Anomaly detection and anti-money laundering โดย ปัณณวิชญ์ วิศัลยาวัฒน์ อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์ ในงาน THE FIRST NIDA BUSINESS ANALYTICS AND DATA SCIENCES CONTEST/CONFERENCE จัดโดย คณะสถิติประยุกต์และ DATA SCIENCES THAILAND

1. Anomaly detection and anti-money laundering
The First NIDA Business Analytics and Data Sciences Contest/Conference
วันที่ 1-2 กันยายน 2559 ณ อาคารนวมินทราธิราช สถาบันบัณฑิตพัฒนบริหารศาสตร์
https://businessanalyticsnida.wordpress.com
https://www.facebook.com/BusinessAnalyticsNIDA/
อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
สาขาวิชา Business Analytics and Intelligence
สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์
นวมินทราธิราช 3002 วันที่ 1 กันยายน 2559 13.30-14.30 น.
ปัณณวิชญ์ วิศัลยาวัฒน์ วทม. (NIDA)
-หลักการในการตรวจสอบความผิดปกติ -การตรวจจับ pattern ของความผิดปกติ
-การตรวจจับ Outlier ตัวแปรเดียว สองตัวแปร และหลายตัวแปร
-การวิเคราะห์ส่วนเหลือ (Residual) สาหรับการตรวจสอบความผิดปกติ
-การวิเคราะห์ outlier เพื่อตรวจจับการฟอกเงินในการซื้อประกันภัย
-เราจะเชื่อได้แค่ไหนว่าหลักสถิติใช้ในการตรวจสอบการทุจริตได้จริง

2. Anomaly Detection
Arnond Sakworawich Ph.D.
Business Analytics and Intelligence Program
Actuarial Sciences and Risk Management Program
Graduate School of Arts and Sciences
National Institute of Development Administration

3. There is no crime without any trace!
-Large deviation from normal or average man or cluster.
-Large deviation from past behavior.
-Inconsistency with themselves and surroundings.
-Repeated anomaly pattern.
-Caution on statistical detection of cheating and anomalous detection
Anomaly Detection

4. Outlier Analysis
0
Percent
Loss
Large deviation from normal or average man or cluster.

5. Large deviation from normal or average man or cluster.
v
58
Severity
Frequency58

6. Loss58 = f(Frequency57, Severity57, ICD-1057, ICD-957
,ICD-1058, ICD-958, age, gender)
Loss58
58
Predictors
Under Predict (Fraud or abuse)
v
vvvvv
vvvvv
vvvvv
vv
vv
v
v
vv
v
vv
Large deviation from past behavior.

7. Large deviation from past behavior.
TOEFL time 2
TOEFL time 1
Under Predict (Fraud or abuse)
v
v
vv
vv
vv
vvv
vv
vvv
vv
vv
v
v
vv
v
v
v

8. Inconsistency with themselves and surroundings.
-Low ability test taker can answer difficult item.
-K-index for copying! Eight dimensions
-Scoring test with contaminated response vector
-Influence function + Robust estimators

10. -5 -4 -3 -2 -1 0 1 2 3
0
10
20
Pseudovalue Distribution for an Optima Examinee
Proficiency
Estimaate
Frequency
From Incorrect
Responses
From Correct
Responses

12. Repeated anomaly pattern.
Predictor
Probability
Y =
0 normal claim
1 Abuse claim
จาก สพตร.
Y = ICD10, ICD9, TMT, gender, age, Severityt-1
, Frequencyt-1, Severityt, Frequencyt,

13. Caution on statistical detection of cheating

14. PredictorCutoff 1 Cutoff2
Performance

16. • Positive Predictive Value: PPV
Caution on statistical detection of cheating
64.76 % 99.30%

17. • Statistical evidence as a red flag or warning
• Physical evidence is always needed.
• Early detection, protection, and prevention.
• Bayesian flip is needed.
Caution on statistical detection of cheating
P(Cheating=Yes|Detection=Yes)
P(Detection=Yes|Cheating=Yes)
P(Cheating=No|Detection=No)
P(Detection=No|Cheating=No)
P(Cheating=Yes|Detection=Yes)=P(Detection=Yes|Cheating=Yes)*P(Cheating=Yes)
P(Detection=Yes)

