Machine Learning na identificação de operações de pagamento fraudulentas e atribuição de nível de risco de operações e clientes

• Autor(a) principal: Costa, Nuno Filipe Rocha
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/23706
• topic: Machine Learning; E-Commerce; Deteção de Fraude; Deteção de Outlier; Fraud Detection; Outlier Detection

A utilização do comércio eletrónico, mais conhecido por E-Commerce, aumentou nos últimos anos, eventualmente devido à pandemia covid-19 bem como a outros fatores. Este aumento levou à criação de novas empresas, mas também estimulou diversas atividades de fraude online. As empresas cada vez mais têm dificuldades para combater e impedir tentativas de fraudes devido à sua constante mudança. Esta dissertação visa apresentar todo o processo de estudo, experimentação, desenvolvimento e avaliação de uma solução de Machine Learning para a deteção de fraudes, desde a recolha dos dados ao seu processamento e apresentação de resultados. Durante o desenvolvimento foram aplicados conhecimentos obtidos na fase de estudo e técnicas de Machine Learning. O objetivo é comparar os diferentes algoritmos [Decision Tree (DT), Isolation Forest (IF) e K-nearest neighbors (KNN)] e verificar quais oferecem melhor resultado a cada conjunto de dados[Clientes e Transferências], na deteção de fraude ou outliers. Um objetivo secundário, tirando partido do uso de Machine Learning, será efetuar previsões nomeadamente o nível de risco de um novo cliente por Merchant. Nesta tese pode ser encontrado um estudo e comparação da aplicação de dois modelos, um para a previsão de fraude de um cliente e outro para a deteção de outlier nas transferências, assim como um estudo sobre as melhores configurações e parâmetros para cada modelo.