Kurz Fraud Analytics

Lekce 1 • Definice podvodu a jeho variant

Pokrývá právní a provozní definice podvodu spolu s hlavními kategoriemi schémat. Stanovuje sdílenou terminologii používanou v celém kurzu.

Lekce 2 • Trojúhelník a diamant podvodu

Zkoumá motivační modely vysvětlující, proč se jednotlivci dopouštějí podvodu. Propojuje behaviorální teorii s návrhem detekčních signálů.

Lekce 3 • Regulační a etický kontext

Představuje povinnosti v oblasti dodržování předpisů a etické hranice pro programy podvodové analytiky. Zasazuje technickou práci do rámce odpovědnosti.

Lekce 4 • Datové prostředí podvodů

Mapuje interní a externí zdroje dat relevantní pro odhalování podvodů. Studenti chápou omezení dostupnosti dat ještě před zahájením modelování.

Lekce 1 • Tvorba příznaků pro signály podvodu

Transformuje surová transakční pole na prediktivní příznaky, které zachycují podvodné chování. Kvalitní příznaky jsou hlavním faktorem přesnosti modelu.

Lekce 2 • Dělení dat a prevence úniku informací

Stanovuje správné rozdělení na trénovací, validační a testovací sady respektující časové pořadí v datech o podvodech. Zabraňuje úniku dat, který by uměle zvyšoval odhady výkonu modelu.

Lekce 3 • Čištění a deduplikace dat

Identifikuje běžné problémy s kvalitou dat v datových sadách podvodů a aplikuje systematické opravy. Čistá data snižují počet falešně pozitivních výsledků v detekčních modelech.

Lekce 4 • Získávání a příjem dat

Pokrývá metody extrakce dat z transakčních systémů, logů a zdrojů třetích stran. Vytváří datové linky, které zásobují následnou analytiku.

Lekce 1 • Vytváření profilů a typologií podvodů

Syntetizuje zjištění z průzkumné analýzy do zdokumentovaných typologií podvodů pro provozní použití. Profily slouží jako vodítko pro návrh pravidel a výběr příznaků modelu.

Lekce 2 • Popisná statistika pro data o podvodech

Využívá souhrnné charakteristiky rozdělení k popisu legitimních a podvodných transakcí. Odhaluje základní rozdíly, které ovlivňují výběr příznaků.

Lekce 3 • Vizuální průzkumné techniky

Aplikuje grafy pro odhalení anomálií a behaviorálních shluků v datech o podvodech. Vizualizace urychluje generování hypotéz pro analytiky.

Lekce 4 • Benfordův zákon a analýza číslic

Aplikuje zákon očekávané frekvence číslic k odhalení zfalšovaných nebo zmanipulovaných údajů. Široce se využívá při vyšetřování podvodů s účetními výkazy a výdaji.

Lekce 1 • Architektura pravidlového enginu

Vysvětluje, jak pravidlové enginy vyhodnocují transakce oproti definovaným podmínkám v reálném čase. Poskytuje strukturální základ pro budování detekční logiky.

Lekce 2 • Měření výkonu pravidel

Aplikuje metriky přesnosti, úplnosti a liftu pro hodnocení účinnosti pravidel. Měření výkonu řídí iterativní zlepšování pravidel.

Lekce 3 • Navrhování účinných detekčních pravidel

Převádí typologie podvodů do přesných, testovatelných podmínek pravidel. Dobře navržená pravidla minimalizují falešně pozitivní výsledky při zachování vysoké úplnosti.

Lekce 4 • Skórování podvodů a hodnocení rizik

Kombinuje více signálů do složeného skóre podvodu pro stanovení priorit upozornění. Skórování umožňuje analytikům soustředit úsilí na případy s nejvyšším rizikem.

Lekce 1 • Metriky hodnocení specifické pro podvody

Vybírá a interpretuje metriky vhodné pro nevyvážené úlohy klasifikace podvodů. Volba metriky přímo ovlivňuje obchodní rozhodnutí o nasazení modelu.

