نسبة النتائج الإيجابية الكاذبة

نسبة الإيجابيات الكاذبة — التي تُعرف عادةً بمعدل الإيجابيات الكاذبة — هي نسبة الحالات المشروعة التي تصنفها آلية الرقابة خطأً على أنها مشبوهة. وفي عمليات مكافحة الاحتيال والامتثال، فإن هذا الرقم هو الذي يحدد التكلفة الفعلية لآلية الرقابة، لأن المجموعة التي يتم الإبلاغ عنها تتألف، في كل نظام حقيقي تقريبًا، في الغالب الأعم من أشخاص لم يرتكبوا أي خطأ.

ويُحسب هذا المؤشر بقسمة النتائج الإيجابية الكاذبة على مجموع الحالات السلبية الحقيقية: من بين جميع الأشخاص الذين كانت نتائجهم صحيحة، ما هي النسبة التي قمنا بوضع علامة عليها؟

يُعرف أيضًا باسم معدل الإيجابية الكاذبة، معدل الإنذارات الكاذبة، التسرب
الصيغة النتائج الإيجابية الكاذبة ÷ (النتائج الإيجابية الكاذبة + النتائج السلبية الصحيحة)
المكمل الخصوصية — نسبة الحالات الصحيحة التي تمت الموافقة عليها بشكل صحيح
أمور معتادة في عملية فحص العقوبات غالبًا ما تتجاوز نسبة التنبيهات الصادرة 90%
التكلفة المباشرة مراجعة القوى العاملة، والتأخير في انضمام الموظفين الجدد، والعملاء الذين تم التخلي عنهم
تم تحديده بواسطة عتبة اتخاذ القرار — وليس النموذج

معدلان يُخلط بينهما

وهو تمييز يستحق الدقة في تناوله، لأن هذين المصطلحين يُستخدمان عادةً بالتبادل، في حين أنهما يختلفان اختلافًا كبيرًا عندما تكون حالات الاحتيال نادرة.

  • معدل النتائج الإيجابية الكاذبة يسأل: من بين جميع الحالات الصحيحة، ما هي النسبة التي قمنا بتمييزها؟ يتم حساب هذه النسبة على أساس العدد الإجمالي للحالات الصحيحة.
  • معدل الاكتشاف الخاطئ يسأل: من بين جميع الحالات التي أبلغنا عنها، ما هي النسبة التي كانت مشروعة؟ يتم حساب هذه النسبة استنادًا إلى عدد التنبيهات.

عندما يقول أحدهم: «معدل النتائج الإيجابية الخاطئة لدينا يبلغ 95٪»، فإنه يقصد في الغالب الخيار الثاني. والفارق بينهما هو «المعدل الأساسي»، وهو مصدر معظم حالات سوء تفسير إحصاءات الاحتيال.

دعنا نحسب ذلك. مع وجود مليون معاملة بمعدل احتيال يبلغ 0.1٪، فإن آلية الرقابة التي تكتشف 80٪ من حالات الاحتيال بمعدل إيجابيات خاطئة يبلغ 1٪، ستشير إلى 800 حالة احتيال حقيقية و 9,990 معاملة شرعية. تبلغ نسبة النتائج الإيجابية الخاطئة 1% — وهو ما يبدو ممتازًا — و92.6% من التنبيهات خاطئة. كلا الرقمين صحيحان، لكنهما يصفان واقعين تشغيليين مختلفين تمامًا.

ولهذا السبب، فإن معدل الإيجابيات الكاذبة المنخفض بشكل مثير للإعجاب قد يؤدي مع ذلك إلى قائمة مراجعة غير قابلة للتنفيذ، ولهذا السبب أيضًا لا يمكن الحكم على جودة عنصر التحكم استنادًا إلى هذا الرقم وحده عندما يكون الشيء الذي يتم الكشف عنه نادرًا.

المفاضلة التي لا حل لها

كل عتبة تؤدي إلى تحرك النتائج الإيجابية الكاذبة والنتائج السلبية الكاذبة في اتجاهين متعاكسين. فإذا تم تشديد المعايير للكشف عن المزيد من حالات الاحتيال، يتم تصنيف المزيد من العملاء الشرعيين على أنهم مشبوهون؛ وإذا تم تخفيفها لتقليل العقبات، فإن المزيد من حالات الاحتيال تمر دون أن يتم اكتشافها. ويحدد النموذج شكل هذا المنحنى؛ بينما تحدد العتبة نقطة معينة عليه. ولا يوجد إعداد يخلو من هذه المفاضلة.

