Kursus Fraud Analytics

Pelajaran 1 • Mendefinisikan Fraud dan Variannya

Mencakup definisi hukum dan operasional fraud beserta kategori skema utama. Membangun kosakata bersama yang digunakan di seluruh kursus.

Pelajaran 2 • Segitiga Fraud dan Belah Ketupat Fraud

Mengkaji model motivasi yang menjelaskan mengapa individu melakukan fraud. Menghubungkan teori perilaku dengan desain sinyal deteksi.

Pelajaran 3 • Konteks Regulasi dan Etika

Memperkenalkan kewajiban kepatuhan dan batasan etika yang mengatur program analitik fraud. Mendasari pekerjaan teknis dalam kerangka akuntabilitas.

Pelajaran 4 • Lanskap Data Fraud

Memetakan sumber data internal dan eksternal yang relevan untuk deteksi fraud. Peserta memahami batasan ketersediaan data sebelum pemodelan dimulai.

Pelajaran 1 • Rekayasa Fitur untuk Sinyal Fraud

Mengubah kolom transaksional mentah menjadi fitur prediktif yang menangkap perilaku fraud. Fitur yang kuat adalah pendorong utama akurasi model.

Pelajaran 2 • Pemisahan Data dan Pencegahan Kebocoran

Menetapkan pemisahan train-validation-test yang benar yang menghormati urutan temporal dalam data fraud. Mencegah kebocoran data yang meningkatkan estimasi kinerja model.

Pelajaran 3 • Pembersihan dan Deduplikasi Data

Mengidentifikasi masalah kualitas data umum dalam set data fraud dan menerapkan perbaikan sistematis. Data bersih mengurangi positif palsu dalam model deteksi.

Pelajaran 4 • Akuisisi dan Penyerapan Data

Mencakup metode untuk mengekstrak data dari sistem transaksional, log, dan umpan pihak ketiga. Membangun jalur pipa yang memasok analitik hilir.

Pelajaran 1 • Membangun Profil dan Tipologi Fraud

Menyintesis temuan eksplorasi ke dalam tipologi fraud yang terdokumentasi untuk penggunaan operasional. Profil memandu desain aturan dan pemilihan fitur model.

Pelajaran 2 • Statistik Deskriptif untuk Data Fraud

Menggunakan ringkasan distribusi untuk mengkarakterisasi transaksi yang sah vs. curang. Mengungkap perbedaan dasar yang menginformasikan pemilihan fitur.

Pelajaran 3 • Teknik Eksplorasi Visual

Menerapkan bagan dan plot untuk menampilkan anomali dan kelompok perilaku dalam data fraud. Visualisasi mempercepat pembuatan hipotesis bagi analis.

Pelajaran 4 • Hukum Benford dan Analisis Digit

Menerapkan hukum frekuensi digit yang diharapkan untuk mendeteksi angka yang dibuat-buat atau dimanipulasi. Banyak digunakan dalam investigasi fraud laporan keuangan dan pengeluaran.

Pelajaran 1 • Arsitektur Mesin Aturan

Menjelaskan bagaimana mesin aturan mengevaluasi transaksi terhadap kondisi yang ditentukan secara real-time. Menyediakan fondasi struktural untuk membangun logika deteksi.

Pelajaran 2 • Mengukur Kinerja Aturan

Menerapkan metrik presisi, recall, dan lift untuk mengevaluasi efektivitas aturan. Pengukuran kinerja mendorong perbaikan aturan secara iteratif.

Pelajaran 3 • Merancang Aturan Deteksi yang Efektif

Menerjemahkan tipologi fraud ke dalam kondisi aturan yang tepat dan dapat diuji. Aturan yang dirancang dengan baik meminimalkan positif palsu sambil mempertahankan recall yang tinggi.

Pelajaran 4 • Penilaian Fraud dan Peringkat Risiko

Menggabungkan beberapa sinyal ke dalam skor fraud gabungan untuk memprioritaskan peringatan. Penilaian memungkinkan analis memfokuskan upaya pada kasus berisiko tertinggi.

