Estudo de Caso: Detecção de Fraudes e Segmentação de Clientes (Clustering)

Introdução

Este estudo de caso explora dois problemas comuns em contextos de Fraude e Marketing/CRM: detecção de anomalias e segmentação de clientes.

Detecção de fraudes/anomalias

Utilizando o Bank Transaction Dataset for Fraud Detection (Kaggle), são discutidos alguns algoritmos populares para identificação de transações anômalas:

• Isolation Forest: isolamento rápido, baseado em árvores, de pontos de dados, eficiente em dados de alta dimensionalidade
• Autoencoders: redes neurais treinadas para reconstruir padrões normais, sinalizando como anomalia os casos com maior erro de reconstrução
• Local Outlier Factor (LOF): abordagem baseada em densidade, que mede o desvio local de um ponto em relação aos seus vizinhos

Um notebook de referência aplicando alguns desses conceitos está disponível AQUI.

Segmentação de clientes (clustering)

Como aplicação complementar de técnicas não supervisionadas em negócios, também é discutida a segmentação de clientes via clustering, com um exemplo de referência AQUI.

Contextos de negócio relacionados: Fraudes, Marketing, CRM.