Fraud detection from anomalous user behavior in ERP systems using unsupervised machine learning methods

Abstract

Financial frauds are criminal activities that use deceptive tactics for gaining financial benefits. For years, companies and banks have sought after solutions for efficiently detecting and preventing fraudulent activities in order to minimize the damages caused by it. In Enterprise Resource Planning (ERP) systems criminals can cause significant damages to the company if they are able to gain access to the authentication information of another user for example by phishing. In this study, a fraud detection system utilizing unsupervised Machine Learning (ML) models is developed for flagging anomalous user actions. Data pre-processing and feature engineering are implemented and six different ML models for anomaly detection are compared. In order to determine how fit the models are for real time fraud detection, the models are evaluated based on their classification performance as well as the inference time. The results of the study reveal that autoencoder based models perform well for identifying anomalous user behavior, detecting fraudulent events with high accuracy and low inference time. The findings from the experiments indicate that anomalous user behavior can be detected with the ML solutions and an autoencoder based fraud detection system can be utilized in an ERP system to prevent fraudulent activities.

Talouspetokset ovat rikoksia, jotka hyödyntävät petollisia keinoja saavuttaakseen taloudellista hyötyä. Vuosien ajan yritykset ja pankit ovat etsineet ratkaisuja havaitsemaan ja estämään tehokkaasti petollista toimintaa minimoidakseen sen aiheuttamat vahingot. Taloushallinnon järjestelmissä rikolliset voivat aiheuttaa merkittävää vahinkoa yritykselle, mikäli he onnistuvat saamaan käyttöönsä toisen käyttäjän tunnistautumitiedot esimerkiksi tietojen kalastelulla. Tässä diplomityössä kehitetään petosten tunnistusohjelma merkitsemään käyttäjän poikkeavaa käyttäytymistä hyödyntäen ohjaamattomia koneoppimismalleja. Työssä toteutetaan datan esikäsittely ja ominaisuussuunnittelu sekä vertaillaan kuutta eri koneoppimismallia poikkeamien havaitsemiseen. Mallien sopivuutta reaaliaikaiseen petosten tunnistamiseen testataan eri luokittelun tehokkuuteen liittyvillä mittareilla, minkä lisäksi mallien päättelynopeutta mitataan. Tutkimuksen tulokset paljastavat autoenkoodaajapohjaisten mallien suoriutuvan parhaiten käyttäjän poikkeavan käyttäytymisen tunnistamisesta, tunnistaen petollisia tapauksia korkealla tarkkuudella ja lyhyellä päättelyajalla. Työn tulokset osoittavat, että poikkeavaa käyttäjän käyttäytymistä voidaan havaita koneoppimisratkaisuilla ja autoenkoodaajapohjaista petosten tunnistusohjelmaa voidaan hyödyntää taloushallinnon ohjelmistossa estämään petollisia toimia.