Usando análise de dados - fraude de cartão de crédito

Prévia do material em texto

As empresas hoje estão empregando técnicas analíticas para a deteção precoce de fraudes de cartão de crédito, um fator-chave na mitigação de danos por fraude. O tipo mais comum de fraude de cartão de crédito não envolve o roubo físico do cartão, mas sim de credenciais de cartão de crédito, que são então usadas para compras online.
Imagine que você foi contratado como Analista de Dados para trabalhar na Divisão de Cartão de Crédito de um banco. E sua primeira tarefa é juntar-se à sua equipe no uso de análise de dados para a deteção precoce e mitigação de fraude de cartão de crédito.
Para prescrever um caminho a seguir, ou seja, sugerir o que deve ser feito para que a fraude seja detetada precocemente, é preciso entender como é uma transação fraudulenta. E para isso você precisa começar olhando os dados históricos.
Aqui está um conjunto de dados de amostra que captura os detalhes da transação do cartão de crédito para alguns usuários.
Técnicas descritivas de análise, ou seja, técnicas que ajudam a entender o que aconteceu, incluem a identificação de padrões e anomalias nos dados. As anomalias significam uma variação em um padrão que parece atípico ou fora do comum. As anomalias podem ocorrer por razões perfeitamente válidas e genuínas, mas justificam uma avaliação porque podem ser um sinal de atividade fraudulenta.
Estudos anteriores sugeriram que alguns dos eventos comuns que você pode precisar observar incluem:
· Uma mudança na frequência dos pedidos feitos, por exemplo, um cliente que normalmente faz alguns pedidos por mês, repentinamente faz várias transações em um curto espaço de tempo, às vezes minutos após o pedido anterior.
· Pedidos que são significativamente maiores do que a transação média de um usuário.
· Pedidos em massa do mesmo item com pequenas variações, como cor ou tamanho, especialmente se isso for atípico no histórico de transações do usuário.
· Uma mudança repentina na preferência de entrega, por exemplo, uma mudança do endereço de entrega em casa ou no escritório para entrega na loja, depósito ou caixa postal.
· Um endereço IP incompatível ou um endereço IP que não seja da localização geral ou área do endereço de cobrança.
Antes de analisar os dados em busca de padrões e anomalias, você precisa:
· Identifique e reúna todos os pontos de dados que podem ser relevantes para o seu caso de uso. Por exemplo, os detalhes do titular do cartão, detalhes da transação, detalhes de entrega, localização e rede são alguns dos pontos de dados que podem ser explorados.
· Limpe os dados. Você precisa identificar e corrigir problemas nos dados que podem levar a descobertas falsas ou incompletas, como valores de dados ausentes e dados incorretos. Você também pode precisar padronizar os formatos de dados em alguns casos, por exemplo, os campos de data.
Finalmente, ao chegar às descobertas, você criará visualizações apropriadas que comunicam suas descobertas ao público. O gráfico abaixo mostra uma dessas visualizações que você usaria para capturar uma tendência oculta no conjunto de dados de amostra compartilhado anteriormente no estudo de caso.
Na próxima seção, você deverá responder às seguintes 5 (cinco) perguntas com base neste estudo de caso:
· Liste pelo menos 5 (cinco) pontos de dados que são necessários para a análise e deteção de uma fraude de cartão de crédito.
· Identifique 3 (três) erros / problemas que podem afetar a precisão de suas descobertas, com base em uma tabela de dados fornecida.
· Identifique 2 (duas) anomalias, ou comportamentos inesperados, que o levem a acreditar que a transação pode ser suspeita, com base em uma tabela de dados fornecida.
· Explique resumidamente sua lição principal do gráfico de visualização de dados fornecido.
· Identifique o tipo de análise que você está executando ao analisar dados históricos de cartão de crédito para entender a aparência de uma transação fraudulenta. [Dica: os quatro tipos de análises incluem: descritiva, diagnóstica, preditiva, prescritiva]
Hi, I’ve review your assignment, can u please review mine!!https://www.coursera.org/learn/introduction-to-data-analytics/peer/erxxg/peer-graded-final-assignment/review/UYU6sd3vEeuNPgqKXjzy7w
Manuel Patrick – J201 – Problemas de EOT - WHW