Edistynyt petostentorjunta pankkisektorilla
Anthoni, Eelis (2024-05-13)
E. Anthoni
13.05.2024
© 2024 Eelis Anthoni. Ellei toisin mainita, uudelleenkäyttö on sallittu Creative Commons Attribution 4.0 International (CC-BY 4.0) -lisenssillä (https://creativecommons.org/licenses/by/4.0/). Uudelleenkäyttö on sallittua edellyttäen, että lähde mainitaan asianmukaisesti ja mahdolliset muutokset merkitään. Sellaisten osien käyttö tai jäljentäminen, jotka eivät ole tekijän tai tekijöiden omaisuutta, saattaa edellyttää lupaa suoraan asianomaisilta oikeudenhaltijoilta.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-202405133405
https://urn.fi/URN:NBN:fi:oulu-202405133405
Tiivistelmä
Tämän pro gradu -tutkielman tarkoituksena on tutkia edistyneen petostentorjunnan menetelmiä pankkisektorilla. Tutkielma keskittyy pääasiallisesti ohjattuun oppimiseen perustuviin tiedonlouhinnan algoritmeihin. Tutkielmassa käsitellään myös edistyneen petostentorjunnan haasteita, sekä pankkisektorilla tapahtuvien petosten seurauksia. Tutkielman lopussa käydään läpi kolme tapaustutkimusta petostentorjunnan alalta, sekä vertaillaan menetelmien soveltuvuutta petostentorjuntaan.
Tutkielmaan muotoutui seuraavat tutkimuskysymykset: Kuinka pankkisektorilla toimivat organisaatiot voivat hyödyntää edistynyttä teknologiaa, kuten tiedonlouhintaa petostentorjunnassa? Mitkä ovat nykyaikaisen, pääasiassa tiedonlouhintaa hyödyntävien petosten tunnistamismenetelmien haasteet? Miten nämä nykyaikaiset, tiedonlouhintaa hyödyntävät petostentorjunnan menetelmät ovat menestyneet tapaustutkimuksissa?
Lähdemateriaalina tähän pro gradu -tutkielmaan on käytetty vertaisarvioituja tieteellisiä artikkeleita, alan tietokirjallisuutta, sekä tietotekniikan ja laskentatoimen alan johtavien organisaatioiden verkkosivulta löytyviä materiaaleja. Tutkimuksen tieteelliset lähdemateriaalit on etsitty Oulun yliopiston tarjoamista tietokannoista, joita ovat muun muassa Scopus, Web of Science, Oula-Finna, EBSCO ja ProQuest.
Tutkielman keskeisten löydösten perusteella voidaan todeta, että etenkin luottokorttipetosten tapauksissa jo yksinkertaisemmilla ohjatun oppimisen tiedonlouhinnan algoritmeilla saavutetaan hyviä tuloksia. Tilinpäätöspetosten ja rahanpesun torjunnassa on suositeltavaa hyödyntää kehittyneempiä menetelmiä, kuten syväoppimista. Haasteita petostentorjunnalle luo muun muassa vinoutuneet data-aineistot, luokitteluongelmat ja yksityisyydensuojaan liittyvät seikat.
Tutkielmaan muotoutui seuraavat tutkimuskysymykset: Kuinka pankkisektorilla toimivat organisaatiot voivat hyödyntää edistynyttä teknologiaa, kuten tiedonlouhintaa petostentorjunnassa? Mitkä ovat nykyaikaisen, pääasiassa tiedonlouhintaa hyödyntävien petosten tunnistamismenetelmien haasteet? Miten nämä nykyaikaiset, tiedonlouhintaa hyödyntävät petostentorjunnan menetelmät ovat menestyneet tapaustutkimuksissa?
Lähdemateriaalina tähän pro gradu -tutkielmaan on käytetty vertaisarvioituja tieteellisiä artikkeleita, alan tietokirjallisuutta, sekä tietotekniikan ja laskentatoimen alan johtavien organisaatioiden verkkosivulta löytyviä materiaaleja. Tutkimuksen tieteelliset lähdemateriaalit on etsitty Oulun yliopiston tarjoamista tietokannoista, joita ovat muun muassa Scopus, Web of Science, Oula-Finna, EBSCO ja ProQuest.
Tutkielman keskeisten löydösten perusteella voidaan todeta, että etenkin luottokorttipetosten tapauksissa jo yksinkertaisemmilla ohjatun oppimisen tiedonlouhinnan algoritmeilla saavutetaan hyviä tuloksia. Tilinpäätöspetosten ja rahanpesun torjunnassa on suositeltavaa hyödyntää kehittyneempiä menetelmiä, kuten syväoppimista. Haasteita petostentorjunnalle luo muun muassa vinoutuneet data-aineistot, luokitteluongelmat ja yksityisyydensuojaan liittyvät seikat.
Kokoelmat
- Avoin saatavuus [42503]
Ellei muuten mainita, aineiston lisenssi on https://creativecommons.org/licenses/by/4.0/