Lekce 2 • Základy klasifikačních algoritmů

Představuje logistickou regresi, rozhodovací stromy a souborové metody v kontextu podvodů. Buduje intuici pro výběr algoritmu před laděním hyperparametrů.

Lekce 3 • Důležitost příznaků a vysvětlitelnost modelu

Extrahuje a sděluje, které příznaky řídí predikce modelu, pomocí nástrojů interpretovatelnosti. Vysvětlitelnost podporuje důvěru vyšetřovatelů a regulační kontrolu.

Lekce 4 • Trénování a validace modelu

Aplikuje křížovou validaci a testování na vyčleněné sadě pro odhad skutečného výkonu modelu. Správná validace zabraňuje tomu, aby se do produkce dostaly přeučené modely.

Lekce 1 • Shlukování pro behaviorální segmentaci

Seskupuje transakce nebo entity podle behaviorální podobnosti, aby izolovalo anomální shluky. Shlukování odhaluje kruhy podvodníků a neobvyklé behaviorální kohorty.

Lekce 2 • Izolační les a metody založené na stromech

Využívá izolaci založenou na stromech ke skórování anomálií bez předpokladů o rozdělení. Efektivně se škáluje na velké transakční datové sady.

Lekce 3 • Kombinace signálů z učení bez učitele a s učitelem

Integruje skóre anomálií jako příznaky do modelů s učitelem pro zvýšení pokrytí detekce. Hybridní přístupy zachycují známé i nové vzorce podvodů.

Lekce 4 • Statistická detekce anomálií

Aplikuje testy statistické vzdálenosti a rozdělení k označení odlehlých transakcí. Poskytuje interpretovatelná a auditovatelná skóre anomálií pro vyšetřovatele.

Lekce 1 • Aplikace grafového strojového učení

Rozšiřuje klasickou grafovou analytiku o grafové neuronové sítě pro klasifikaci uzlů. Umožňuje automatizované skórování podvodů na úrovni entity s využitím relačního kontextu.

Lekce 2 • Metriky centrality a vlivu

Vypočítává stupňovou, mezilehlostní a PageRank centralitu k identifikaci klíčových aktérů podvodu. Uzly s vysokou centralitou často představují organizátory nebo převodní účty.

Lekce 3 • Vytváření grafů entit podvodů

Vytváří grafy vztahů entit z transakčních a identifikačních dat. Kvalita konstrukce grafu určuje přesnost následné analytiky.

Lekce 4 • Detekce komunit pro kruhy podvodníků

Aplikuje algoritmy detekce komunit k izolaci těsně propojených shluků podvodů. Detekce kruhů umožňuje koordinované vyšetřovací a likvidační strategie.

Lekce 1 • Riziko modelů a jejich správa

Aplikuje principy řízení rizik modelů na modely odhalování podvodů během celého jejich životního cyklu. Správa zajišťuje, že modely zůstávají přesné, spravedlivé a v souladu s předpisy v průběhu času.

Lekce 2 • Adaptivní strategie proti vyvíjejícím se podvodům

Buduje organizační schopnost odhalovat nové taktiky podvodů a reagovat na ně, jakmile se objeví. Adaptivní programy snižují prodlevu mezi vývojem podvodů a detekční odezvou.

Lekce 3 • Měření účinnosti programu proti podvodům

Stanovuje klíčové ukazatele výkonu a rámce reportingu pro kvantifikaci výsledků odhalování a prevence podvodů. Měření umožňuje investiční rozhodnutí v programu na základě dat.

Lekce 4 • Správa upozornění a pracovní postupy třídění

Navrhuje komplexní pracovní postupy pro směrování, určování priorit a řešení upozornění na podvody. Efektivní třídění maximalizuje propustnost vyšetřovatelů a minimalizuje třenice se zákazníky.