Меню

Webpay ошибка fraud detected

  • Ошибка W0015;
  • Ошибка W0051;
  • Ошибка W0052;
  • Ошибка W0058;
  • Ошибка W0225
  • Ошибка W0246;
  • Ошибка W0545;

Ошибка W0545

При выполнении платежа клиент видит такую картину:

Платеж отклонен. Текст ошибки error_dbt_tr_915

w0545

Причина:

Недостаточно средств на карте, с которой производят оплату:

error w0545

Устранение:

Пополнить баланс карты.

Ошибка W0246

При попытке выполнить оплату заказа клиенту даже не появляется форма, где он бы мог ввести платежные данные, а сразу выскакивает эта ошибка с текстом:

Malformed order signature

ошибка w0246

Причина:

Ошибка в введённом секретном ключе на стороне интернет-магазина.

В данном случае в кабинете Webpay был создан секретный ключ для сайта более чем из 30 различных символов. При вводе данного ключа на стороне магазина ключ сохранялся менее 30 символов. В результате чего не верно формировалась подпись заказа.

Решение:

Секретный ключ меньшей длины пересоздан в кабинете Webpay и интегрирован на стороне сайта.

Ошибка W0225

ошибка w0225

Причина:

Не включен 3D-Secure для карты. Также возможны проблемы на стороне оператора.

Решение:

Установка 3D-Secure в личном кабинете интернет-банкинга. Если эта защита установлена — обращайтесь в техническую поддержку оператора сопровождающие онлайн оплату.

Ошибка W0058

Причина:

Означает, что данный тип операции запрещен для владельца карты. То есть этой картой нельзя расплачиваться в конкретном интернет-магазине.

Решение:

Использовать другую карту для онлайн оплаты.

Ошибка W0051 и W0052

Причина:

Недостаточно денежных средств

Решение:

Пополнить карту или воспользоваться другой.

Ошибка W0015

При оплате на белорусском сайте заказчиком и России появилась ошибка:

Карточка не существует

w0015

Причина:

С 10.03 платежные системы VISA и MasterCard прекратили сотрудничество с банками РФ, по этой причине оплата такими картами в счет иностранных поставщиков услуг недоступна.

Решение:

Воспользоваться картой другой платежной системы: МИР, Белкарт.

Источник

Уже давно держатели банковских карт предпочитают оплачивать коммунальные услуги, телефон или интернет дистанционно через специальные сервисы. К сожалению, платежи не всегда проходят благополучно. Причин этому может быть много: от недостаточного баланса на счете до технических сбоев со стороны получателя денег или банка-эмитента.

В отдельных случаях оповещение о некорректном платеже или сбое при проведении транзакции пользователи получают в форме цифровых и буквенных значений, например, «W0225». В зависимости от особенностей интернет-сервиса расшифровка кодовой комбинации не всегда отображается.

Текст ошибки W0225 раскрывается как «ограничение настроек безопасности». Платеж блокируется, деньги не перечисляются на счет отправителя. Держатель банковской карты не понимает, кто инициировал запрет вполне рядовой операции по оплате услуг ЖКХ.

Автоматическая блокировка транзакции осуществляется по инициативе банка. Система сориентирована на запрет операций, недопустимых для конкретного типа карты. Чаще всего подобная ситуации встречается при оплате кредитов, оформленных в сторонних финансовых организациях.

Ошибка при оплате кредита может быть связана с неверным выбором типа платежа или карты

Разобраться с ограничениями по операциям, которые определены банковской системой для конкретного вида платежной карты, придется при обращении на горячую линию кредитно-финансового учреждения или в ближайшем отделении. Самостоятельно решить проблему можно только выбором альтернативного способа оплаты или иного интернет-сервиса, который производит платежи.

Источник

Обнаружение мошеннических операций – одна из популярнейших задач Машинного обучения (ML), нацеленная на выделение правонарушений из общего потока событий. Рассмотрим в качестве примера распознавание воровства средств с банковских карт.

Для начала импортируем необходимые библиотеки:

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns

from sklearn.manifold import TSNE
from sklearn.preprocessing import StandardScaler
from xgboost import XGBClassifier
from xgboost import plot_importance
import xgboost as xgb

from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.model_selection import GridSearchCV

from sklearn.metrics import classification_report
from sklearn.model_selection import cross_val_predict
from sklearn.ensemble import RandomForestClassifier
from sklearn import svm
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier

from sklearn.metrics import confusion_matrix
from sklearn import metrics
from sklearn.metrics import roc_auc_score
from sklearn.metrics import average_precision_score
from sklearn.metrics import roc_curve, auc

Импортируем хронологию операций:

data = pd.read_csv('../input/creditcardfraud/creditcard.csv')

Посмотрим, из чего состоит Датасет (Dataset):

data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 284807 entries, 0 to 284806
Data columns (total 31 columns):
 #   Column  Non-Null Count   Dtype  
---  ------  --------------   -----  
 0   Time    284807 non-null  float64
 1   V1      284807 non-null  float64
 2   V2      284807 non-null  float64
 3   V3      284807 non-null  float64
 4   V4      284807 non-null  float64
 5   V5      284807 non-null  float64
 6   V6      284807 non-null  float64
 7   V7      284807 non-null  float64
 8   V8      284807 non-null  float64
 9   V9      284807 non-null  float64
 10  V10     284807 non-null  float64
 11  V11     284807 non-null  float64
 12  V12     284807 non-null  float64
 13  V13     284807 non-null  float64
 14  V14     284807 non-null  float64
 15  V15     284807 non-null  float64
 16  V16     284807 non-null  float64
 17  V17     284807 non-null  float64
 18  V18     284807 non-null  float64
 19  V19     284807 non-null  float64
 20  V20     284807 non-null  float64
 21  V21     284807 non-null  float64
 22  V22     284807 non-null  float64
 23  V23     284807 non-null  float64
 24  V24     284807 non-null  float64
 25  V25     284807 non-null  float64
 26  V26     284807 non-null  float64
 27  V27     284807 non-null  float64
 28  V28     284807 non-null  float64
 29  Amount  284807 non-null  float64
 30  Class   284807 non-null  int64  
dtypes: float64(30), int64(1)
memory usage: 67.4 MB

Кроме Признаков (Feature) «Время» (Time), «Количество» (Amount) и «Класс» (Class) другие не стоит интерпретировать в одиночку. Но все мы знаем, что значения столбцов V1 — V28 были преобразованы с помощью Анализа главных компонент (PCA). Эти загадочные колонки – результат защиты конфиденциальных данных пользователей.

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 284807 entries, 0 to 284806
Data columns (total 31 columns):
 #   Column  Non-Null Count   Dtype  
---  ------  --------------   -----  
 0   Time    284807 non-null  float64
 1   V1      284807 non-null  float64
 2   V2      284807 non-null  float64
 3   V3      284807 non-null  float64
 4   V4      284807 non-null  float64
 5   V5      284807 non-null  float64
 6   V6      284807 non-null  float64
 7   V7      284807 non-null  float64
 8   V8      284807 non-null  float64
 9   V9      284807 non-null  float64
 10  V10     284807 non-null  float64
 11  V11     284807 non-null  float64
 12  V12     284807 non-null  float64
 13  V13     284807 non-null  float64
 14  V14     284807 non-null  float64
 15  V15     284807 non-null  float64
 16  V16     284807 non-null  float64
 17  V17     284807 non-null  float64
 18  V18     284807 non-null  float64
 19  V19     284807 non-null  float64
 20  V20     284807 non-null  float64
 21  V21     284807 non-null  float64
 22  V22     284807 non-null  float64
 23  V23     284807 non-null  float64
 24  V24     284807 non-null  float64
 25  V25     284807 non-null  float64
 26  V26     284807 non-null  float64
 27  V27     284807 non-null  float64
 28  V28     284807 non-null  float64
 29  Amount  284807 non-null  float64
 30  Class   284807 non-null  int64  
dtypes: float64(30), int64(1)
memory usage: 67.4 MB

Посмотрим, насколько наши данные сбалансированы:

plt.figure(figsize=(10,10))
sns.countplot(
    y="Class", 
    data=data,
    facecolor=(0, 0, 0, 0),
    linewidth=5, 
    edgecolor=sns.color_palette("dark", 2))

plt.title('Fraudulent Transaction Summary')
plt.xlabel('Count')
plt.ylabel('Fraudulent Transaction   Non-Fraudulent Transaction', fontsize=12)

Мы имеем дело с Несбалансированным датасетом (Imbalanced Dataset), то есть соотношение представителей класса неравное.

На столбчатой диаграмме почти не видно красный столбец с транзакциями мошенников 

График показывает, что существует огромная разница между классами операций. Несбалансированные данные могут вызвать проблемы Классификации (Classification), такие как неправильная Точность (Accuracy). В этом проекте мы будем использовать Метод удаления примеров мажоритарного класса (Undersampling Method).

Преобразуем признак «Класс» в категориальный:

data['Class']= data['Class'].astype('category')

Посмотрим, как транзакции распределены по времени. Time –  это количество секунд, прошедших между рассматриваемой и первой транзакцией в наборе данных:

plt.figure(figsize=(15,10))
sns.distplot(data['Time'])

Следующим делом посмотрим на распределение признака «Количество»:

plt.figure(figsize=(10,10))
sns.distplot(data['Amount'])

Приведенные выше графики показывают, что столбцы «Время» и «Количество» необходимо подвергнуть Стандартизации (Standartization). Этот метод позволит создавать признаки, которые имеют схожие диапазоны значений.

