Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
A prefeitura de uma metrópole implementou um sistema de análise de dados para monitorar...
A prefeitura de uma metrópole implementou um sistema de análise de dados para monitorar a concessão de subsídios e benefícios sociais. No entanto, o sistema começou a detectar um aumento de solicitações fraudulentas, Incluindo a inserção de dados falsos para se qualificar a benefícios indevidos. À equipe de analistas responsável identificou uma oportunidade de utilizar as TICs em favor da sociedade, diante da flagrante violação das questões éticas. Assim, optou-se por usar uma abordagem de mineração de dados para identificar padrões de fraude nos dados, considerando que muitas fraudes envolvem pequenas manipulações difíceis de identificar. A opção escolhida foi
A
aplicar algoritmos de clusterização, como o KNN (K-Nearest Neighbours), nos dados históricos de solicitações para identificar padrões de comportamento de grupos distintos de beneficiários, agrupando os fraudadores em clusters específicos.
B
utilizar regras de associação negativas para encontrar combinações frequentes de caracteristicas em solicitações fraudulentas, permitindo que o sistema aplique regras automáticas para marcar possíveis fraudes.
C
implementar classificação supervisionada usando o algoritmo DBSCAN, que permite rotular cada solicitação como fraudulenta ou não, com base em exemplos passados de fraudes já detectadas.
D
adotar métodos de séries temporais utilizando a Média Móvel Simplificada (MMS), que dá maior peso aos dados mais recentes, para observar a evolução das solicitações ao longo do tempo e detectar picos ou comportamentos atípicos que possam indicar fraudes sazonais ou concentradas em certos períodos.
E
aplicar a técnica de análise de anomalias para detectar padrões de comportamento discrepantes e encontrar fraudes que não seguem padrões bem definidos, utilizando métodos como isolamento de floresta (Isolation forest) para encontrar outliers sutis.