Curso de Fraud Analytics

Aula 1 • Definir Fraude e suas Variantes

Abrange as definições legais e operacionais de fraude, juntamente com as principais categorias de esquemas. Estabelece o vocabulário partilhado utilizado ao longo do curso.

Aula 2 • O Triângulo e o Diamante da Fraude

Examina modelos motivacionais que explicam por que razão os indivíduos cometem fraude. Liga a teoria comportamental ao desenho de sinais de deteção.

Aula 3 • Contexto Regulatório e Ético

Apresenta as obrigações de conformidade e os limites éticos que regem os programas de análise de fraude. Fundamenta o trabalho técnico em estruturas de responsabilização.

Aula 4 • Panorama dos Dados de Fraude

Mapeia as fontes de dados internas e externas relevantes para a deteção de fraude. Os estudantes compreendem as restrições de disponibilidade de dados antes do início da modelação.

Aula 1 • Engenharia de Características para Sinais de Fraude

Transforma campos transacionais brutos em características preditivas que captam o comportamento fraudulento. Características robustas são o principal impulsionador da precisão do modelo.

Aula 2 • Divisão de Dados e Prevenção de Fuga de Dados

Estabelece divisões corretas de treino-validação-teste que respeitam a ordenação temporal nos dados de fraude. Previne a fuga de dados que inflaciona as estimativas de desempenho do modelo.

Aula 3 • Limpeza e Desduplicação de Dados

Identifica problemas comuns de qualidade de dados em conjuntos de dados de fraude e aplica remediação sistemática. Dados limpos reduzem falsos positivos nos modelos de deteção.

Aula 4 • Aquisição e Ingestão de Dados

Aborda métodos para extrair dados de sistemas transacionais, registos e feeds de terceiros. Estabelece pipelines que alimentam análises a jusante.

Aula 1 • Construção de Perfis e Tipologias de Fraude

Sintetiza os resultados exploratórios em tipologias de fraude documentadas para uso operacional. Os perfis orientam a conceção de regras e a seleção de características do modelo.

Aula 2 • Estatística Descritiva para Dados de Fraude

Utiliza resumos distribucionais para caracterizar transações legítimas vs. fraudulentas. Revela diferenças de base que informam a seleção de características.

Aula 3 • Técnicas de Exploração Visual

Aplica gráficos e diagramas para detetar anomalias e aglomerados comportamentais em dados de fraude. A visualização acelera a geração de hipóteses para os analistas.

Aula 4 • Lei de Benford e Análise de Dígitos

Aplica a lei da frequência esperada de dígitos para detetar números fabricados ou manipulados. Amplamente utilizado em investigações de fraude em demonstrações financeiras e despesas.

Aula 1 • Arquitetura do Motor de Regras

Explica como os motores de regras avaliam as transações em relação a condições definidas em tempo real. Fornece a base estrutural para a construção da lógica de deteção.

Aula 2 • Medição do Desempenho das Regras

Aplica métricas de precisão, revocação e elevação para avaliar a eficácia das regras. A medição do desempenho impulsiona a melhoria iterativa das regras.

Aula 3 • Conceção de Regras de Deteção Eficazes

Traduz tipologias de fraude em condições de regras precisas e testáveis. Regras bem concebidas minimizam falsos positivos enquanto mantêm uma revocação elevada.

Aula 4 • Pontuação de Fraude e Classificação de Risco

Combina múltiplos sinais numa pontuação de fraude composta para priorizar alertas. A pontuação permite que os analistas concentrem o esforço nos casos de maior risco.

Aula 1 • Métricas de Avaliação Específicas para Fraude

Seleciona e interpreta métricas adequadas a tarefas de classificação de fraude desequilibradas. A escolha da métrica afeta diretamente as decisões de negócio sobre a implementação do modelo.

Aula 2 • Fundamentos de Algoritmos de Classificação

Apresenta a regressão logística, as árvores de decisão e os métodos de ensemble no contexto da fraude. Constrói intuição para a seleção de algoritmos antes do ajuste de hiperparâmetros.

Aula 3 • Importância de Características e Explicabilidade do Modelo

Extrai e comunica quais as características que impulsionam as previsões do modelo usando ferramentas de interpretabilidade. A explicabilidade apoia a confiança do investigador e a revisão regulatória.

Aula 4 • Treino e Validação do Modelo

Aplica validação cruzada e testes com conjunto de retenção para estimar o desempenho real do modelo. A validação correta impede que modelos sobreajustados cheguem à produção.

Aula 1 • Clustering para Segmentação Comportamental

Agrupa transações ou entidades por similaridade comportamental para isolar aglomerados anómalos. O clustering revela anéis de fraude e coortes comportamentais invulgares.

Aula 2 • Isolation Forest e Métodos Baseados em Árvores

Utiliza o isolamento baseado em árvores para pontuar anomalias sem pressupostos distribucionais. Escala eficientemente para grandes conjuntos de dados transacionais.

Aula 3 • Combinação de Sinais Não Supervisionados e Supervisionados

Integra pontuações de anomalia como características em modelos supervisionados para aumentar a cobertura de deteção. As abordagens híbridas captam padrões de fraude conhecidos e novos.

Aula 4 • Deteção Estatística de Anomalias

Aplica testes de distância estatística e de distribuição para sinalizar transações atípicas. Fornece pontuações de anomalia interpretáveis e auditáveis para investigadores.

Aula 1 • Aplicações de Aprendizagem Automática em Grafos

Estende a análise clássica de grafos com redes neuronais de grafos para classificação de nós. Permite a pontuação automatizada de fraude ao nível da entidade usando contexto relacional.

Aula 2 • Métricas de Centralidade e Influência

Calcula a centralidade de grau, intermediação e PageRank para identificar os principais atores de fraude. Os nós com alta centralidade representam frequentemente orquestradores ou contas laranja.

Aula 3 • Construção de Grafos de Entidades de Fraude

Constrói grafos de relações de entidades a partir de dados transacionais e de identidade. A qualidade da construção do grafo determina a precisão da análise a jusante.

Aula 4 • Deteção de Comunidades para Anéis de Fraude

Aplica algoritmos de deteção de comunidades para isolar aglomerados de fraude fortemente ligados. A deteção de anéis permite estratégias coordenadas de investigação e desmantelamento.

Aula 1 • Risco de Modelo e Governação

Aplica princípios de gestão do risco de modelo aos modelos de deteção de fraude ao longo do seu ciclo de vida. A governação garante que os modelos permaneçam precisos, justos e em conformidade ao longo do tempo.

Aula 2 • Estratégia Adaptativa Contra a Fraude em Evolução

Constrói a capacidade organizacional para detetar e responder a novas táticas de fraude à medida que surgem. Programas adaptativos reduzem o desfasamento entre a evolução da fraude e a resposta de deteção.

Aula 3 • Medição da Eficácia do Programa de Fraude

Estabelece KPIs e estruturas de relato para quantificar os resultados da deteção e prevenção de fraude. A medição permite decisões de investimento baseadas em dados para o programa.

Aula 4 • Gestão de Alertas e Fluxos de Triagem

Concebe fluxos de trabalho completos para encaminhar, priorizar e resolver alertas de fraude. A triagem eficiente maximiza o rendimento do investigador e minimiza o atrito com o cliente.