Перед стандартизацией я хочу создать функцию «Час», которая поможет лучше использовать «Время» и его связь с остальными столбцами.

data['Hour'] = data['Time'].apply(lambda x: np.ceil(float(x)/3600) % 24)

pd.pivot_table(
    columns="Class", 
    index="Hour", 
    values= 'Amount', 
    aggfunc='count', 
    data=data)

Посмотрим, в какое время дня мошенники наиболее активны и сравним с активностью нормальных операций:

#Hour vs Class
fig, axes = plt.subplots(2, 1, figsize=(15, 10))

sns.countplot(
    x="Hour",
    data=data[data['Class'] == 0], 
    color="#98D8D8",  
    ax=axes[0])
axes[0].set_title("Non-Fraudulent Transaction")


sns.countplot(
    x="Hour",
    data=data[data['Class'] == 1],
    color="#F08030", 
    ax=axes[1])
axes[1].set_title("Fraudulent Transaction")

Приведенные выше графики показывают, что обычные и мошеннические транзакции совершались каждый час. Для мошеннических транзакций третий и двенадцатый часы – самые «горячие».

Понижение размерности

Результаты исследования данных показывают, что набор данных большой, а размеры классов несбалансированы, поэтому уменьшение размерности поможет интерпретировать результаты. Для этого будет использоваться Стохастическое вложение соседей с t-распределением (t-SNE). Этот метод хорошо работает с данными большого размера и «проецирует» их в двух- или трехмерном пространстве.

data_nonfraud = data[data['Class'] == 0].sample(2000)
data_fraud  = data[data['Class'] == 1]

data_new = data_nonfraud.append(data_fraud).sample(frac=1)
X = data_new.drop(['Class'], axis = 1).values
y = data_new['Class'].values

tsne = TSNE(n_components=2, random_state=42)
X_transformation = tsne.fit_transform(X)

plt.figure(figsize=(10, 10))
plt.title("t-SNE Dimensionality Reduction")

def plot_data(X, y):
    plt.scatter(X[y == 0, 0], X[y == 0, 1], label="Non_Fraudulent", alpha=0.5, linewidth=0.15, c='#17becf')
    plt.scatter(X[y == 1, 0], X[y == 1, 1], label="Fraudulent", alpha=0.5, linewidth=0.15, c='#d62728')
    plt.legend()
    return plt.show()

plot_data(X_transformation, y)

На приведенном выше графике показано, что мошеннические и нормальные транзакции плохо разделены на два разных кластера в двухмерном пространстве. Это означает, что два типа операций сильно похожи. Также этот график демонстрирует, что показаний точности недостаточно для выбора лучшего алгоритма.

Стандартизация

data[['Time', 'Amount']] = StandardScaler().fit_transform(data[['Time', 'Amount']])

Оптимизация гиперпараметров

Этот метод помогает найти оптимальные параметры для алгоритмов машинного обучения. Алгоритм поиска по сетке (Grid Search) будет использоваться для настройки Гиперпараметров (Hyperparameter). Затем будет выполнен Экстремальный бустинг градиента (XGBoost) для построения графика Важности признаков (Feature Importance). Этот график помогает выбрать параметры, которые будут использоваться в Модели (Model).

train_data, label_data = data.iloc[:,:-1],data.iloc[:,-1]

data_dmatrix = xgb.DMatrix(data=train_data, label= label_data)

X_train, X_test, y_train, y_test = train_test_split(
                                    train_data, label_data, test_size=0.3,random_state=42)
                                    
params = {
    'objective':'reg:logistic',
    'colsample_bytree': 0.3,
    'learning_rate': 0.1,
    'bootstrap': True, 
    'criterion': 'gini', 
    'max_depth': 4, 
    'max_features': 'auto', 
    'n_estimators': 50
}
xg_reg = xgb.train(params=params, dtrain=data_dmatrix, num_boost_round=10)

#Feature importance graph
plt.rcParams['figure.figsize'] = [20, 10]
xgb.plot_importance(xg_reg)

График важности признаков

На приведенном выше графике показано, что самый важный столбец – это V16. Параметры с наименьшей важностью — V13, V25, Time, V20, V22, V8, V15, V19 и V2 будут удалены из данных перед построением модели.

data_model = data.drop(['V13', 'V25', 'Time', 'V20', 'V22', 'V8', 'V15', 'V19', 'V2'], axis=1)

Метод удаления примеров мажоритарного класса

Перед построением модели будет применен метод случайного недосэмплирования. В этом проекте было выбрано 5% нормальных транзакций.

data_under_nonfraud = data_model[data_model['Class'] == 0].sample(15000)
data_under_fraud  = data_model[data_model['Class'] == 1]

data_undersampling = data_under_nonfraud.append(data_under_fraud, 
                                                ignore_index=True, sort=False)
                                                
plt.figure(figsize=(10,10))
sns.countplot(y="Class", data=data_undersampling,palette='Dark2')
plt.title('Fraudulent Transaction Summary')
plt.xlabel('Count')
plt.ylabel('Fraudulent Transaction,        Non-Fraudulent Transaction')

Новые данные будут случайным образом разделены на Тренировочные данные (Train Data) и Тестовые данные (Test Data). Доля первых составляет 70%, вторых – 30%.

k-блочная кросс-валидация

kfold_cv=KFold(n_splits=5, random_state=42, shuffle=True)

for train_index, test_index in kfold_cv.split(X,y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

Случайный лес

modelRF = RandomForestClassifier(
    n_estimators=500, 
    criterion = 'gini', 
    max_depth = 4, 
    class_weight='balanced', 
    random_state=42
).fit(X_train, y_train)

# Obtain predictions from the test data 
predict_RF = modelRF.predict(X_test)

Метод опорных векторов

modelSVM = svm.SVC(
    kernel='rbf', 
    class_weight='balanced', 
    gamma='scale', 
    probability=True, 
    random_state=42
).fit(X_train, y_train)

# Obtain predictions from the test data 
predict_SVM = modelSVM.predict(X_test)

Логистическая регрессия

modelLR = LogisticRegression(
    solver='lbfgs', 
    multi_class='multinomial',
    class_weight='balanced', 
    max_iter=500, 
    random_state=42
).fit(X_train, y_train)

# Obtain predictions from the test data 
predict_LR = modelLR.predict(X_test)

Многослойный перцептрон

modelMLP = MLPClassifier(
    solver='lbfgs', 
    activation='logistic', 
    hidden_layer_sizes=(100,),
    learning_rate='constant', 
    max_iter=1500, 
    random_state=42
).fit(X_train, y_train)

# Obtain predictions from the test data 
predict_MLP = modelMLP.predict(X_test)

Сравнение методов

RF_matrix = confusion_matrix(y_test, predict_RF)
SVM_matrix = confusion_matrix(y_test, predict_SVM)
LR_matrix = confusion_matrix(y_test, predict_LR)
MLP_matrix = confusion_matrix(y_test, predict_MLP) 

fig, ax = plt.subplots(1, 2, figsize=(15, 8))

sns.heatmap(RF_matrix, annot=True, fmt="d",cbar=False, cmap="Paired", ax = ax[0])
ax[0].set_title("Random Forest", weight='bold')
ax[0].set_xlabel('Predicted Labels')
ax[0].set_ylabel('Actual Labels')
ax[0].yaxis.set_ticklabels(['Non-Fraud', 'Fraud'])
ax[0].xaxis.set_ticklabels(['Non-Fraud', 'Fraud'])

sns.heatmap(SVM_matrix, annot=True, fmt="d",cbar=False, cmap="Dark2", ax = ax[1])
ax[1].set_title("Support Vector Machine", weight='bold')
ax[1].set_xlabel('Predicted Labels')
ax[1].set_ylabel('Actual Labels')
ax[1].yaxis.set_ticklabels(['Non-Fraud', 'Fraud'])
ax[1].xaxis.set_ticklabels(['Non-Fraud', 'Fraud'])

fig, axe = plt.subplots(1, 2, figsize=(15, 8))

sns.heatmap(LR_matrix, annot=True, fmt="d",cbar=False, cmap="Pastel1", ax = axe[0])
axe[0].set_title("Logistic Regression", weight='bold')
axe[0].set_xlabel('Predicted Labels')
axe[0].set_ylabel('Actual Labels')
axe[0].yaxis.set_ticklabels(['Non-Fraud', 'Fraud'])
axe[0].xaxis.set_ticklabels(['Non-Fraud', 'Fraud'])

sns.heatmap(MLP_matrix, annot=True, fmt="d",cbar=False, cmap="Pastel1", ax = axe[1])
axe[1].set_title("Multilayer Perceptron", weight='bold')
axe[1].set_xlabel('Predicted Labels')
axe[1].set_ylabel('Actual Labels')
axe[1].yaxis.set_ticklabels(['Non-Fraud', 'Fraud'])
axe[1].xaxis.set_ticklabels(['Non-Fraud', 'Fraud'])

Для несбалансированных данных результаты матрицы путаницы могут быть неверными. Однако полезно сказать, сколько мошеннических транзакций предсказано верно. На основе графиков Многослойного персептрона (MLP), Случайного леса (Random Forest) и Логистической регрессии (Logistic Regression) предсказывают одну и ту же долю мошеннических транзакций (сумма нижних двух ячеек каждой из матриц равна 109).

print("Classification_RF:")
print(classification_report(y_test, predict_RF))
print("Classification_SVM:")
print(classification_report(y_test, predict_SVM))
print("Classification_LR:")
print(classification_report(y_test, predict_LR))
print("Classification_MLP:")
print(classification_report(y_test, predict_MLP))

В приведенной ниже таблице показаны результаты по точности, Отзыву (Recall) и Критерий F1 (F1 Score).

