Detecção de anomalias em um serviço de operadora de telefonia móvel

Detalhes bibliográficos
Autor(a) principal: Silva, Alysson Geraldo Gomes
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/22648
Resumo: Operadoras de telefonia oferecem canais digitais que viabilizam a venda e assinaturas de produtos. Estes canais têm seu acesso viabilizado pela operadora com auxílio de parceiros que operam o fluxo dos usuários. Os parceiros que operam o canal se conectam a uma plataforma de inteligência que seleciona o melhor conjunto de ofertas para o cliente obedecendo certos critérios de negócio. Embora sejam canais de acesso restrito, há evidências de usuários que possuem fluxos de navegações suspeitos. Estes usuários influenciam negativamente os índices dos volumes de venda e o desempenho da plataforma por consumirem recursos desnecessariamente para a seleção customizada de ofertas. Para auxiliar no funcionamento eficiente da plataforma e aumentar a qualidade das vendas, é necessário separar usuários confiáveis de usuários não confiáveis. Com esta informação, os gestores da inteligência do canal podem decidir para quais fluxos direcionar o usuário de acordo com sua confiabilidade, podendo inclusive não ofertar produtos para usuários cujas ações sejam consideradas fraudulentas. Neste trabalho, estudamos o comportamento de usuários ao longo de um mês utilizando métodos de detecção de outliers. A partir deste estudo desenvolvemos um classificador para auxiliar na verificação da confiabilidade do usuário e, com isso, viabilizar o redirecionamento de fluxos alternativos
id UFF-2_56db76c8d22a2d88ea28e862ebcd9750
oai_identifier_str oai:app.uff.br:1/22648
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Detecção de anomalias em um serviço de operadora de telefonia móvelAprendizado de máquinaDetecção de anomaliasEstatísticaAprendizado de máquinaDetecção de falhasTelefonia celularMachine learningOutlier detectionStatisticsOperadoras de telefonia oferecem canais digitais que viabilizam a venda e assinaturas de produtos. Estes canais têm seu acesso viabilizado pela operadora com auxílio de parceiros que operam o fluxo dos usuários. Os parceiros que operam o canal se conectam a uma plataforma de inteligência que seleciona o melhor conjunto de ofertas para o cliente obedecendo certos critérios de negócio. Embora sejam canais de acesso restrito, há evidências de usuários que possuem fluxos de navegações suspeitos. Estes usuários influenciam negativamente os índices dos volumes de venda e o desempenho da plataforma por consumirem recursos desnecessariamente para a seleção customizada de ofertas. Para auxiliar no funcionamento eficiente da plataforma e aumentar a qualidade das vendas, é necessário separar usuários confiáveis de usuários não confiáveis. Com esta informação, os gestores da inteligência do canal podem decidir para quais fluxos direcionar o usuário de acordo com sua confiabilidade, podendo inclusive não ofertar produtos para usuários cujas ações sejam consideradas fraudulentas. Neste trabalho, estudamos o comportamento de usuários ao longo de um mês utilizando métodos de detecção de outliers. A partir deste estudo desenvolvemos um classificador para auxiliar na verificação da confiabilidade do usuário e, com isso, viabilizar o redirecionamento de fluxos alternativosMobile operators offer digital channels that enable the sale and subscription of products. These channels are accessed through the operator infrastructure with the help of partners that operate users’ flows. The partners connect to an intelligent platform that selects the best offers, obeying some business criteria. Although the channels have restricted access, there is evidence of users who have suspi cious browsing flows. These users negatively influence the sales volume indexes and the platform’s performance by consuming resources unnecessarily for the customized selection of offers. To improve the platform’s efficiency and increase sales quality, we should separate trus ted users from untrusted ones. With this information, channel intelligence managers can decide which flows to direct the users based on their reliability and may not even offer products to users whose actions are considered fraudulent. In this work, we study the behavior of users over a month using outlier detection methods. Based on this study, we developed a classifier to verify users’ reliability to redirect alter native flowsMartins, Simone de LimaCarvalho, Aline Marins PaesPlastino, AlexandreSilva, Alysson Geraldo Gomes2021-07-16T11:45:08Z2021-07-16T11:45:08Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfSILVA, Alysson Geraldo Gomes da. Detecção de anomalias em um serviço de operadora de telefonia móvel. 