تكاليف التداول غير متماثلة، وعادةً ما يتم قياس هذا التباين بشكل غير دقيق:

نتيجة إيجابية كاذبة نتيجة سلبية كاذبة
ماذا حدث؟ تم الإبلاغ عن حالة مشروعة تمت الموافقة على قضية احتيال
من يتحمل ذلك العميل وفريق المراجعة الشركة، أم الضحية
الرؤية فوري — طول قائمة الانتظار، الشكاوى متأخرة، وغالبًا ما لا يُنسب الفضل فيها إلى أحد
كيف يتم قياسه حسنًا — هذا يخلق فرص عمل بشكل سيئ — لا يتم تصنيف حالات الاحتيال التي لم يتم اكتشافها
التحيز النموذجي تم إعطاؤها وزنًا أكبر لأنها مرئية لم يتم تقييمه بالشكل الكافي لأنه ليس

السطر الأخير هو الأهم. فالنتائج الإيجابية الخاطئة تظهر بوضوح؛ أما النتائج السلبية الخاطئة فلا تظهر في الغالب. ولذلك، فإن المؤسسات تركز على تصحيح الأخطاء التي يمكنها رؤيتها، وهي ليست بالضرورة الأخطاء الأكثر تكلفة.

لماذا يعد ذلك مهمًا للتحقق من الهوية

الإطار الذي يجعل هذا الأمر قابلاً للتنفيذ: عادةً ما تكون النتيجة الإيجابية الخاطئة حالة لم تتوفر فيها للنظام معلومات كافية لحلها. ليست قضية أخطأت فيها المحكمة — بل قضية لم تستطع البت فيها، فتم رفعها تلقائيًّا.

وهذا يغير منظور المشكلة. فضبط العتبة يؤدي إلى نقل الحالات بين قوائم الانتظار دون إضافة أي معلومات، لذا فإن أي تحسن في أحد الأخطاء يأتي على حساب الآخر. أما إضافة سمة تمييزية فتؤدي إلى تحريك المنحنى نفسه، وهو التغيير الوحيد الذي يحسّن كلا الأمرين في آن واحد.

تعد بيانات الهوية أوضح مثال على ذلك. أ فحص العقوبات لا يمكن حل التنبيه المتعلق بتطابق الاسم مع شخص محدد بناءً على الاسم وحده، ويتم إغلاقه فورًا عند التحقق من تاريخ الميلاد. أما الطلب الذي تم وضع علامة عليه بسبب السرعة، حيث إن عدة طلبات مقدمة تشترك في جهاز واحد، فهو مسألة مختلفة بمجرد التحقق من أن مقدمي الطلبات هم أشخاص حقيقيون مختلفون. وفي كلتا الحالتين، يختفي التنبيه ليس لأن الحد الأدنى قد تغير، بل لأن الغموض الذي تسبب في ظهوره قد زال.

هناك جانب يتعلق بالإنصاف يستحق الذكر. فالنتائج الإيجابية الكاذبة لا تتوزع بالتساوي. فالأشخاص الذين يعانون من ملفات ائتمانية محدودة، فالوافدون الجدد، ومن غيروا عناوينهم أو أسماءهم، ومستخدمو الأجهزة القديمة، جميعهم ينحرفون بشكل أكبر عما يعتبره النموذج «طبيعيًا». ويؤدي ضبط المعايير بناءً على المعدل الإجمالي إلى إخفاء هذا الأمر، وقد يتحسن المعدل الإجمالي في حين يتفاقم العبء على مجموعة معينة.

ما لا يمكن أن يخبرك به معدل النتائج الإيجابية الخاطئة

إنها لا تعني شيئًا بحد ذاتها. إن ذكر هذه القيمة دون ذكر معدل الكشف لا معنى له — فالمقارنة المرجعية التي لا تشير إلى أي شيء يكون معدل الإيجابية الكاذبة فيها صفرًا. ولا بد من قراءة هذين المقياسين معًا، عند نقطة تشغيل محددة.

