Bab ini terlebih dahulu akan memberikan definisi formal tentang fraud. Anda kemudian akan mempelajari cara mendeteksi anomali pada jenis metode pembayaran yang digunakan atau waktu pembayaran dilakukan untuk menandai transaksi yang mencurigakan.

Pendahuluan & Motivasi

Distribusi kelas yang tidak seimbang

Biaya tidak mendeteksi kecurangan

Fitur waktu

Histogram melingkar

Cap waktu mencurigakan

Fitur frekuensi

Fitur frekuensi untuk satu akun

Fitur frekuensi untuk beberapa akun

Fitur kebaruan

Fitur recency

Membandingkan frekuensi & resensi

Pada bab kedua, Anda akan mempelajari cara menggunakan jejaring untuk memerangi fraud. Anda akan memvisualisasikan jejaring dan menggunakan konsep sosiologi yang disebut homofili untuk mendeteksi transaksi curang dan menangkap pelaku kecurangan.

Analitik jejaring sosial

Menganalisis sebuah jaringan

Edge yang saling menimpa

Kecurangan dan analisis jejaring sosial

Mencari homofili dalam sebuah jaringan

Memvisualisasikan atribut node

Inferensi berbasis jejaring sosial

Model relasional vs non-relasional

Klasifikator tetangga relasional

Metrik jejaring sosial

Degree, closeness & betweenness

Menambahkan fitur jaringan

Untungnya, kejadian fraud jarang terjadi. Namun, ini berarti Anda bekerja dengan data yang tidak seimbang, yang jika dibiarkan apa adanya akan membuat model deteksi Anda bias. Pada bab ini, Anda akan mengatasi ketidakseimbangan menggunakan metode over- dan under-sampling.

Menangani himpunan data yang tidak seimbang

Bagaimana menangani ketidakseimbangan kelas?

Memvisualisasikan pola dalam data

Random over-sampling

Under-sampling acak

Mengurangi ukuran kelompok mayoritas

Menggabungkan ROS & RUS

Oversampling Sintetis

Sudahkah Anda mengenal SMOTE?

SMOTE

Dari himpunan data ke model deteksi

Bangun model deteksi Anda sendiri

Biaya nyata deteksi kecurangan

Distribusi kelas tidak seimbang

Pada bab terakhir ini, Anda akan mempelajari hukum matematika yang mengejutkan untuk mendeteksi kejadian yang mencurigakan. Anda kemudian akan menggunakan statistika robust untuk membuat model Anda semakin tangguh.

Analisis digit menggunakan hukum Benford

Hukum Benford untuk digit pertama

Kesesuaian data sensus

Hukum Benford untuk deteksi kecurangan

Kesesuaian dengan Hukum Benford

Klaim asuransi kebakaran

Himpunan data pembayaran

Mendeteksi pencilan univariat

Menghitung robust z-score

Boxplot

Mendeteksi pencilan multivariat

Deteksi outlier multivariat

Analisis digit dan statistika robust

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Association of Certified Fraud Examiners memperkirakan bahwa kecurangan menelan biaya bagi organisasi di seluruh dunia sebesar $3,7 triliun per tahun dan perusahaan rata-rata kehilangan lima persen dari pendapatan tahunannya akibat fraud. Upaya kecurangan bahkan diperkirakan akan terus meningkat di masa depan, sehingga deteksi fraud menjadi sangat diperlukan di sebagian besar industri. Kursus ini akan menunjukkan bagaimana mempelajari pola fraud dari data historis dapat digunakan untuk memerangi kecurangan. Beberapa teknik dari statistika robust dan analisis digit disajikan untuk mendeteksi pengamatan tidak biasa yang kemungkinan terkait dengan fraud. Dua tantangan utama saat membangun alat terawasi untuk deteksi fraud adalah ketidakseimbangan atau kemencengan data dan beragamnya biaya untuk berbagai jenis salah klasifikasi. Kami menyajikan teknik untuk mengatasi isu-isu ini dan berfokus pada himpunan data buatan dan nyata dari beragam aplikasi fraud.

Unsupervised Learning in R

Supervised Learning in R: Classification

Pelajari deteksi penipuan dengan deteksi anomali, visualisasi jaringan sosial, dan analisis digit di R.

Deteksi Fraud di R

Pelajari cara mendeteksi penipuan dengan analisis data menggunakan R.

Kesesuaian dengan Hukum Benford

Deteksi Fraud di R

Latihan interaktif langsung