Impactos da pandemia nos modelos de detecção de fraude

Abstract

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.

Fraud detection models are used to identify whether a transaction is legitimate or fraudulent, based on registration and transactional information. This paper aims to propose a predictive model to replace the traditional rule set used by a large multinational telecom company. In addition, we tested the impact of the pandemic on fraudulent transactions and the model built. The following approaches were compared with each other: logistic regression, neural networks, decision trees, Bayesian networks and gradient boosting on a real database. The database was separated into training, validation and off-time samples. Logistic regression was chosen as the most suitable model as it performed best in predicting fraudulent transactions, and we found that the pandemic caused significant impacts on both fraud and the predictive model built.