Diese Studie untersucht das dringende Problem des Kreditkartenbetrugs im Kontext sich entwickelnder E-Commerce-Plattformen und der Notwendigkeit verbesserter Betrugserkennungsmechanismen. Seit der Einführung von Kreditkarten hat der Anstieg ihrer Nutzung zu einem entsprechenden Anstieg der Betrugsraten geführt, was die Notwendigkeit unterstreicht, starke Erkennungssysteme einzurichten, um solche Aktivitäten zu verhindern. Diese Forschung schlägt einen neuartigen Ansatz vor, indem sie zwei unterschiedliche Kreditkartendatensätze integriert und eine vergleichende Bewertung von vier maschinellen Lernimputationstechniken zur Behandlung fehlender Werte durchführt. Durch den Einsatz von Algorithmen des maschinellen Lernens und Imputationsmethoden zielen wir darauf ab, die Genauigkeit und Zuverlässigkeit der Betrugserkennung zu verbessern. Unsere Ergebnisse zeigen signifikante Verbesserungen der Modellleistung, wobei die Genauigkeit des integrierten Datensatzes 100 % erreicht und eine Verbesserung von 6,05 % gegenüber den Originaldatensätzen darstellt; diese Verbesserung wurde als statistisch signifikant bestätigt. Mithilfe der CBPM-Methode wählten wir das Modell aus, das am besten Genauigkeit und Zeiteffizienz ausbalanciert. Dieses Ergebnis unterstreicht die Bedeutung effektiver Datenintegration und Imputation im Kampf gegen Finanzbetrug. Es hat direkte praktische Implikationen für Finanzinstitute, Regulierungsbehörden, Betrugsanalysten und Finanzpolitiker, die diesen Ansatz nutzen können, um die Erkennungseffizienz zu erhöhen, Fehlalarme zu reduzieren und Entscheidungsprozesse zu optimieren. Folglich trägt die Methode auch dazu bei, Verbraucher zu schützen und die allgemeine Widerstandsfähigkeit sowie Glaubwürdigkeit der Finanzmärkte zu stärken.
Feng et al. (Fri,) untersuchten diese Fragestellung.