18. การสร้างแบบจาลองรายการชาระเงินผิดปกติของ
กรมธรรม์ประกันชีวิตโดยการใช้เทคนิค Local
Outlier Factor(LOF)
ปัณณวิชญ์ วิศัลยาวัฒน์์

19. ประกันชีวิตพื้นฐาน
ที่มา : http://www.checkraka.com/saving/advertorial/10052/

20. การฟอกเงินในประกันชีวิต
ตัวอย่างการฟอกเงิ์ใ์ประกั์ชีวิต
• ซื้อกองทุ์ลงทุ์ประกั์ชีวิตที่จ่ายครั้งเดียว (มีความเสี่ยงที่จะฟอกเงิ์มากที่สุดจากการ์าเงิ์สกปรก
ก้อ์ใหญ่มาลงทุ์)
• ซื้อประกั์ชีวิตรายปีที่มีการจ่ายปั์ผล (ได้รับเงิ์สะอาดเป็์งวดๆ)
• ซื้อประกั์ชีวิตแบบประจาที่มีเบี้ยสูง หรือเบี้ยปกติหลายกรมธรรม์ (เพื่อลดความส์ใจ)
• การไถ่ถอ์เงิ์ก่อ์ครบสัญญา แม้จะได้เงิ์คื์์้อยกว่าเดิม
• ซื้อกรมธรรม์เบี้ย์้อยให้ผ่า์ก่อ์ แล้วเพิ่มเติมเบี้ย (เพื่อให้ไม่มีการตรวจสอบ)
• กู้เงิ์จากกรมธรรม์โดยไม่ผ่อ์จ่ายคื์ (ปล่อยกรมธรรม์หมดอายุไปเอง)
• เปลี่ย์มือกรมธรรม์ของเจ้าของหรือผู้รับผลประโยช์์
• ใช้กรมธรรม์เป็์หลักทรัพย์ใ์การกู้เงิ์จากธ์าคาร
ที่มา : http://www.acamstoday.org/what-is-real-money-laundering-risk-in-life-insurance/

21. Global versus Local Outlier
Mahalanobis Distance
K Nearest Neighbors
Cluster Analysis

22. Local Outlier Factor (LOF)
ที่มา : http://www.slideshare.net/Med_KU/20130318-f-rac-24695067
เป็์วิธีการที่ใช้ใ์การตรวจสอบค่าผิดปกติ ด้วยวิธีการ
ตรวจความห์าแ์่์รอบรัศมีของจุดที่ส์ใจ
ข้อมูลที่มีค่าผิดปกติจะมีคะแ์์ที่สูง ซึ่ง
จะไม่มีเกณฑ์ใ์ตัดที่ตายตัว
ข้อมูลที่มีค่าปกติจะมีคะแ์์ประมาณ 1

23. • LOF = Local density of k neighbor/Local density of its own point
• The Higher LOF = the more extreme local outlier!!!!
• Determine sigma (radius / reachable distance around point) so
that we can count k neighbor.
• Local density for point = numbers of points within reachable
distance/sum of distance between points and all k neighbors
LOF

24. วิธีดาเนินการวิจัย

25. ผลการวิเคราะห์
N 145,842
Minimum 1.0529
Lower Quartile 3.8028
Mean 6.6356
Median 5.6134
Upper Quartile 8.3377
Maximum 50.6028
Skewness 1.8527
Std Dev 3.9917
Std Error 0.0105
Median+2.5(Q3-Q1) 16.9508
สูตรคำนวณหำจุดตัด จุดตัด รูปแบบปกติ รูปแบบผิดปกติ %รูปแบบที่ผิดปกติ
Median+2.5(Q3-Q1) 16.9508 142,170 3,672 3%
0 10 20 30 40 50
0.000.050.100.15
density.default(x = Cust_txn$lofavg)
N = 145842 Bandwidth = 0.2824
Density
16.95