  • Модель логистической регрессии  имеет самый высокий уровень отзыва. Это означает, что она лучше «разыскивает» фактическую мошенническую транзакцию. Однако, когда мы смотрим на показатель точности, логистическая регрессия показывает один из самых худших результатов.
  • Наивысший удалось достигнуть случайному лесу. Высокая точность связана с низким уровнем ложных срабатываний, поэтому можно сказать, что модель случайного леса предсказывает наименьшее количество ложных мошеннических транзакций.
  • Критерий F1 дает лучшее объяснение на том основании, что он рассчитывается из Гармонических средних значений (Harmonic Mean) точности и отзыва. F1 – это лучшая метрика для выбора наиболее предсказуемой модели. В свете этой информации мы можем сказать, что алгоритм Случайного леса является наилучшим.
Classification_RF:
              precision    recall  f1-score   support

           0       0.98      0.99      0.99       389
           1       0.98      0.92      0.95       109

    accuracy                           0.98       498
   macro avg       0.98      0.96      0.97       498
weighted avg       0.98      0.98      0.98       498

Classification_SVM:
              precision    recall  f1-score   support

           0       0.83      0.50      0.62       389
           1       0.26      0.64      0.37       109

    accuracy                           0.53       498
   macro avg       0.55      0.57      0.50       498
weighted avg       0.71      0.53      0.57       498

Classification_LR:
              precision    recall  f1-score   support

           0       0.98      0.96      0.97       389
           1       0.86      0.94      0.89       109

    accuracy                           0.95       498
   macro avg       0.92      0.95      0.93       498
weighted avg       0.95      0.95      0.95       498

Classification_MLP:
              precision    recall  f1-score   support

           0       0.86      1.00      0.92       389
           1       0.98      0.41      0.58       109

    accuracy                           0.87       498
   macro avg       0.92      0.71      0.75       498
weighted avg       0.88      0.87      0.85       498

Окончательное сравнение будет выполнено с ROC-кривая (AUC ROC):

#RF AUC
rf_predict_probabilities = modelRF.predict_proba(X_test)[:,1]
rf_fpr, rf_tpr, _ = roc_curve(y_test, rf_predict_probabilities)
rf_roc_auc = auc(rf_fpr, rf_tpr)

#SVM AUC
svm_predict_probabilities = modelSVM.predict_proba(X_test)[:,1]
svm_fpr, svm_tpr, _ = roc_curve(y_test, svm_predict_probabilities)
svm_roc_auc = auc(svm_fpr, svm_tpr)

#LR AUC
lr_predict_probabilities = modelLR.predict_proba(X_test)[:,1]
lr_fpr, lr_tpr, _ = roc_curve(y_test, lr_predict_probabilities)
lr_roc_auc = auc(lr_fpr, lr_tpr)

#MLP AUC
mlp_predict_probabilities = modelMLP.predict_proba(X_test)[:,1]
mlp_fpr, mlp_tpr, _ = roc_curve(y_test, mlp_predict_probabilities)
mlp_roc_auc = auc(mlp_fpr, mlp_tpr)
plt.figure()
plt.plot(rf_fpr, rf_tpr, color='red',lw=2,
         label='Random Forest (area = %0.2f)' % rf_roc_auc)

plt.plot(svm_fpr, svm_tpr, color='blue',lw=2, 
         label='Support Vector Machine (area = %0.2f)' % svm_roc_auc)

plt.plot(lr_fpr, lr_tpr, color='green',lw=2, 
         label='Logistic Regression (area = %0.2f)' % lr_roc_auc)

plt.plot(mlp_fpr, mlp_tpr, color='orange',lw=2, 
         label='Multilayer Perceptron (area = %0.2f)' % mlp_roc_auc)

plt.plot([0, 1], [0, 1], color='black', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

Основываясь на кривой, мы можем сказать, что алгоритмы логистической регрессии, случайного леса и нейронной сети – многослойного персептрона имеют почти одинаковые результаты AUC. У отличной модели AUC близка к 1, что означает, что у нее хороший показатель отделимости.

Этот вывод можно продемонстрировать и по результатам кривой ROC. Эти алгоритмы склоняются к истинно положительной скорости, а не к ложноположительной. В результате можно сказать, что эти алгоритмы имеют хорошую производительность классификации.

Наконец, мы можем вычислить средний балл точности для этих трех моделей. Результаты показывают, что все модели имеют почти одинаковый балл.

print("Average precision score of Logistic Regression", average_precision_score(y_test, modelLR.predict_proba(X_test)[:,1]))
print("Average precision score of Random Forest", average_precision_score(y_test, modelRF.predict_proba(X_test)[:,1]))
print("Average precision score of Multilayer Perceptron", average_precision_score(y_test, modelMLP.predict_proba(X_test)[:,1]))
Average precision score of Logistic Regression 0.9651191598439374
Average precision score of Random Forest 0.9728045908653973
Average precision score of Multilayer Perceptron 0.8624254915524178

Ноутбук, не требующий дополнительной настройки на момент написания статьи, можно скачать здесь.

Автор: Akashdeep Kuila

Источник


  • Новое за 24 часа


  • Пользователи


  • XPsihopaTX


    Senior Member

    953


    #
    8 сентября 2015 21:45

    Молодцы вообще ребята!


  • 1735483


    Neophyte Poster

    1


    #
    15 сентября 2015 09:36

    Можно отменить платеж?


  • n_niko


    Member

    161


    #
    18 января 2016 14:02

    Подскажите пожалуйста — webmony to e-pay и сколько в куче комиссия?

    +375 29 6298269 Velcom

    Николай


  • Frog_


    Senior Member

    11224


    #
    18 января 2016 15:00

    n_niko, а разве так можно?
    1735483, в некоторых случаях да, только через свой банк


  • Hoverboard


    Member

    269


    #
    9 февраля 2016 19:40

    Господа, кто-нибудь что-нибудь подключал в этом странном сервисе webpay.by?
    Ни тебе условий, никакого договора и инфы нуль — шлиця рыквизиты вашыя и усё на гэтым.
    Что за маркетинг? 21 век на дворе :toliet:


  • Rigel


    Member

    278


    #
    3 марта 2016 08:55

    Блин, хотел оплатить отцу Velcom — бесполезно. МТС — то же самое. Я в США живу, у меня MasterCard от Bank of America. Я хоть что-нибудь могу оплатить в Беларуси через интернет? Может, ещё и билеты «Белавиа» нельзя купить по зарубежной карте?


  • freakn


    life:) community

    5151


    #
    3 марта 2016 09:38

    Rigel, есть куча альтернативных способов, не зацикливайтесь на данном сервисе

    https://form.mts.by/pay/#cs

    Ба!


  • Rigel


    Member

    278


    #
    3 марта 2016 10:15

    freakn, Увы, тоже не прокатило по реквизитам. То, что дело не в карте — 100%. Paypal работает, оплата на Аэлиэкспресс тоже, пиццу можно там всякую заказывать и оплачивать отели. А в Беларуси нифига не работает. Неужели амеровский банк может просто блокировать транзакции на Беларусь?


  • freakn


    life:) community

    5151


    #
    16 марта 2016 10:51

    есть ли у кого проблемы с использованием кобренда «Белгазпромбанк-Газпромнефть» c оплатой на e-pay.by? или может кто сталкивался с ошибкой «Код ошибки W0225
    Текст ошибки Ограничение настроек безопасности»?

    Ба!


  • not_joker


    Member

    429


    #
    16 марта 2016 11:02

    freakn:

    есть ли у кого проблемы с использованием кобренда «Белгазпромбанк-Газпромнефть» c оплатой на e-pay.by? или может кто сталкивался с ошибкой «Код ошибки W0225
    Текст ошибки Ограничение настроек безопасности»?

    3D-Secure для карты включен?


  • freakn


    life:) community

    5151


    #
    16 марта 2016 11:05

    да, проверено на нескольких других сайтах, всё доходит до 3D, смс приходит, а тут вот такое, по идее как раз, когда должно обратиться к серверу 3D =(

    Ба!


  • not_joker


    Member

    429


    #
    16 марта 2016 11:11

    Ну, тогда спрашивать надо сперва тех.поддержку e-pay. Ошибка их. Должны сориентировать на чьей стороне проблема: e-pay или БелГаз.


  • freakn


    life:) community

    5151


    #
    16 марта 2016 11:41

    not_joker, спасибо за участие =) в общем да, оказалось, что у них что-то, почему-то сразу не помогли, но при повторном обращении всё-таки решилась проблема

    Ба!


  • freakn


    life:) community

    5151


    #
    7 апреля 2016 21:40

    может кто интересовался, уточнял или знает — какой MCC-код у оплат через данный сайт, он одинаков для любой оплаты или изменяется в зависимости от типа оплаты?

    Ба!


  • Qwazar


    Senior Member

    542


    #
    5 июня 2016 12:00

    Как часто у вас возникает проблема в виде:
    «Извините. Платеж не может быть осуществлен в связи с существующими на сервисе ограничениями.
    Превышено количество успешных платежей по данной услуге на один лицевой счет. Попробуйте позже.»


  • freakn


    life:) community

    5151


    #
    5 июня 2016 12:47

    каждый раз, когда вылазим за пределы установленных системой лимитов

    Ба!


  • Qwazar


    Senior Member

    542


    #
    5 июня 2016 16:02

    Редактировалось Qwazar, 1 раз.

    freakn:

    каждый раз, когда вылазим за пределы установленных системой лимитов

    Вы считаете, что один платеж в неделю на 5 тыс. за интернет это перелимит!? Или просто Бла-бла-бла — типа решил блеснуть своим умом-разумом!?
    Ты людей идиотами не считай! Если бы был реальный перелемит, никто бы такие вопросы не задавал!


  • volkovysk


    Senior Member

    3519


    #
    5 июня 2016 17:44

    Qwazar,
    1. Значит где-то перелимиты были, вспоминайте. Читайте о перелимитах тут http://e-pay.by/how
    2. На карточку наложили запрет на онлайн-платежи или вообще не была открыта для онлайн-платежей. Уточнить надо в банке.
    3. Неизвестные глюки. Вызывайте экстрасенса. :D

    Мои стихи среди других,быть может неярки,но в них души моей любовь с изломами тоски


  • Qwazar


    Senior Member

    542


    #
    5 июня 2016 17:57

    Редактировалось Qwazar, 1 раз.

    volkovysk:

    Qwazar,
    1. Значит где-то перелимиты были, вспоминайте. Читайте о перелимитах тут http://e-pay.by/how
    2. На карточку наложили запрет на онлайн-платежи или вообще не была открыта для онлайн-платежей. Уточнить надо в банке.
    3. Неизвестные глюки. Вызывайте экстрасенса. :D

    Как часто вы пользуетесь пополнением счетов через e-pay?

