Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Gimenez, Robson Pedreiro |
| Orientador(a): |
Fernandes, Marcelo |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Link de acesso: |
https://hdl.handle.net/10438/30806
|
Resumo: |
Modelos para detecção de fraude são utilizados para identificar se uma transação é legítima ou fraudulenta, com base em informações cadastrais e transacionais. Este trabalho possui como objetivo propor um modelo preditivo em substituição ao conjunto de regras tradicionais utilizadas por uma multinacional de grande porte do setor de telecomunicação. Além disso, testamos o impacto da pandemia nas transações fraudulentas e no modelo construído. Foram comparadas entre si as seguintes abordagens: regressão logística, redes neurais, árvores de decisão, redes bayesianas e gradient boosting em um banco de dados real. A base de dados foi separada em amostras de treino, validação e fora do tempo. A regressão logística foi escolhida como modelo mais adequado por ter apresentado melhor desempenho na previsão das operações fraudulentas, e verificamos que a pandemia causou impactos significativos, tanto na fraude como no modelo preditivo construído. |