إنه لا يعكس التكلفة. التطبيق الذي تم الإبلاغ عنه ويُحل مشكلته في غضون عشر ثوانٍ والتطبيق الذي يستغرق ثلاثة أيام، كلاهما يفقدان العملاء بنفس النسبة من حيث المعدل، ولكن لا يترتب عليهما أي عواقب.

إنه يخفي عملية التوزيع. المعدل الإجمالي هو متوسط يتم حسابه على مستوى المجموعة السكانية، حيث يتم الإبلاغ عن بعض المجموعات بشكل أكبر بكثير من غيرها.

لا يمكن مقارنتها عبر أنظمة ذات معدلات أساسية مختلفة. إن تطبيق نفس معيار التحكم على مجموعات سكانية تختلف فيها معدلات انتشار الاحتيال يؤدي إلى تباين في تكوين التنبيهات، ولهذا السبب فإن المقارنة المعيارية بين المؤسسات لهذه الأرقام لا تعني عادةً مقارنة بين أي شيء.

الأسئلة الشائعة

ما الفرق بين معدل الإيجابية الكاذبة ومعدل الاكتشاف الكاذب؟

معدل الإيجابيات الكاذبة هو نسبة الحالات الصحيحة التي تم الإبلاغ عنها، محسوبة على أساس إجمالي الحالات الصحيحة. أما معدل الاكتشافات الكاذبة فهو نسبة التنبيهات التي تبين أنها صحيحة، محسوبة على أساس إجمالي التنبيهات. وعندما تكون حالات الاحتيال نادرة، يتباعد هذان المعدلان بشكل كبير — فمعدل الإيجابيات الكاذبة بنسبة 1% قد يعني مع ذلك أن أكثر من 90% من التنبيهات خاطئة.

ما هو معدل الإيجابية الكاذبة الجيد؟

لا يوجد رقم عام، لأنه لا معنى له دون معرفة معدل الكشف الذي تم تحقيقه وتكلفة كل خطأ بالنسبة لتلك الشركة. والسؤال المفيد ليس ما هو المعدل المستهدف، بل ما هي تكلفة كل نتيجة إيجابية خاطئة ونتيجة سلبية خاطئة، لأن هذين الرقمين هما اللذان يحددان المكان المناسب لوضع العتبة.

لماذا ترتفع معدلات النتائج الإيجابية الخاطئة في فحص العقوبات إلى هذا الحد؟

لأن عملية المطابقة يجب أن تكون غير دقيقة للتعامل مع الترجمة الصوتية واختلافات الأسماء، ولأن عتبات المطابقة محددة بشكل متحفظ عن قصد نظراً لنظام المسؤولية المطلقة، ولأن إدخالات القوائم غالباً ما تحتوي على بيانات قليلة جداً لا تكفي للتمييز. والنتيجة هي أعداد كبيرة من التنبيهات، حيث تشكل حالات تداخل الأسماء الغالبية العظمى منها بدلاً من حالات المطابقة.

كيف يمكن تقليل حالات الإيجابية الكاذبة دون إغفال المزيد من حالات الاحتيال؟

عن طريق إضافة معلومات بدلاً من تغيير الحد الأدنى. فالتغييرات في الحد الأدنى تستبدل خطأً بآخر على طول منحنى ثابت؛ أما السمة التمييزية الجديدة — مثل تاريخ الميلاد الذي تم التحقق منه، أو رقم الوثيقة المؤكد — فتغير مسار المنحنى، وهذه هي الطريقة الوحيدة لتحسين كلا الأمرين في آن واحد.

مقالات ذات صلة

اكتشف حلولنا

استكشاف حلولنا على بُعد نقرة واحدة فقط. جرّب منتجاتنا أو تحدّث مع أحد خبرائنا للتعمّق أكثر فيما نقدمه.

تقرير
تحديد ملامح تزايد حالات الاحتيال المتعلقة بالهوية المدعومة بالذكاء الاصطناعي

لم يقتصر دور الذكاء الاصطناعي على تسريع عمليات الاحتيال فحسب، بل جعلها نظامًا متكاملًا. فقد قمنا بتحليل ملايين التفاعلات المتعلقة بالهوية لرسم خريطة لكيفية تطور هجمات الهوية عبر المناطق وأنواع الهجمات ومستويات تعقيدها — وما يتعين على المؤسسات إعادة النظر فيه لمواكبة هذه التطورات.

اطلع على البيانات