    Отвечаю:
    1) Оплачивал один раз интернет на прошлой неделе 5 тыс. (допускается 4 платежа в день)
    2) Нет никаких запретов т.к. иногда платежи проходят. В воскресенье никогда!
    3) Вот тут самый дельный совет.. спасибо!

    [censored by Kilav.S]


    Жёлтая карточка была показана пользователю за этот пост модератором Kilav.S (6 июня 2016 11:34)
    Основание: 3.5.17


  • volkovysk


    Senior Member

    3519


    #
    5 июня 2016 19:07

    Qwazar, e-pay — унылый сервис. Так называемая Ваша «***та» там впорядке вещей и закономерность появления трудно отследить. Так как этот сервис не особо кому нужен (есть у людей интернет-банкинги и электронные кошельки), то никто разборок с ними не устраивал, так и глючит сервис потихоньку.
    И freakn зря обматерили.

    Мои стихи среди других,быть может неярки,но в них души моей любовь с изломами тоски

Источник

💡Почему важно знать причины неоплаты?

Оплата банковской картой через интернет — эту услугу сейчас предлагает практически любой интернет магазин. Вы можете например купить билет на поезд, оплатив банковской картой, сделать покупку на ozon.ru, купить ЖД билет онлайн.

Я всегда заказывал и оплачивал билеты банковской картой через интернет(я использую только дебетовые карты, у меня нет кредитной карты). Самое интересное, что и эта услуга иногда дает сбой — зависают деньги на карте, не проходит оплата.

Но у меня был случай, когда оплата просто не проходила. Робокасса писала сообщение — оплата отменена. Я не знал, в чем причина. В личном кабинете найти ошибку мне не удалось.

Существует множество разных причин ошибок — они бывают по причине банка или владельца карты. Важно хотя бы предполагать причину ошибки, чтоб понимать как действовать дальше? К примеру, если не удается оплатить горячий билет, то нужно понимать в чем причина и попытаться исправить проблему. Иначе билет может быть куплен другим человеком.

Основные причины ошибок при оплате банковской картой

Первая причина, которая является самой распространенной — отсутствие нужной суммы на карте. Рекомендуется проверить ваш баланс — для этого нужно позвонить в банк или войти в интернет банк. Иногда по карте устанавливают ежемесячный или ежедневный лимит трат. Чтоб это проверить — нужно позвонить в банк.

Эта причина может быть не ясна сразу — при отказе в оплате может не отображаться ваш баланс. Ошибка аутентификации 3D secure может быть также связана с неверным вводом реквизитов карты на предыдущем шаге. В таком случае просто повторите платеж и укажите правильные данные.

Вторая причина — на стороне платежной системы. Например, терминал оплаты РЖД не позволяет платить картами MasterCard. Можно использовать только карты Visa.
Заданный магазин может не поддерживать данный способ оплаты. К примеру, Робокасса, которую подключают к множеству магазинов предлагает различные тарифы для оплаты.
Робокасса как оплатить
Я сначала хотел оплатить вебмани, однако я позвонил в магазин. Оказалось, оплатить вебмани нельзя. У них не подключена эта опция. Хотя способ оплаты через вебмани предлагается на странице оплаты.

Третья причина — возможно ваша карта заблокирована. Опять же можно позвонить в банк и проверить это. Блокировка может быть осуществлена банком автоматически в случае наличия подозрительных операций у клиента.

Четвертая причина — у вас не подключена опция 3d Secure(MasterCard SecureCode в случае MasterCard).
Технология 3D Secure заключается в следующем: при оплате вам приходит СМС от банка, которую вы должны ввести в специальном окне. Эту СМС знаете только вы и банк. Мошенничество в данном случае достаточно трудно, для него потребуется и ваш телефон.
Эта опция нужна вам для оплаты на сумму больше 3 тыс. рублей. Это как раз мой случай. Я купил в интернет магазине газовую плиту Bosh. При оплате товара на сумму 22 тыс. рублей мне выдалось вот такое сообщение:
оплата картой Робокасса

Ошибка при оплате банковской картой.
Я был в замешательстве, не знал что делать. Сначала я думал, что это проблема магазина. Но сначала я все таки позвонил в банк. В моем случае это был Промсвязьбанк и карта Доходная.
Позвонив в поддержку Промсвязьбанка, мне предложили сначала пройти процедуру аутентификации

  1. Назвать 4 последних цифры номера карты
  2. Назвать фамилию имя отчество полностью
  3. Назвать кодовое слово.

Далее для подключения услуги 3d Secure от меня потребовали 2 номера из таблицы разовых ключей.  Вроде как услугу подключили, но через полчаса оплата снова не прошла. Позвонил в банк — сказали ожидайте когда подключится — услуга подключается не сразу. Нужно подождать.

Я решил проверить, подключена ли услуга. Я залогинился в Интернет-банк — увидел, что такая услуга есть(в ПСБ ритейл это можно посмотреть на странице карты, щелкнув по номеру карты)
банк 3D Secure
Еще раз попытка оплаты — мне высветилось окно, где я должен был ввести код подтверждения. После заполнения данных карты мне пришло СМС с кодом для оплаты
оплата 3d secure
Далее вуаля — заказ наконец то оплачен. Я получил следующее окно и статус заказа в магазине изменился на «Оплачен»
Мой заказ доставили в пункт назначения, где я его заберу в течение месяца. Главное оплата прошла.
Оплата картой через интернет

Самая частая ошибка 11070: ошибка аутентификации 3d-secure — причины

Самая частая ошибка, которая происходит при оплате картой — 11070: ошибка аутентификации 3dsecure. Есть 2 возможных причины этой ошибки

  1. Введен неверный одноразовый код. Вам пришел код, но при вводе вы допустили ошибку в цифре. В результате получили ошибку
  2. Одноразовый код протух. Время, которое вам дают на ввод одноразового кода при оплате, составляет не более 5 минут. Далее вам придется повторить оплату.

В любом случае, советуем повторить процесс оплаты и удостовериться, что вы ввели одноразовый пароль 3D Secure сразу после получения и пароль введен верно.

Ошибка процессинга карты — что это такое?

Процессинг банка — это сложная программа, которая отвечает за обработку транзакций по картам. Когда вы снимаете деньги в банкомате, делаете покупку, то идет запрос по интернет в данную систему. Проверяется есть ли на вашей карте деньги. Эта программа находится на серверах в Интернет.

Вы не можете повлиять на данную ошибку никак. Вам стоит обратиться на горячую линию банка или интернет-магазина, где вы осуществляете транзакцию. Исправление ошибки — дело специалистов, поддерживающих данную систему. Остается только ждать.

Вы можете попробовать осуществить оплату повторно примерно через пол-часа. По идее такие ошибки должны исправляться очень быстро. Аналогичная ошибка бывает с сообщением «Сервис временно недоступен». Это значит, что сломалась серверная сторона и сделать ничего нельзя. Только ждать починки

Что значит хост недоступен при оплате картой

Хост — это определенный сетевой адрес. Это может быть ip адрес или же просто доменное имя(к примеру, server1.sberbak.online). При оплате картой через терминал происходит подключение к определенному сетевому адресу(хосту). На данном хосте находится программное обеспечение, которое производит оплату — снимает с карты деньги, проверяет баланс и т.д.

Если хост недоступен, значит деньги снять нельзя. Есть 2 основных причины недоступности:

  1. Нет интернет на устройстве, с которого производится оплата. В современных терминалах может быть вшит Интернет-модуль, через который терминал связывается с сервером. Возможно он потерял сеть или завис. В этом случае может помочь перезагрузка или же выход по голое небо, где Мобильный интернет ловит отлично
  2. Хост недоступен по причине поломки. В этом случае рекомендуется обратиться на горячую линию банка, который поддерживает ваш терминал. Данная проблема должна решаться на стороне хоста. Он может быть недоступен по разным причинам: завис, упал сервер, идет обновление программного обеспечения.

Что такое ошибка в CVC карты?

CVC-код — это трехзначный код, который находится на обратной стороне вашей банковской карты. Если появляется ошибка в CVC карты, то рекомендуем проверить, правильно ли вы ввели этот код? Если все правильно, пожалуйста проверьте, введены ли правильно другие данные вашей карты Сбербанка, ВТБ или другого банка.

cvc код
CVC код нужен для того, чтоб проверить, есть ли у вас на руках данная карта в руках. Данная ошибка значит, что CVC код введен неверно. Просто осуществите оплату повторно и введите все данные верно

Проблема при регистрации токена — как решить?

Проблема при регистрации токена — частая ошибка, которая проявляется на сайте РЖД при оплате билетов.
Токен — это уникальный идентификатор(стока типа 23hjsdfjsdhfjhj2323dfgg), которая формируется когда вы заказываете билет. Это как бы ваша сессия оплаты. Ошибка возникает на стороне сервера оплаты.
Решений может быть два

  1. Проблемы на сервере РЖД. Сервер оплаты очень занят и перегружен из-за числа заказов. Возможно на нем ошибка. Рекомендуем в этом случае попробывать повторить оплату позднее
  2. Токен Истек. Это вина того, кто платит. Рассмотрим ситуацию: если вы оформили билет, а потом отошли от компьютера на полчаса, а потом вернулись и нажали оплатить. Ваш заказ аннулирован, т.к. вы не оплатили вовремя. При оплате вы получите ошибку. Нужно заново купить билет и оплатить его в течение 10 минут.

Если ошибка в течение часа сохраняется, рекомендуем обратиться на горячую линию РЖД.

Ошибка банковской карты — карта не поддерживается

Ошибка «карта не поддерживается» может возникать, если вы оплачиваете какую-либо услугу картой другой платежной системы, предоплаченной картой либо же Виртуальной картой. Это не значит, что карта у вас «неправильная», на ней нет денег или еще что-либо. Просто в данном конкретном случае нельзя использовать карту вашего типа. К примеру, виртуальные карты нельзя использовать при оплате в Google Play Market.

Решение простое: попробуйте использовать другую карту. Если ошибка повторится, то обратитесь в службу поддержки интернет-магазина или платежного сервиса, где осуществляете оплату.

