인에 대한 지불거절량 밀도 함수를 결정하는 단계를 더 포함하는, 거래를 스크리닝하는 방법.
  9. 제8항에 있어서,
    상기 지불거절량 밀도 함수를 결정하는 단계는,
    현재 부분-기간(sub-period)까지 그리고 현재 부분-기간을 포함하는 각 부분-기간에 대한 누적 예상 지불거절량을 생성하기 위해 상기 제 2 복수의 거래의 상기 예상 지불거절량을 합산하는 단계; 및
    상기 현재 부분-기간을 벗어난 각 부분-기간에 대한 예상 지불거절량의 분포를 획득하기 위해 몬테-카를로 시뮬레이션(Monte-Carlo simulation)을 수행하는 단계
    를 포함하고,
    상기 지불거절량 밀도 함수는 상기 누적 예상 지불거절량을 포함하는 것인, 거래를 스크리닝하는 방법.
  10. 거래를 스크리닝하기 위한 장치에 있어서,
    프로세서; 및
    명령어를 포함하는 메모리
    를 포함하고,
    상기 명령어는, 상기 프로세서에 의해 실행될 때, 상기 장치로 하여금,
    제 1 거래를 특징짓는 제 1 데이터를 수신하고,
    사기(fraud) 확률과 각각 연관된 제 1 복수의 거래를 포함하는 거래 데이터베이스에 상기 제 1 거래를 저장하고,
    상기 거래 데이터베이스 내의 하나 이상의 거래의 상기 사기 확률 및 상기 제 1 데이터에 기초하여 상기 제 1 거래가 사기일 제 1 확률을 결정하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 1 확률로 설정하고,
    상기 제 1 거래에 대한 지불거절(chargeback)이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신하고,
    상기 거래 데이터베이스 내의 거래들에 기초하여, 상기 지불거절을 수신하기 위한 시간에 관한 확률 밀도 함수(probability density function)를 결정하고,
    상기 제 1 거래의 승인 이후의 시간량에 대응하는 상기 확률 밀도 함수의 일부의 면적(area)을 결정하고,
    상기 제 1 확률 및 상기 면적에 기초하여 상기 제 1 거래가 사기일 제 2 확률을 결정하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 2 확률로 업데이트하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래의 상기 업데이트된 사기 확률 및 상기 제 2 데이터에 적어도 부분적으로 기초하여 상기 제 2 거래가 사기일 제 3 확률을 결정하게 하는 것인,
    거래를 스크리닝하기 위한 장치.
  11. 제10항에 있어서,
    상기 명령어는, 상기 장치로 하여금,
    지불거절들이 수신된 상기 거래 데이터베이스 내의 제 2 복수의 거래를 결정하는 것과,
    각 거래의 승인 및 대응하는 지불거절의 수신 사이의 시간량에 관하여 상기 제 2 복수의 거래들에 대한 기준 분포(reference distribution)를 결정하는 것에 의해,
    상기 확률 밀도 함수 － 상기 확률 밀도 함수는 상기 기준 분포에 기초하여 결정됨 － 를 결정하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  12. 제10항에 있어서,
    상기 제 1 거래 및 상기 제 2 거래는 제 2 복수의 거래를 포함하고, 각 거래는 승인 날짜(date of acceptance)를 가지고 복수의 부분-기간(sub-periods)을 포함하는 회계 기간(accounting period) 내에 발생하고,
    상기 명령어는 또한 상기 장치로 하여금, 상기 회계 기간에서의 각 거래에 대해,
    상기 지불거절이 수신되었는지 여부를 결정하게 하고,
    상기 지불거절이 수신되지 않았다면 상기 거래에 대한 상기 사기 확률을 상기 거래에 대한 제 2 확률로 설정하게 하고,
    상기 지불거절이 수신되었다면 상기 거래에 대한 사기 확률을 1(unity)로 설정하게 하고,
    상기 거래에 대한 예상 지불거절량을 생성하기 위해 상기 거래에 대한 상기 사기 확률과 상기 거래의 비용을 곱하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  13. 제12항에 있어서,
    상기 제 2 복수의 거래 중 적어도 일부분은 간접 판매자에 의해 수행되는 거래를 포함하며, 상기 명령어는 또한 상기 장치로 하여금,
    카드 부존재(card not present) 거래인 상기 일부분에서의 거래의 퍼센티지(percentage)를 결정하게 하고