Pelajaran 1 • Metrik Evaluasi Spesifik Fraud

Memilih dan menafsirkan metrik yang sesuai untuk tugas klasifikasi fraud yang tidak seimbang. Pilihan metrik secara langsung memengaruhi keputusan bisnis tentang penerapan model.

Pelajaran 2 • Dasar-Dasar Algoritme Klasifikasi

Memperkenalkan regresi logistik, pohon keputusan, dan metode ensemble dalam konteks fraud. Membangun intuisi untuk pemilihan algoritme sebelum penyesuaian hiperparameter.

Pelajaran 3 • Kepentingan Fitur dan Explainability Model

Mengekstrak dan mengomunikasikan fitur mana yang mendorong prediksi model menggunakan alat interpretabilitas. Explainability mendukung kepercayaan investigator dan tinjauan peraturan.

Pelajaran 4 • Pelatihan dan Validasi Model

Menerapkan validasi silang dan pengujian holdout untuk memperkirakan kinerja model di dunia nyata. Validasi yang benar mencegah model overfit mencapai produksi.

Pelajaran 1 • Pengelompokan untuk Segmentasi Perilaku

Mengelompokkan transaksi atau entitas berdasarkan kesamaan perilaku untuk mengisolasi kelompok anomali. Pengelompokan mengungkap lingkaran fraud dan kohort perilaku yang tidak biasa.

Pelajaran 2 • Isolation Forest dan Metode Berbasis Pohon

Menggunakan isolasi berbasis pohon untuk memberi skor anomali tanpa asumsi distribusi. Berskala secara efisien ke set data transaksional besar.

Pelajaran 3 • Menggabungkan Sinyal Tidak Terawasi dan Terawasi

Mengintegrasikan skor anomali sebagai fitur dalam model terawasi untuk meningkatkan cakupan deteksi. Pendekatan hibrida menangkap pola fraud yang dikenal dan baru.

Pelajaran 4 • Deteksi Anomali Statistik

Menerapkan jarak statistik dan uji distribusi untuk menandai transaksi pencilan. Menyediakan skor anomali yang dapat diinterpretasi dan diaudit untuk investigator.

Pelajaran 1 • Aplikasi Pembelajaran Mesin Graf

Memperluas analitik graf klasik dengan graph neural networks untuk klasifikasi simpul. Memungkinkan penilaian fraud otomatis di tingkat entitas menggunakan konteks relasional.

Pelajaran 2 • Metrik Sentralitas dan Pengaruh

Menghitung sentralitas derajat, betweenness, dan PageRank untuk mengidentifikasi pelaku fraud utama. Simpul dengan sentralitas tinggi sering kali mewakili pengatur atau akun perantara.

Pelajaran 3 • Membangun Graf Entitas Fraud

Membangun graf hubungan entitas dari data transaksional dan identitas. Kualitas konstruksi graf menentukan keakuratan analitik hilir.

Pelajaran 4 • Deteksi Komunitas untuk Lingkaran Fraud

Menerapkan algoritme deteksi komunitas untuk mengisolasi kelompok fraud yang terhubung erat. Deteksi lingkaran memungkinkan strategi investigasi dan penindakan yang terkoordinasi.

Pelajaran 1 • Risiko Model dan Tata Kelola

Menerapkan prinsip manajemen risiko model pada model deteksi fraud sepanjang siklus hidupnya. Tata kelola memastikan model tetap akurat, adil, dan patuh dari waktu ke waktu.

Pelajaran 2 • Strategi Adaptif Melawan Fraud yang Berkembang

Membangun kemampuan organisasi untuk mendeteksi dan merespons taktik fraud baru saat muncul. Program adaptif mengurangi kesenjangan antara evolusi fraud dan respons deteksi.

Pelajaran 3 • Mengukur Efektivitas Program Fraud

Menetapkan KPI dan kerangka pelaporan untuk mengukur hasil deteksi dan pencegahan fraud. Pengukuran memungkinkan keputusan investasi berbasis data untuk program.

Pelajaran 4 • Alur Kerja Manajemen Peringatan dan Triage

Merancang alur kerja ujung-ke-ujung untuk merutekan, memprioritaskan, dan menyelesaikan peringatan fraud. Triage yang efisien memaksimalkan hasil investigasi dan meminimalkan gesekan pelanggan.