Таблица с кодами ошибок при оплате.

Немногие знают, что при оплате картой система обычно выдает код ошибки. Например, E00 при оплате. Иногда по ошибке можно понять, в чем проблема

Код ошибки и описание
Код 00 – успешно проведенная операция.
Код 01 – отказать, позвонить в банк, который выпустил карту.
Код 02 – отказать, позвонить в банк, который выпустил карту (специальные условия).
Код 04 — изъять карту без указания причины.
Код 05 – отказать без указания причины.
Код 17 – отказать, отклонено пользователем карты.
код 19 — тех. ошибка на стороне банка
Код 41 – изъять, утерянная карта.
Код 43 – изъять, украденная карта.
код 50 — ?
Код 51 – отказать, на счете недостаточно средств.
Код 55 – отказать, неверно введенный ПИН-код.
Код 57 – отказать, недопустимый тип операции для данного вида карты
(например, попытка оплаты в магазине по карте предназначенной только для снятия наличных).
Код 61 – отказать, превышение максимальной суммы операции для данной карты.
Код 62 – отказать, заблокированная карта.
Код 65 – отказать, превышение максимального количества операции для данной карты.
Код 75 — отказать, превышение максимального количества неверных ПИН-кодов для данной карты.
Код 83 – отказать, ошибка сети (технические проблемы).
Код 91 – отказать, невозможно направить запрос (технические проблемы).
Код 96 – отказать, невозможно связаться с банком, который выдал карту.
Код Z3 — онлайн не работает, а в оффлайне терминал отклонил транзакцию.

Что делать, если с картой все ОК, но оплата не проходит?

Самая типичная проблема, когда оплата не проходит — сбой в банковской системе. В работе банка могут наблюдаться перебои. Это может быть не обязательно ваш банк, а банк который принимает платеж на стороне клиента(которому принадлежит терминал). В этом случае можно дать 2 совета

  1. Подождать и оплатить позднее. Сбои в работе оперативно решаются и уже через час оплата может пройти без проблем. Обычно о сбоях можно узнать по СМС сообщениям или позвонив на горячую линию вашего банка.
  2. Использовать другую карту. Если нельзя оплатить одной — нужно попробывать оплатить другой картой. Если оплата и другой картой не проходит, то это скорее всего сбой на стороне, принимающей платеж. Тут остается только ждать.

3 полезных совета при оплате картой через Интернет

Во первых — заведите себе специальную карту. Не используйте для оплаты зарплатную карту, на которой у вас все деньги. Оптимально — кредитная карта. Она позволяет в отдельных случаях вернуть часть суммы покупки(CashBack). Обычно это сумма до 5 процентов от покупки. Будьте внимательны, некоторые сервисы при оплате катой берут комиссии. И конечно же адрес страницы оплаты всегда должен начинаться с https и рядом с адресом должен стоять значок в виде замка(Соединение https).

Во вторых — не держите много денег на карте. На карте должно быть немногим больше суммы, необходимой вам для покупки. Примерно плюс 10% от общей стоимости покупки. Логика проста — с нулевой карты ничего не могут снять.
Делаете покупку — просто пополняете карту в интернет банке и получаете нужную сумму.

В третьих — Делайте оплату картой в известных магазинах. Почитайте отзывы о магазинах на Яндекс.Маркет. Если вы платите картой, будьте готовы к тому, что при отмене заказа могут вернуться на вашу карту не сразу.
В последний раз, когда я делал оплату заказа и потом возвращал заказ и деньги, возврат на карту шел в течение 7 дней. Помните — никто деньги вам сразу не вернет. Будьте готовы ждать.

Популярные вопросы и ответы про оплату

Может ли пройти онлайн-оплата, если вы указали неверный cvv/cvc, но в системе 3d- secure ввели верный код из SMS?

Это вопрос из IT диктанта. Ответ на него ДА, может.

Код cvv/cvc известен только банку, который выпустил карту. И именно банк решает, пропустить транзакцию или нет. Данный код может и не передаваться при оплате, хотя и его нужно будет вводить при оплате. Авторизовать операцию возможно и без данного кода. Т.е. пройдет эта операция или нет — решает банк.

Пройдет ли оплата картой, если неверно ввести ФИО плательщика

ФИО плательщика практически не влияет на успешность оплаты. Можно ввести любое имя, хоть «Котик Вася» и при верном вводе других реквизитов карты оплата пройдет.

Дмитрий Тачков

Дмитрий Тачков

Работник банка или другого фин. учреждения
Подробнее

Создатель проекта, финансовый эксперт

Привет, я автор этой статьи и создатель всех калькуляторов данного проекта. Имею более чем 3х летний опыт работы банках Ренессанс Кредит и Промсвязьбанк. Отлично разбираюсь в кредитах, займах и в досрочном погашении. Пожалуйста оцените эту статью, поставьте оценку ниже.

Источник

Анализ клиентских баз данных. Выявление мошенничества (fraud detection) на базе STATISTICA Data Miner

Содержание

    Введение

    Краткий обзор Data Mining

    Вербальная постановка задачи

    Структура данных

    Основные подходы обнаружения мошенничества

    Почему именно технология Data Mining, а не отдельные методы классификации и кластеризации?

    Алгоритмы кластеризации

    Описательный анализ

    Кластеризация K-средних

    EM-алгоритм

    Автоматизация

    Выводы

    Приложение 1. Алгоритм запуска Алгоритма К-средних

    Приложение 2. Алгоритм запуска EM-алгоритма

Введение

Основа любого бизнеса — клиентские базы данных, в которых представлена информация об отношениях клиентов с компанией.

Например, в области коммуникации в базе данных хранится информация о времени заключения договоров на использование услуг, времени расторжения договора, регионе, тарифе и т.д.

В торговле книгами пол, возраст, купленные книги и т.д.

В интернет-торговле купленные товары, их количество, время покупки и т.д.

В этом кейсе мы рассмотрим медицинские базы данных. Реальный кейс описан в статье.

Цель анализа: выявление дантистов, умышлено завышающих стоимость услуг — выявление потенциальных мошенников (fraud detection).

В начало

Краткий обзор Data Mining

Data Mining – исследование и обнаружение «машиной» (алгоритмами, средствами искусственного интеллекта) в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации человеком. (Основатель направления Data Mining Пятецкий-Шапиро.)

Методы Data Mining помогают решить многие задачи, с которыми сталкивается аналитик. Из них основными являются: классификация, регрессия, поиск ассоциативных правил и кластеризация, обнаружение нетипичных наблюдений.

Ниже приведено краткое описание основных задач анализа данных.

Выявление нетипичных наблюдений. Обнаружение в данных нетипичных наблюдений, которые представляют «особый» интерес или обнаружение ошибок, от которых необходимо избавиться для проведения дальнейшего анализа.

Классификация. Задача – определить принадлежность объекта к классу по его характеристикам. Необходимо заметить, что в этой задаче множество классов, к которым может быть отнесен объект, заранее известно.

Регрессия. Поиск функции, которая описывает зависимость характеристиками объекта с наименьшей ошибкой.

Ассоциативный правила. Используя правила ассоциация, менеджер магазина может выявить товары, которые чаще всего покупают вместе (т.е. если покупают товар 1, то покупают и товар 2) и использовать эту информацию для маркетинговых кампаний.

Кластеризация. Выявление в данных скрытой структуры или наблюдений, которые так или иначе схожи.

В этом кейсе мы уделим внимание методу выявления нетипичных наблюдений.

В начало

Вербальная постановка задачи

Страховая компания имеет контракты с 10 клиниками, в которых работает 100 дантистов. База данных состоит из 20000 пациентов. С помощью SQL выгружаем из базы данных тех дантистов, которые выполняли услуги по страховке более 25 раз.

Всего было найдено 30 таких дантистов. Длина выборки составила 1000 – общее количество работ, которые они выполнили по страховке. Общая сумма страховки составила 500000$.

В выборке имеется информация об оказанных услугах дантистов, выполненных по страховке:

  • Возраст клиента;
  • Тип работ;
  • Дополнительные услуги;
  • Стоимость оказанных услуг в $;
  • Персональный номер дантиста.

Необходимо определить дантистов, умышлено завышающих стоимость услуг – выявить потенциальных мошенников (fraud detection).

В начало

Структура данных

Данные были выгружены из базы данных компании, занимающейся медицинским страхованием.

Данные представляют их себя отчеты об оказанных клиентам услугах различными дантистами в течение одного сеанса.

Рассматриваются только те дантисты, у которых количество работ, выполненных по страховке, превышает 25.

Размер выборки – 1000 наблюдений.

Ниже приведен фрагмент таблицы:

В представленной таблице приводится информация о 1000 выполненных работ различными дантистами.

По строчкам стоят Выполненные работы, по столбцам — следующие параметры:

  • Возраст клиента;
  • Тип работы (1- незначительная, 2 — значительная, 3 — специализированная);
  • Дополнительные услуги (1 – не было; 2 – недорогостоящие дополнительные услуги; 3- дорогостоящие);
  • Стоимость оказанных услуг в $;
  • Личный номер дантиста (используется для точной идентификации дантиста).

К примеру, первая строчку в таблице выше предоставляет информацию о проделанной работе – Возраст клиента 35, Проведена значительная работа с использованием дорогостоящих дополнительные процедуры, работу выполнил Дантист 10.

В начало

Основные подходы обнаружения мошенничества

Большинство методов, применяемых для обнаружения мошенничества (fraud detection), решают задачу классификации. Они требуют наличия объектов, для которых заранее известно к какому из двух классов они принадлежат Мошенничество или Не мошенничество (при чем достаточно большого количества для построения качественной модели). Такие методы принадлежат к классу supervised learning (обучение с учителем).

В нашей задаче, необходимо выявить потенциальных мошенников, не обладая информацией к какому классу принадлежат те или иные наблюдения.

Кластеризация в отличие от классификации не требует наличия информации о принадлежности к классу и соответственно принадлежит к классу unsupervised learning (обучение без учителя).

Задача кластеризации решается на начальных этапах исследования. Ее решение помогает лучше понять данные, их природу.

Большое достоинство кластерного анализа состоит в том, что он позволяет проводить разбиение объектов не по одному, а по целому набору признаков.

В начало

Почему именно технология Data Mining, а не отдельные методы классификации и кластеризации?

Технология Data Mining позволяет в отличие от отдельных методов кластеризации и классификации:

  • Определить автоматически оптимальное количество кластеров;
  • Работать с большим массивом данных;
  • Не требуется наличия объектов, для которых заранее известно к какому из классов они принадлежат;
  • Анализ баз данных на месте (In-Place Database Processing).

Анализ баз данных на месте (In-Place Database Processing)

Обработка баз данных на месте In-Place Database Processing (IDP) — это развитая технология доступа к базам данных, разработанная в StatSoft для достижения высокой производительности прямого интерфейса между данными внешних серверов и аналитической функциональностью продуктов STATISTICA.

IDP технология разработана, чтобы помочь обеспечить доступ к данным в больших БД, используя одношаговый процесс, который не требует создания локальных копий данных. IDP значительно увеличивает производительность STATISTICA; в частности хорошо приспособлена для задач data mining и исследовательских Анализов данных.

Причина большой скорости IDP

Большая скорость IDP технологии по сравнению с традиционным способом обусловлена не только тем фактом, что IDP позволяет STATISTICA обращаться к данным напрямую в БД и пропускать лишний шаг импорта данных и создания локального файла данных, но также из-за ее «многозадачной» (асинхронная и распределенная обработка) архитектуры. В частности IDP использует ресурсы (несколько процессоров) сервера БД для проведения операций с запросами, извлечения записей из данных, и пересылке их на компьютер с установленной программой STATISTICA, в то время как STATISTICA сразу обрабатывает эти записи, как только они поступают.

В начало

Алгоритмы кластеризации

Алгоритм К-средних

Разбивает множество элементов векторного пространства на заранее известное число кластеров k. Действие алгоритма таково, что он стремится минимизировать среднеквадратичное отклонение на точках каждого кластера. Основная идея заключается в том, что на каждой итерации перевычисляется центр масс для каждого кластера, полученного на предыдущем шаге, затем векторы разбиваются на кластеры вновь в соответствии с тем, какой из новых центров оказался ближе по выбранной метрике. Алгоритм завершается, когда на какой-то итерации не происходит изменения центров кластеров.

EM-алгоритм

В основе идеи EM-алгоритма лежит предположение, что распределение исходного множества является линейной комбинации подмножеств, имеющих нормальное распределение. Целью алгоритма является декомпозиция(разделение) множества на подмножества, а также оценка параметров распределения каждого подмножества, которые максимизируют логарифмическую функцию правдоподобия, используемую в качестве меры качества модели. Параметры нормального распределения – математическое ожидание и дисперсия.

В начало

Описательный анализ

Из таблицы видно, что непрерывные переменные Возраст клиента и Стоимость услуг имеют разную вариабельность (разброс) – Стандартное отклонение (последний столбец).

При кластеризации очень важно, чтобы переменные имели одинаковую вариабельность (разброс). Для этого используем процедуру Стандартизация.

Стандартизация

  • Выберем вкладку Данные;
  • Выберем Стандартизовать… Откроется диалоговое окно;
  • Выберем переменные – Возраст клиента, Стоимость услуг. Нажмем кнопку ОК .

В начало

Кластеризация K-средних

Анализ результатов — вкладка Quick

В верхней части диалогового окна расположено рабочая область, где показаны основные характеристики кластеризации:

  • Algorithm (Алгоритм) – К-средних;
  • Distance method (мера связи) — Евклидова;
  • Initial centers (определение центров кластеров) – Максимальное расстояние между кластеров;
  • MD casewise deletion (удаление пропущенных значений) — Да;
  • Cross-validation (кросс-проверка) – 10 кратная;
  • Testing sample (Контрольная выборка) — 0;
  • Training cases (Обучающая выборка) — 1000;
  • Training error (ошибка на обучающей выборке) – 0,492645;
  • Number of cluster (Число кластеров) – 4.

Во вкладке Quick (Быстрый) можно просмотреть следующие результаты:

Результаты анализа: Описание кластеров

Средние в каждом кластере (Cluster Means):

По строчкам стоят номера кластеров.

По столбцам — переменные, выбранные в начале анализа.

Последний столбец показывает долю наблюдений в каждом кластере.

Были получены следующие кластеры:

  • Кластер 1: Специализированная работа с использованием дорогостоящих дополнительных процедур, средний возраст клиента – 25, средняя стоимость услуг – 715$;
  • Кластер 2: Незначительная работа без использования дополнительных процедур, средний возраст клиента – 21, средняя стоимость услуг – 286$;
  • Кластер 3: Значительная работа с использованием дорогостоящих дополнительных процедур, средний возраст клиента – 38, средняя стоимость услуг – 819$;
  • Кластер 4: Значительная работа с использованием дешевых жополнительных процедур, средний возраст клиента – 27, средняя стоимость услуг – 551$.

Расстояние между кластерами (Cluster distance):

К примеру, расстояние между Кластер 1 и Кластер 2 — 1,465 (по метрики Евклида).

Объекты кластеров и расстояния:

Исходя из нее, можно понять какие наблюдения к какому кластеру принадлежат.

Определение значимых факторов

1. Сначала рассмотрим непрерывные переменные.

1.1 Построим график среднего возраста клиентов и стоимости услуг в каждом из кластеров.

Исходя из графика, в Кластере 2 средний возраст клиентов и средняя стоимость услуг максимальны по сравнению с другими кластерами.

1.2. Проведем Дисперсионный анализ для определения факторов, влияющих на принадлежность объекта кластеру.

Исходя из дисперсионного анализа, переменные Возраст клиента и Стоимость оказанных услуг влияют на принадлежность объекта кластеру, т.к. p-уровень меньше 0,05. Другими словам, и факторы Возраст и Стоимость оказанных услуг значимы.

2. Рассмотрим категориальные переменные.

Будем строить Таблицы частот и Графики частот для категориальных переменных (тип работы, дополнительные процедуры) для каждого кластера.

2.1. Тип работы.

Таблица частот:

График частот:

Исходя из построенного графика видим:

  • В Кластере 2 наибольшее количество незначительных работ;
  • В Кластере 1 наибольшее количество специализированных работ.

2.2. Дополнительные процедуры.

Таблица частот:

График частот:

Исходя из построенного графика видим:

  • В Кластере 2 наибольшее количество работ, выполненных без использование дополнительных процедур;
  • В Кластере 3 наибольшее количество работ, выполненных с использование дешевых дополнительных процедур;
  • В Кластере 1 наибольшее количество работ, выполненных с использование дорогих дополнительных процедур.

2.3. Определим, какие переменные оказывают значимое влияние на принадлежность к кластеру. Воспользуемся критерием Хи-Квадрат для категориальных переменных:

Исходя из таблицы, Тип работы и Дополнительные процедуры влияют на принадлежность объекта к кластеру, т.к. p-уровень меньше 0,05. Другими словами факторы Тип работы и Дополнительные процедуры значимы.

Алгоритм запуска алгоритма k-средних рассмотрен в Приложении 1.

Выявление потенциальных мошенников

Нас интересуют те дантисты, которые завышают стоимость своих услуг.

Для выявления таких дантистов, необходимо сравнить среднюю общую стоимость оказанных услуг для каждого кластера и среднюю стоимость оказанных услуг дантиста в каждом кластере.

График общей средней стоимости оказанных услуг в каждом кластере:

Дантист 0

График средней стоимости оказанных услуг Дантиста 0 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, в Кластере 1 стоимость услуг Дантиста 0 значительно превышают среднюю общую стоимость услуг. Дантист 0 – потенциальный мошенник.

Дантист 5

График средней стоимости оказанных услуг Дантиста 5 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, средняя стоимость услуг Дантиста 5 в Кластере 4 и в Кластере 2 значительно выше по сравнению со средней общей стоимостью в этом кластере. Дантист 5 потенциальный мошенник.

Дантист 13

График средней стоимости оказанных услуг Дантиста 13 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, средняя стоимость услуг Дантиста 13 в Кластере 1 значительно превосходят общую среднюю стоимость в этом кластере. Дантист 13 потенциальный мошенник.

Дантист 19

Исходя из графика, средняя стоимость услуг Дантиста 19 значительно превышает общую среднюю стоимость в Кластере 4. Дантист 19 потенциальный мошенник.

В начало

EM-алгоритм

Анализ результатов – вкладка Quick

При EM-кластеризации получилось всего 2 кластера.

Результаты анализа: Описание кластеров

Были получены следующие кластеры:

Кластер 1: Специализированные работы с использованием дешевый дополнительных процедур, средний возраст клиента – 34, средняя стоимость услуг – 882$;

Кластер 2: Значительные и незначительные работы с использованием дешевый дополнительных процедур, средний возраст клиента — 26,5, средняя стоимость услуг – 256$.

Определение значимых факторов

1. Сначала рассмотрим непрерывные переменные;

1.1 Построим график среднего возраста клиентов и стоимости услуг в каждом из кластеров.

1.2. Проведем Дисперсионный анализ для определения факторов, влияющих на принадлежность объекта кластеру.

Исходя из дисперсионного анализа, переменные Возраст клиента и Стоимость оказанных услуг влияют на принадлежность объекта кластеру, т.к. p-уровень меньше 0,05. Другими словами факторы Возраст и Стоимость оказанных услуг значимы.

2. Рассмотрим категориальные переменные.

Будем строить Таблицу частот и График частот для категориальных переменных (тип работы, дополнительные процедуры) для каждого кластера.

2.1 Тип работы.

Таблица частот:

График частот:

Исходя из построенного графика видим:

  • В Кластере 2 наибольшее количество незначительных и значительных работ;
  • В Кластере 3 наибольшее количество специализированных работ.

2.2 Дополнительные процедуры.

Таблица частот:

График частот:

Исходя из построенного графика видим:

  • В Кластере 1 наибольшее количество работ без использования дополнительных процедур;
  • В Кластере 2 наибольшее количество работ с использованием дорогостоящих и недорогостоящих дополнительных процедур.

2.3. Определим, какие переменные оказывают значимое влияние на принадлежность к кластеру. Воспользуемся критерием Хи-Квадрат для категориальных переменных:

Исходя из таблицы, Тип работы и Дополнительные процедуры влияют на принадлежность объекта к кластеру, т.к. p-уровень меньше 0,05. Другими словами факторы Тип работы и Дополнительные процедуры значимы.

Алгоритм запуска модуля см. в Приложении 2.

Выявление потенциальных мошенников

График общей средней стоимости оказанных услуг в каждом кластере:

Дантист 15

График средней стоимости оказанных услуг Дантиста 15 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, в Кластере 1 стоимость услуг Дантиста 15 значительно превышают среднюю общую стоимость услуг. Дантист 15 – потенциальный мошенник.

Дантист 5

График средней стоимости оказанных услуг Дантиста 5 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, средняя стоимость услуг Дантиста 5 в Кластере 2 значительно выше по сравнению со средней общей стоимостью в этом кластере. Дантист 5 потенциальный мошенник.

Дантист 27

График средней стоимости оказанных услуг Дантиста 5 и График средней общей стоимости оказанных услуг в каждом кластере:

Как видно из графика, средняя стоимость услуг Дантиста 27 в Кластере 1 значительно превосходят общую среднюю стоимость в этом кластере. Дантист 13 потенциальный мошенник.

Дантист 14

Исходя из графика, средняя стоимость услуг Дантиста 14 значительно превышает общую среднюю стоимость в Кластере 1 и Кластере 2. Дантист 14 потенциальный мошенник.

В начало

Автоматизация

Для автоматического вычисления описательных статистик и построения графиков в STATISTICA Data Miner есть модуль построения проекта. Фрагмент интерактивного построения проекта показан ниже.

На рисунке выше на первом шаге вносим переменные, которые будут подвергнуты анализу (в первой красном прямоугольнике).

На втором шаге происходит чистка и фильтрация данных — процесс анализа пропущенных данных и замена пропущенных данных средним (во втором красном прямоугольнике).

На третьем шаге вычисляются описательные статистики, таблицы частот, график средних в каждом кластере, диаграммы (во третьем красном прямоугольнике).

Последний прямоугольник (зеленый) – результаты анализа. В них можно просмотреть полученные результаты.

В начало

Выводы

В ходе анализа было выявлено 7 дантистов из 31, которые умышленно завышают стоимость выполненных по страховке работ.

Алгоритм k-средних

С помощью алгоритма k-средних образовалось 4 кластера:

  • Кластер 1: Специализированная работа с использованием дорогостоящих дополнительных процедур, средний возраст клиента – 25, средняя стоимость услуг – 715$;
  • Кластер 2: Незначительная работа без использования дополнительных процедур, средний возраст клиента – 21, средняя стоимость услуг – 286$;
  • Кластер 3: Значительная работа с использованием дорогостоящих дополнительных процедур, средний возраст клиента – 38, средняя стоимость услуг – 819$;
  • Кластер 4: Значительная работа с использованием дешевых дополнительных процедур, средний возраст клиента – 27, средняя стоимость услуг – 551$.

При сравнении общей средней стоимости услуг в каждом кластере со средней стоимостью услуг каждого дантиста было выявлено 4 дантиста, которые являются потенциальными мошенниками.

Дантист 0

Сильно завышает стоимость своих работ по оказанию специализированных услуг с использованием дорогостоящих процедур.

Дантист 5

Сильно завышает стоимость своих работ по оказанию незначительных услуг без использования дополнительных процедур и стоимость работ по оказанию значительных услуг с использованием дорогостоящих работ.

Дантист 13

Сильно завышает стоимость своих работ по оказанию специализированных услуг с использованием дорогостоящих процедур.

Дантист 19

Сильно завышает стоимость работ по оказанию значительных услуг с использованием дорогостоящих работ.

EM-алгоритм

С помощью алгоритма EM образовалось 2 кластера:

  • Кластер 1: Специализированные работы с использованием дешевый дополнительных процедур, средний возраст клиента – 34, средняя стоимость услуг – 882$;
  • Кластер 2: Значительные и незначительные работы с использованием дешевый дополнительных процедур, средний возраст клиента — 26,5, средняя стоимость услуг – 256$.

При сравнении общей средней стоимости услуг в каждом кластере со средней стоимостью услуг каждого дантиста было выявлено 4 дантиста, которые являются потенциальными мошенниками.

Дантист 15

Сильно завышает стоимость работ по оказанию специализированных услуг с использованием дешевых дополнительных работ.

Дантист 5

Сильно завышает стоимость работ по оказанию значительных и незначительных услуг с использованием дешевых дополнительных работ.

Дантист 27

Сильно завышает стоимость работ по оказанию специализированных услуг с использованием дешевых дополнительных работ.

Дантист 14

Сильно завышает стоимость работ по оказанию значительных и незначительных услуг с использованием дешевых дополнительных работ.

В результате было выявлено 7 потенциальных мошенников:

Дантист 0

Дантист 5

Дантист 13

Дантист 14

Дантист 15

Дантист 19

Дантист 27

Применяемые техники для анализа данных страховых случаев позволяют подсчитать, как много работ определенных дантистов отличаются от нормы. Решаются важные вопросы: Как много дантистов-мошенников? Сколько денег подвержено риску из-за деятельности последних?

Алгоритмы кластеризации (алгоритм K-средних и EM-алгоритм) являются удобными инструментами для ответа на поставленные вопросы.

В начало

Приложение 1. Алгоритм запуска Алгоритма К-средних

Шаг 0 (Модуль)

Откроем вкладку Добыча данных (Data Miner) и выберем модуль Обобщенные методы кластерного анализа (Generalized EM and k-Means Cluster Analysis).

Откроется диалоговое окно:

Шаг 1 (Выбор переменных).

Нажмем на кнопку Variables (Переменные).

В качестве категориальных переменных выберем:

  • Тип работы;
  • Дополнительные процедуры.

В качестве непрерывных переменных:

  • Возраст клиента;
  • Стоимость оказанных услуг в $.

Шаг 2 (Настройка параметров кластеризации).

Во вкладке Quick (Быстрый) выберем:

  • k-Means (к-средних);
  • Number of cluster — 2;
  • Number of iterations – 50,

как показано на рисунке выше.

Перейдем во вкладку k-means:

В этой вкладке настраиваются следующие параметры:

  • начальные центры кластеров;
  • мера связи.

Оставим по умолчанию.

Начальные центры кластеров будут определяться так, чтобы между ними было максимальное расстояние.

Мера связи (метрика в многомерном пространстве) – Евклидова.

Шаг 3 (Проверка).

Во вкладке Validation (Проверка) поставим галку рядом с кросс-проверкой. Остальные параметры оставим без изменений. Нажмем кнопку ОК.

В начало

Приложение 2. Алгоритм запуска EM-алгоритма

Повторить Шаг 0, Шаг 1 (см. Приложение 1).

Шаг 2 (Настройка параметров кластеризации).

Во вкладке Quick (Быстрый) выберем:

  • EM algoritm;
  • Number of cluster — 2;
  • Number of iterations – 50.

Перейдем во вкладку EM:

В этой вкладке настраиваются следующие параметры:

  • random seed;
  • минимальный рост логарифма правдоподобия (minimum increase of log-likehood).

Оставляем их по умолчанию.

Для непрерывных переменных выберем в качестве распределения – нормальное.

Шаг 3 (Проверка).

Во вкладке Validation (Проверка) поставим галку рядом с кросс-проверкой. Остальные параметры оставим без изменений. Нажмем кнопку OK.

Читать подробнее о методах и инструментах STATISTICA Data Miner

Источник
  • Напишите нам
  • Правила аукционов
  • Открыть свой магазин

  • Войти

  • Выставить лот

пополнение счёта

# 23 апреля 2020

нуммис, какой текст смс был указан в ответном сообщении после попытки оплаты? Напишите в службу поддержки ay@ay.by

# 12 августа 2020

Здравствуйте. пополнил счёт 7 августа. до сих пор в режиме «ожидание пополнения». Как быть?   07.08.2020 в 21:14
5,00бел. руб. Пополнение счёта через СМС
Изменить способ оплаты Ожидание зачисления
Оплатить

юрий редактировал сообщение 12 августа 2020

# 11 ноября 2020

Не могу пополнить счёт через WEBPAY.
Код ошибки
W0302
Текст ошибки
Сервер оплаты услуг: Некорретный запрос к базе данных.
Что делать?Нахожусь в России и другим способом оплатить не могу.

# 11 ноября 2020

fedja777, аук вам тут не поможет. Это проблема на стороне сервиса. Возможно, даже не вебпай виноват, а наша система расчётов ЕРИП, которая глючила вчера, и, возможно, глючит сегодня… Вчера она висела наглухо и никакие платежи не проходили через неё во всех банках и на почте.

Попробуйте обратиться в поддержку вебпай. Возможно они прояснят ситуацию…

Шыш Кыш редактировал сообщение 11 ноября 2020

# 11 ноября 2020

Я вас понял.Каким ещё способом я могу оплатить услуги аукциона?Или подождатьи попробовать вечером или завтра?

# 11 ноября 2020

fedja777, если не критично, то я бы подождал денёк. Если дело в ЕРИПе, то должны отремонтировать. Но на всякий случай я бы задал и вопрос поддержке вебпея.

Если критично, то нужно искать доверенное лицо в Беларуси, которое оплатит со счёта сотового оператора, а вы ему нужную сумму положите на счёт его симки с банковской карты. При этом комиссия составит 3%

# 11 ноября 2020

Vic,мне не обязательно доверенное лицо в Беларуси.У меня есть работающий телефон Лайф,но в способах оплаты у меня почему-то только 1 вариант.Это банковская карта.Хотя я мог бы заплатить и через интернет-банкинг чеоез Беларусбанк.Как я могу добавить способы оплаты?