    상기 퍼센티지에 기초하여 상기 간접 판매자에 의해 수행되는 거래에 대한 상기 예상 지불거절량을 조정하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  14. 제12항에 있어서,
    상기 명령어는 또한 상기 장치로 하여금,
    상기 지불거절을 수신하는데 응답하여, 근거 거래가 카드 부존재 거래인지 여부를 결정하게 하고,
    상기 근거 거래가 상기 카드 부존재 거래임에 응답하여, 상기 지불거절을 복구시키기 위해 대행사 금고차전표(agency debit memo)를 생성하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  15. 제12항에 있어서,
    상기 명령어는 또한 상기 장치로 하여금,
    누적 예상 지불거절량(cumulative expected chargeback amount)을 생산하기 위해 상기 예상 지불거절량을 합산하게 하고,
    상기 누적 예상 지불거절량에 기초하여 예상 가맹점 수수료(merchant fee)를 결정하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  16. 제15항에 있어서,
    상기 명령어는 또한 상기 장치로 하여금,
    상기 제 2 거래에 대한 상기 예상 지불거절량 및 상기 예상 가맹점 수수료에 기초하여 상기 제 2 거래에 대한 사기 비용을 결정하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  17. 제15항에 있어서,
    상기 제 2 복수의 거래는 상인에 의한 것이고,
    상기 명령어는 또한 상기 장치로 하여금,
    상기 회계 기간에 걸쳐 상기 상인에 대한 지불거절량 밀도 함수를 결정하게 하는 것인, 거래를 스크리닝하기 위한 장치.
  18. 명령어가 저장된 비-일시적 컴퓨터-판독가능한 스토리지 매체(non-transitory computer readable storage medium)에 있어서,
    상기 명령어는, 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    제 1 거래를 특징짓는 제 1 데이터를 수신하고,
    사기(fraud) 확률과 각각 연관된 복수의 거래를 포함하는 거래 데이터베이스에 상기 제 1 거래를 저장하고,
    상기 거래 데이터베이스 내의 하나 이상의 거래의 상기 사기 확률 및 상기 제 1 데이터에 기초하여 상기 제 1 거래가 사기일 제 1 확률을 결정하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 1 확률로 설정하고,
    상기 제 1 거래에 대한 지불거절(chargeback)이 수신될 수 있는 동안의 기간에서 발생하는 제 2 거래를 특징짓는 제 2 데이터를 수신하고,
    상기 거래 데이터베이스 내의 거래들에 기초하여, 상기 지불거절을 수신하기 위한 시간에 관한 확률 밀도 함수(probability density function)를 결정하고,
    상기 제 1 거래의 승인 이후의 시간량에 대응하는 상기 확률 밀도 함수의 일부의 면적(area)을 결정하고,
    상기 제 1 확률 및 상기 면적에 기초하여 상기 제 1 거래가 사기일 제 2 확률을 결정하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래에 대한 상기 사기 확률을 상기 제 2 확률로 업데이트하고,
    상기 거래 데이터베이스 내의 상기 제 1 거래의 상기 업데이트된 사기 확률 및 상기 제 2 데이터에 적어도 부분적으로 기초하여 상기 제 2 거래가 사기일 제 3 확률을 결정하게 하는 것인, 비-일시적 컴퓨터-판독가능한 스토리지 매체.
  19. 삭제
  20. 삭제
  21. 삭제
  22. 삭제
  23. 삭제
  24. 삭제
  25. 삭제
  26. 삭제
  27. 삭제
  28. 삭제
  29. 삭제
  30. 삭제
  31. 삭제
  32. 삭제
  33. 삭제
  34. 삭제
  35. 삭제
  36. 삭제
  37. 삭제
  38. 삭제
  39. 삭제
KR1020150110520A 2014-08-06 2015-08-05 예측적 사기 스크리닝 KR101753474B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US14/452,941 US9412107B2 (en) 2014-08-06 2014-08-06 Predictive fraud screening
US14/452,941 2014-08-06
EP14290230.3 2014-08-06
EP14290230.3A EP2983119A1 (en) 2014-08-06 2014-08-06 Predictive fraud screening