2021. 58 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.https://app.uff.br/riuff/handle/1/22648http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-09-23T12:16:19Zoai:app.uff.br:1/22648Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202021-09-23T12:16:19Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Detecção de anomalias em um serviço de operadora de telefonia móvel
title Detecção de anomalias em um serviço de operadora de telefonia móvel
spellingShingle Detecção de anomalias em um serviço de operadora de telefonia móvel
Silva, Alysson Geraldo Gomes
Aprendizado de máquina
Detecção de anomalias
Estatística
Aprendizado de máquina
Detecção de falhas
Telefonia celular
Machine learning
Outlier detection
Statistics
title_short Detecção de anomalias em um serviço de operadora de telefonia móvel
title_full Detecção de anomalias em um serviço de operadora de telefonia móvel
title_fullStr Detecção de anomalias em um serviço de operadora de telefonia móvel
title_full_unstemmed Detecção de anomalias em um serviço de operadora de telefonia móvel
title_sort Detecção de anomalias em um serviço de operadora de telefonia móvel
author Silva, Alysson Geraldo Gomes
author_facet Silva, Alysson Geraldo Gomes
author_role author
dc.contributor.none.fl_str_mv Martins, Simone de Lima
Carvalho, Aline Marins Paes
Plastino, Alexandre
dc.contributor.author.fl_str_mv Silva, Alysson Geraldo Gomes
dc.subject.por.fl_str_mv Aprendizado de máquina
Detecção de anomalias
Estatística
Aprendizado de máquina
Detecção de falhas
Telefonia celular
Machine learning
Outlier detection
Statistics
topic Aprendizado de máquina
Detecção de anomalias
Estatística
Aprendizado de máquina
Detecção de falhas
Telefonia celular
Machine learning
Outlier detection
Statistics
description Operadoras de telefonia oferecem canais digitais que viabilizam a venda e assinaturas de produtos. Estes canais têm seu acesso viabilizado pela operadora com auxílio de parceiros que operam o fluxo dos usuários. Os parceiros que operam o canal se conectam a uma plataforma de inteligência que seleciona o melhor conjunto de ofertas para o cliente obedecendo certos critérios de negócio. Embora sejam canais de acesso restrito, há evidências de usuários que possuem fluxos de navegações suspeitos. Estes usuários influenciam negativamente os índices dos volumes de venda e o desempenho da plataforma por consumirem recursos desnecessariamente para a seleção customizada de ofertas. Para auxiliar no funcionamento eficiente da plataforma e aumentar a qualidade das vendas, é necessário separar usuários confiáveis de usuários não confiáveis. Com esta informação, os gestores da inteligência do canal podem decidir para quais fluxos direcionar o usuário de acordo com sua confiabilidade, podendo inclusive não ofertar produtos para usuários cujas ações sejam consideradas fraudulentas. Neste trabalho, estudamos o comportamento de usuários ao longo de um mês utilizando métodos de detecção de outliers. A partir deste estudo desenvolvemos um classificador para auxiliar na verificação da confiabilidade do usuário e, com isso, viabilizar o redirecionamento de fluxos alternativos
publishDate 2021
dc.date.none.fl_str_mv 2021-07-16T11:45:08Z
2021-07-16T11:45:08Z
2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Alysson Geraldo Gomes da. Detecção de anomalias em um serviço de operadora de telefonia móvel. 2021. 58 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.
https://app.uff.br/riuff/handle/1/22648
identifier_str_mv SILVA, Alysson Geraldo Gomes da. Detecção de anomalias em um serviço de operadora de telefonia móvel. 2021. 58 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.
url https://app.uff.br/riuff/handle/1/22648
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1802135438546173952

Registros relacionados