# 11 ноября 2020

fedja777, скорее всего, аккаунт зарегистрирован на РФ. Возможно, перечень способов оплаты расширится, если аккаунт будет зарегистрирован на РБ. Как технически решён вопрос приёма платежей через СМС, если белорусская симка находится в российском роуминге, сказать не могу…
Почему для аккаунтов, зареганных на РФ, недоступен способ оплаты через интернет-банкинг с использованием симки белорусского оператора, тоже не знаю.

# 11 ноября 2020

Vic:

fedja777, … сказать не могу…
… тоже не знаю..

Ответило недоразумение

# 12 ноября 2020

Vic,проблема пока не решена.Я могу указать вместо российского номера телефона белорусский?И тогда аккаунт будет зарегестрирован на РБ?И расширится список способов оплаты?

# 12 ноября 2020

Vic,позвонил в службу поддержки вебпея.Там по коду ошибки сказали что платёж не проходит в связи с ограничениями,которые банк установил для вашей организации ООО «Оз Альянс».Что мне делать?Через 34 часа мне будет запрещено выставлять и перевыставлять лоты!!!Просьба разобраться с проблемой,зависящей не от меня.

fedja777 редактировал сообщение 12 ноября 2020

# 12 ноября 2020

Или объясните как я могу получить счёт для оплаты через интернет-банкинг.

# 12 ноября 2020

fedja777, я не модератор, может стоит поинтересоваться в банке-эмитенте карты, с чем связано ограничение для ОЗ Альянс? Что это за дискриминация со стороны банка-эмитента?

Но то, что при перерегистрации акка на РБ вам будут доступны и другие способы оплаты, это факт!

Что касается возможности перепривязки аккаунта к белорусской симке, тут дело за модераторами… Я вам по этому поводу не скажу ничего…

# 13 ноября 2020

Vic:

. Я вам по этому поводу не скажу ничего…

Интересно) Когда это вы отвечали «по поводу» ? Напомните пожалуйста хоть самую простецкую тему, где бы вы написали что-то стОящее ?
Я не пытаюсь как-то троллить или хамить. Кроме вашего амбициозно-бестолкового ИМХО никто и ничего здесь не наблюдал(
Пользователи сайта обсуждают какую-то тему, вы начинаете откровенно эту тему затролливать глупостями . Потом жалуетесь, что вас обидели, написав вам ПРАВДУ о вас и людей блокируют.
Одного не могу понять: АДМИНАМ-ТО ЭТО ЗАЧЕМ?!

# 13 ноября 2020

Alleswisser, у тебя пунктик какой-то на «жалобстве». Админы просто поддерживают орднунг на форуме! без всяких моих жалоб… Тебе есть что сказать полезного вопрошающему человеку? — так скажи! помоги! вместо критики меня, стремящегося помочь, внести хоть какую-то ясность…

Я высказался — следуя моему совету человеку хотя бы стало понятно, что банк-эмитент по какой-то причине не хочет проводить платежи в адрес ОЗ Альянс…

Шыш Кыш редактировал сообщение 13 ноября 2020

# 13 ноября 2020

Конечно, конечно. Особенно после твоих откровенных оскорблений и нарушений правил)
Странно, не правда ли ?

# 1 декабря 2020

по каким критериям Вами формируется размер пополнения баланса?

# 3 декабря 2020

можно ли оплатить рублями РФ с банковской карты РФ?

# 3 декабря 2020

ay24606370,  к сожалению, на данный момент пополнить счет можно только с помощью белорусской банковской карты.

# 3 декабря 2020

ay24606370, рекомендуемая сумма пополнения счёта рассчитывается как ваш средний расход средств за неделю.

# 3 декабря 2020

Tivk Cshueateuape:
Виталька Шелопукин, сиди тихо и не тивкай, мой личный фейк!

Модераторы Так когда прекратятся оскорбления и необоснованные обвинения в мой адрес со стороны этого  http://ay.by/whoiswho.phtml?id=9161314

# 20 февраля 2021

Так из России вообще невозможно пополнить счет???Служба поддержки не отвечает.2 раза им писал

# 22 февраля 2021

Dednay 02, пополнить счет с помощью  карты иностранного банка нельзя.

# 9 марта 2021

ни как не получается оплатить счет задолженности с карты сб Россия..
Вам запрещено выставлять и редактировать лоты. Чтобы продолжить работу с аукционами вам необходимо пополнить счёт. После пополнения вам будет предоставлена возможность выставлять лоты без ограничения. перехожу по ссылки там — Платеж отклонен
Дата платежа
2021.03.09 13:39:10
Номер карты
427616xxxxxx4652
Код ошибки
W0225
Текст ошибки
Ограничение настроек безопасности
Счет №
87fbaaf0-549f-4b39-859c-855f31bb4832
Получатель платежа
ООО
Сумма
13.00 BYN
написал  в службу поддержки там такая хрень —
Добрый день, Виталий.
Данная ошибка связана с временными ограничениями на оплату через систему Webpay для данной услуги. Оплата возможна только картами, эмитированными банками Республики Беларусь.
Рекомендуем обратиться к поставщику товара/услуг для уточнения альтернативных способов оплаты.
С уважением,
техническая поддержка ООО «ВЕБ ПЭЙ»
+375 17 219 84 34
+375 29 383 71 72
support@webpay.by
ЧТО ДЕЛАТЬ И КАК БЫТЬ ?????????????????????????????? ДЕНЬГИ ТО Я НЕ ПРОТИВ ОПЛАТИТЬ НО КАК И ЛОТЫ НЕ МОГУ ВЫСТАВЛЯТЬ И КОРРЕКТИРОВАТЬ ………………ЧТО ЗА МАРАЗМ ???????????????

Источник

WebPay. Настройка #1950

WebPay — это система обслуживания платежей по банковским карточкам VISA и MasterCard.

При необходимости Вы можете настроить данную систему в своем магазине. Для этого Вам сперва необходимо зарегистрироваться в системе «WebPay».

Для настройки откройте в одной вкладке — настройки платежного шлюза, в другой — настройки платежной системы в системе управления.

Рассмотрим алгоритм подключения шлюза подробнее.

Обратите внимание!

  • Webpay предоставляют два кабинета — один для приема платежей картами, второй для приема платежей через ЕРИП. Соответственно, в системе управления для этого предусмотрены две группы одинаковых полей — первая группа полей предназначена для приёма платежей картами, вторая для ЕРИП.

Шаг 1

Перейдите в личный кабинет продавца к разделу настроек на вкладке «Компания Инфо».

phpBEdLc8

Обратите внимание!

  • Тут и далее вам, соответственно, необходимо открыть сразу оба кабинета и копировать значения сперва из одного, затем из другого.

Шаг 2

В открывшемся окне скопируйте значение строки «Имя биллинга».

phpT1VNUv

И вставьте скопированное значение на стороне системы управления в поле «MERCHANT_NAME».

Шаг 3

Скопируйте значение строки «Биллинг ID».

phpHk3FKM

И вставьте скопированное значение на стороне системы управления в поле «Merchant ID/Идентификатор магазина«.

Шаг 4

Укажите «Секретный ключ».

phpUli7rX

И указанный код введите в системе управления в поле «Секретный ключ».

Шаг 5

Укажите значение «Версия сервера Webpay«.

Данная настройка обусловлена некоторыми особенностями работы платежного шлюза: часть клиентов обслуживаются 1 сервером (чаще всего это клиенты, давно пользующиеся услугами шлюза), а часть сервером 2 (новые клиенты).

  • Если Вы новый клиент WebPay — укажите V2. 
  • Если Вы давно являетесь клиентом WebPay — Вам лучше проконсультироваться с технической поддержкой платежного шлюза, запросив информацию о сервере.

Шаг 6

Укажите используемый язык.

Шаг 6

В выпадающем меню «Валюта» (в системе управления сайтом) укажите ту валюту, в которой Вы будете принимать платежи.

Шаг 8

Параметр «Тестовый режим» служит для тестирования платежной системы. Если желаете протестировать платежную систему, то в выпадающем меню «Тестовый режим» выберите «Да». Если же необходимо использовать настоящие денежные операции, то выберите «Нет».

Шаг 9

В поле «Название» Вы можете указать название платежной системы, которое будет отображаться при выборе способа оплаты. Вы можете оставить это поле пустым (в этом случае будет выводиться стандатное название «WebPay»).

Шаг 10

При необходимости Вы можете выбрать из предложенного списка иконок платежных систем соответствующую.

Для этого просто отметьте в блоке “Значки платежной системы” ту иконку, которая соответствует выбранной платежной системе.

Вы можете выбрать одну или несколько иконок — все они будут отображаться на этапе выбора способа оплаты при оформлении заказа на сайте.

Если в иконке нет необходимости, просто оставьте все значки невыделенными.

Шаг 11

Если Вы хотите возместить процент, взымаемый с Вас платежной системой, Вам необходимо в соответствующем поле указать размер процента для платежей, проводимых черsq способ оплаты. Этот процент при оплате будет начислен сверху к стоимости заказа.

Шаг 12

После произведенных настроек измените статус платежной системы на «Включено«.

Шаг 13

И сохраните изменения на стороне системы управления.

Шаг 14

На стороне ситсемы управления заполните все прочие обязательные поля (подробные инструкции по их заполнению Вы можете получить у представителей платежного шлюза) и нажмите «Подтвердить».

phphwXSgS

Источник

0 0 голоса
Рейтинг статьи
Подписаться
Уведомить о
guest

0 комментариев
Старые
Новые Популярные
Межтекстовые Отзывы
Посмотреть все комментарии

А вот еще интересные материалы:

  • Яшка сломя голову остановился исправьте ошибки
  • Ясность цели позволяет целеустремленно добиваться намеченного исправьте ошибки
  • Ясность цели позволяет целеустремленно добиваться намеченного где ошибка
  • Webmoney при авторизации произошла ошибка
  • Webmoney ошибка оплаты попробуйте позже

    • ➤