26. ผลการวิเคราะห์
Max cluster Cluster Frequency
RMS
Standard
Deviation
Maximum
Distance from
Seed to
Observation
Radius
Exceeded
Nearest
Cluster
Distance
Between
Cluster
Centroids
3
1 3,406 0.6395 13.9509 > Radius 3 5.5332
2 97 2.8941 28.1499 > Radius 1 7.8612
3 169 1.4675 27.3884 > Radius 1 5.5332
Pseudo
F Statistic
Observed
R-Squared
Over-All
Approx. Expected
R-Squared
Over-All
Cubic
Clustering
Criterion
477.1300 0.2064 0.1047 108.2590

27. ผลการวิเคราะห์
Cluster group Normal 1 2 3
สัดส่วนเงินที่จ่ายจริงเมื่อเทียบกับเงินที่ต้องจ่ายสูงสุด 0.0002 -0.0207 0.0219 0.2042
สัดส่วนเงินที่จ่ายจริงเมื่อเทียบกับเงินที่ต้องจ่ายต่าสุด 0.0003 -0.0079 -0.0291 -0.0677
จานวนชนิดช่องทางการจ่ายผ่านตัวแทน 0.0004 -0.1296 4.1856 -0.0965
จานวนประเภทการจ่ายแบบที่1 -0.0001 -0.2101 0.7697 3.8544
จานวนประเภทการจ่ายแบบที่2 0.0002 -0.0965 3.2309 -0.0368
จานวนธนาคารที่ทาการจ่าย -0.0003 -0.1955 1.4258 3.3523
จานวนรูปแบบการจ่ายเบี้ย 0.0001 -0.0788 1.7666 0.4684
จานวนช่องทางที่ลูกค้าซื้อกรมธรรม์ 0.0000 -0.0931 3.4216 -0.0931
จานวนครั้งที่จ่ายเบี้ยประกันที่มีการจ่าย -0.0003 -0.0352 0.6315 0.5852
จานวนกรมธรรม์ที่จ่ายแบบรายปี -0.0001 -0.0456 1.3903 0.1983
จานวนกรมธรรม์ที่จ่ายแบบรายครึ่งปี -0.0006 0.0012 0.1840 0.3477
จานวนกรมธรรม์ที่จ่ายแบบรายสามเดือน 0.0000 -0.0195 0.3312 0.1681
จานวนกรมธรรม์ที่จ่ายแบบรายเดือน -0.0001 -0.0216 0.5261 0.1808
เบี้ยประกันทั้งปีรวมทุกกรมธรรม์ที่มีการจ่าย -0.0003 -0.0350 1.2317 0.2602
ทุนประกันชีวิตรวมทุกกรมธรรม์ที่มีการจ่าย -0.0008 -0.0195 1.6847 0.0972
จานวนกรมธรรม์ที่มีการจ่าย 0 0 2 1
จานวนลูกค้า 142,170 3,406 97 169

28. • Normal
กลุ่มลูกค้าที่มีจานวนกรมธรรม์เฉลี่ยเพียง 1 กรมธรรม์ลูกค้ามีการจ่ายเบี้ยประกันทุกชนิด (รายเดือน,ราย
สามเดือน,รายหกเดือนและรายปี) และเป็นการจ่ายแบบเต็มจานวนด้วยช่องทางเดียว
• Cluster 1
มีรูปแบบเดียวกับกลุ่ม Normal
• Cluster 2
กลุ่มลูกค้าที่มีจานวนกรมธรรม์ประกันชีวิตเฉลี่ยมากกว่า 2 กรมธรรม์ซึ่งลูกค้าเน้นการจ่ายเบี้ยแบบราย
เดือนและรายปีโดยเป็นการจ่ายแบบเต็มจานวนในหลายๆ ช่องทางการจ่ายกับตัวแทนขายประกัน
• Cluster 3
ลูกค้าที่มีจานวนกรมธรรม์ประกันชีวิตเฉลี่ยมากกว่า 1 กรมธรรม์เป็นกลุ่มที่เน้นการจ่ายเบี้ยแบบราย
สามเดือนและรายหกเดือนและเป็นการจ่ายแบบเกินจานวนในหลายๆ ช่องทางการชาระเงิน เช่น เงินสดหรือบัตร
เครดิต
สรุปผมการวิเคราะห์