Publications (2)

Publication Number Publication Date
KR20160017629A KR20160017629A (ko) 2016-02-16
KR101753474B1 true KR101753474B1 (ko) 2017-07-04

Family

ID=55262601

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150110520A KR101753474B1 (ko) 2014-08-06 2015-08-05 예측적 사기 스크리닝

Country Status (3)

Country Link
KR (1) KR101753474B1 (ko)
AU (1) AU2015210357B2 (ko)
CA (1) CA2898945C (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180059203A (ko) * 2016-11-25 2018-06-04 공주대학교 산학협력단 지불 거절 사기 사용자의 예측 방법 및 프로그램
KR20180128874A (ko) * 2018-11-14 2018-12-04 주식회사 미탭스플러스 트랜잭션 검증을 이용한 암호화폐 거래소 입금 승인 장치 및 방법
US11704673B1 (en) * 2020-06-29 2023-07-18 Stripe, Inc. Systems and methods for identity graph based fraud detection

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001101154A (ja) 1999-09-29 2001-04-13 Nec Corp 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置
US20080288405A1 (en) 2007-05-20 2008-11-20 Michael Sasha John Systems and Methods for Automatic and Transparent Client Authentication and Online Transaction Verification
US20120158540A1 (en) 2010-12-16 2012-06-21 Verizon Patent And Licensing, Inc. Flagging suspect transactions based on selective application and analysis of rules

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001101154A (ja) 1999-09-29 2001-04-13 Nec Corp 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置
US20080288405A1 (en) 2007-05-20 2008-11-20 Michael Sasha John Systems and Methods for Automatic and Transparent Client Authentication and Online Transaction Verification
US20120158540A1 (en) 2010-12-16 2012-06-21 Verizon Patent And Licensing, Inc. Flagging suspect transactions based on selective application and analysis of rules

Also Published As

Publication number Publication date
AU2015210357B2 (en) 2016-12-01
CA2898945A1 (en) 2016-02-06
AU2015210357A1 (en) 2016-02-25
KR20160017629A (ko) 2016-02-16
CA2898945C (en) 2017-05-09

Similar Documents

Publication Publication Date Title
US20220327590A1 (en) Secure execution of an exchange item acquisition request
US9412107B2 (en) Predictive fraud screening
US20170262852A1 (en) Database monitoring system
KR20160017630A (ko) 예측적 사기 차단
Aladağ et al. Role of financial risks in BOT megatransportation projects in developing countries
CN112789614B (zh) 用于设计和验证细粒度事件检测规则的系统
WO2017105760A1 (en) Systems and methods for predicting chargebacks
US20230058786A1 (en) Multi-modal routing engine and processing architecture for orchestration of variable lending rate terms using cryptocurrency collateral
US20160232532A1 (en) Using revenue management to improve payment fraud screening
US20220335430A1 (en) Systems and methods for automated integration between payment facilitators and submerchants
KR101753474B1 (ko) 예측적 사기 스크리닝
JP2009541818A (ja) ネットワークで金融取引を行うためのシステム及び方法
CN114862110A (zh) 商业银行业务中台构建方法、装置、电子设备及存储介质
JP5592428B2 (ja) ネットワークで金融取引を行うためのシステム及び方法
US20150221025A1 (en) Method, system, and computer program product for determining a payment strategy
CN116362903A (zh) 一种资金协同管理系统、方法、电子设备及存储介质
US20220084035A1 (en) System and method for facilitating direct trading of electronic transactions
EP2983119A1 (en) Predictive fraud screening
US20230237569A1 (en) Prediction method based on merchant transaction data
KR102251472B1 (ko) 블록체인을 기반으로 한 선물 거래 방법 및 이러한 방법을 수행하는 장치
US20160260099A1 (en) Prioritizing transactions in a transaction queue
KR100737640B1 (ko) 담보콜거래 관리시스템 및 그 방법
KR101842686B1 (ko) 차량 구매를 위한 자금관리 서비스 제공 시스템
EP3057054A1 (en) Using revenue management to improve payment fraud screening
CA2919621A1 (en) Using revenue management to improve payment fraud screening

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant