En este capítulo se dará primero una definición formal de fraude. Después aprenderás a detectar anomalías en el tipo de métodos de pago usados o en el momento en que se realizan estos pagos para señalar transacciones sospechosas.

Introducción y motivación

Distribución desbalanceada de clases

Coste de no detectar fraude

Características temporales

Histograma circular

Marcas temporales sospechosas

Características de frecuencia

Característica de frecuencia para una cuenta

Característica de frecuencia para múltiples cuentas

Características de recencia

Característica de recencia

Comparar frecuencia y antigüedad

En el segundo capítulo, aprenderás a usar redes para luchar contra el fraude. Visualizarás redes y usarás un concepto de la sociología llamado homofilia para detectar transacciones fraudulentas y atrapar a los estafadores.

Analítica de redes sociales

Analizar una red

Aristas superpuestas

Fraude y análisis de redes sociales

Buscando homofilia en una red

Visualización de atributos de nodos

Inferencia basada en redes sociales

Modelos relacionales vs. no relacionales

Clasificador de vecinos relacionales

Métricas de redes sociales

Grado, cercanía y intermediación

Añadir características de red

Afortunadamente, los casos de fraude son poco frecuentes. Sin embargo, esto implica que trabajarás con datos desbalanceados, que si se dejan tal cual sesgarán tus modelos de detección. En este capítulo abordarás el desbalance usando métodos de sobremuestreo y submuestreo.

Cómo abordar conjuntos de datos desbalanceados

¿Cómo tratar el desbalanceo de clases?

Visualizar patrones en los datos

Sobre-muestreo aleatorio

Submuestreo aleatorio

Reducir el grupo mayoritario

Combinar ROS y RUS

Sobre-muestreo sintético

¿Conoces SMOTE?

SMOTE

Del conjunto de datos al modelo de detección

Crea tu propio modelo de detección

Coste real de la detección de fraude

Distribuciones de clases desbalanceadas

En este último capítulo, conocerás una sorprendente ley matemática utilizada para detectar sucesos sospechosos. Luego usarás estadística robusta para hacer tus modelos aún más resistentes.

Análisis de dígitos con la ley de Benford

Ley de Benford para el primer dígito

Conformidad de los datos del censo

La ley de Benford para la detección de fraude

Conformidad con la Ley de Benford

Reclamaciones de seguro contra incendios

Conjunto de datos de pagos

Detección de atípicos univariantes

Cálculo de z-scores robustos

Diagrama de caja

Detección de atípicos multivariantes

Análisis de dígitos y estadística robusta

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

La Association of Certified Fraud Examiners estima que el fraude cuesta a las organizaciones de todo el mundo 3,7 billones de dólares al año y que una empresa típica pierde un cinco por ciento de sus ingresos anuales por fraude. Se espera que los intentos de fraude sigan aumentando en el futuro, por lo que la detección de fraude es imprescindible en la mayoría de sectores. En este curso verás cómo aprender patrones de fraude a partir de datos históricos puede ayudar a combatirlo. Se presentan algunas técnicas de estadística robusta y análisis de dígitos para detectar observaciones inusuales que probablemente estén asociadas al fraude. Dos retos principales al construir una herramienta supervisada para la detección de fraude son el desbalance o asimetría de los datos y los distintos costes de los diferentes tipos de clasificación errónea. Presentamos técnicas para resolver estos problemas y nos centramos en conjuntos de datos artificiales y reales de una amplia variedad de aplicaciones de fraude.

Unsupervised Learning in R

Supervised Learning in R: Classification

Aprende a detectar fraudes con detección de anomalías, visualización de redes y análisis en R.

Detección de fraude en R

Aprende a detectar el fraude con análisis en R.

Conformidad con la Ley de Benford

Detección de fraude en R

ejercicio interactivo práctico