MÉTODOS DE MACHINE LEARNING NA DETECCIÓN DE FRAUDE EN CARTÓN DE CRÉDITO: UN ESTUDO COMPARADO
DOI:
https://doi.org/10.63026/acertte.v5i9.265Palabras clave:
Detección de fraude. Tarjetas de crédito. Aprendizado de máquina.Resumen
A medida que crece el número de transacciones financieras en Brasil y el mundo, los intentos de fraude incorporan nuevos métodos y adquieren mayor sofisticación, generando un importante impacto financiero para las empresas y consumidores víctimas de ese crimen. Los métodos tradicionales de verificación de identidad y detección de fraude son limitados al identificar transacciones fraudulentas, exigiendo enfoques más adaptativos como el uso de aprendizaje de máquina. Este estudio tiene como objetivo analizar el escenario de los fraudes en transacciones con tarjetas de crédito y comparar la eficacia de cuatro algoritmos supervisados de machine learning – Logistic Regression, Naive Bayes, Support Vector Machine (SVM) y Decision Tree – en la detección de estos fraudes. Inicialmente, se realiza una exposición del problema y su impacto en el sector financiero. A continuación, se aplicaron métodos de machine learning a un calendario público de transacciones financieras reales, con análisis comparativos de las métricas de desempeño y consideraciones sobre el impacto de las técnicas de machine learning en datos desbalanceados.
Descargas
Citas
ASSOCIAÇÃO BRASILEIRA DAS EMPRESAS DE CARTÕES DE CRÉDITO E
SERVIÇOS (ABECS). Balanço do setor de meios eletrônicos de pagamento 2023. São Paulo: ABECS, 2023.
ASSOCIAÇÃO BRASILEIRA DAS EMPRESAS DE CARTÕES DE CRÉDITO E
SERVIÇOS (ABECS). Panorama do mercado de cartões e meios de pagamento. São Paulo: ABECS, dez. 2022.
AZIZ, A.; GHOUS, H. Fraudulent Transactions Detection in Credit Card by using Data Mining Methods: A Review. International Journal of Scientific Progress and Research (IJSPR), v. 79, n. 1, p. 31, jan. 2021.
BAESENS, B.; HÖPPNER, S.; VERDONCK, T. Data engineering for fraud detection.
Decision Support Systems, v. 150, 113492, 2021. DOI: https://doi.org/10.1016/j.dss.2021.113492
BANCO CENTRAL DO BRASIL (BCB). Resolução Conjunta nº 6, de 23 de maio de 2023. Dispõe sobre os requisitos para o compartilhamento de dados e informações sobre indícios de fraudes a ser observado pelas instituições financeiras, instituições de pagamento e demais instituições autorizadas a funcionar pelo Banco Central do Brasil. Diário Oficial da União, Brasília, DF, 25 maio 2023.
BHATLA, T. P.; PRABHU, V.; DUA, A. Understanding Credit Card Frauds. Mumbai: Tata Consultancy Services, 2003.
BRAMER, M. Principles of Data Mining. London: Springer, 2007.
BURKOV, A. The Hundred-Page Machine Learning Book. Québec: Andriy Burkov, 2019.
BURNS, R. J.; STANLEY, R. A. Fraud Management in the Credit Card Industry. Payment Cards Center Discussion Paper, Federal Reserve Bank of Philadelphia, 2002. DOI: https://doi.org/10.2139/ssrn.927784
CAIRES, D. de O. Técnicas de interpretabilidade para aprendizado de máquina: um estudo abordando avaliação de crédito e detecção de fraude. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2022. DOI: https://doi.org/10.17648/wmecai-2022-154059
CASELLA, G.; BERGER, R. L. Statistical Inference. 2. ed. Pacific Grove, CA: Duxbury, 2002.
CONFEDERAÇÃO NACIONAL DE DIRIGENTES LOJISTAS (CNDL). Fraudes
financeiras no Brasil. Brasil: CNDL/SPC Brasil, jun. 2021.
CYBERSOURCE. 2023 Global Ecommerce Payments and Fraud Report. Foster City, CA: Cybersource, 2023.
DAL POZZOLO, A. Adaptive Machine Learning for Credit Card Fraud Detection. 2015. Tese (Doutorado) – Universidade de Lyon; Universidade de Passau, 2015.
ELHUSSENY, N. S. et al. Credit Card Fraud Detection Using Machine Learning Techniques. Future Computing and Informatics Journal, 2022.
FAWCETT, T. ROC graphs: Notes and practical considerations for data mining researchers. HP Laboratories, Technical Report HPL-2003-4, 2004.
GÉRON, A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2. ed. Sebastopol, CA: O'Reilly Media, 2019.
HART, O. Incomplete Contracts and Control. Prize Lecture. Department of Economics, Harvard University, USA, 2016.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. New York: Springer, 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7
HAYEK, F. A. The Use of Knowledge in Society. The American Economic Review, v. 35, n. 4, p. 519-530, sep. 1945.
HE, H.; GARCIA, E. A. Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering, v. 21, n. 9, p. 1263-1284, 2009. DOI: https://doi.org/10.1109/TKDE.2008.239
HORTA, D.; LOIOLA, M. B. Detecção de fraude em transações de cartão de crédito utilizando aprendizado de máquina e redes neurais. In: CONGRESSO BRASILEIRO DE INTELIGÊNCIA COMPUTACIONAL, 15., 2022, Campina Grande. Anais... Campina Grande: SBC, 2022.
IBM. 2022 IBM Global Financial Fraud Impact Report. 2022.
INSTITUTE OF INTERNAL AUDITORS. Global Technology Audit Guide (GTAG®) 13: Prevenção e Detecção de Fraudes em um Mundo Automatizado. 2009.
KALECKI, M. Teoria da dinâmica econômica: ensaio sobre as mudanças cíclicas e a longo prazo da economia capitalista. 1993.
LORENA, A. C.; DE CARVALHO, A. C. P. L. F. Uma introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43-67, 2007. DOI: https://doi.org/10.22456/2175-2745.5690
LUCAS, Y.; JURGOVSKY, J. Credit Card Fraud Detection Using Machine Learning: A Survey. INSA Lyon; University of Passau, 2020.
McAFEE; CENTER FOR STRATEGIC AND INTERNATIONAL STUDIES (CSIS).
Net Losses: Estimating the Global Cost of Cybercrime. 2014.
MISHRA, M. M.; GHORPADE, V. R. A comparative analysis of classifiers for credit card fraud detection. In: INTERNATIONAL CONFERENCE ON COMMUNICATION AND
SIGNAL PROCESSING (ICCSP), 2018, Chennai. Proceedings... Chennai: IEEE, 2018. p. 0643-0647.
MITCHELL, T. M. Generative and Discriminative Classifiers: Naive Bayes and Logistic Regression. In: Machine Learning. Draft of Oct. 1, 2020.
MORAES, D. Modelagem de Fraude em Cartão de Crédito. 2008. Dissertação (Mestrado em Estatística) – Departamento de Estatística, Universidade Federal de São Carlos, São Carlos, 2008.
NELSON, R. R.; WINTER, S. G. An Evolutionary Theory of Economic Change.
Cambridge, MA: Belknap Press, 1982.
OLIVA, J. P. Aprendizado de Máquinas - Aula 07 – Medidas de Desempenho em Problemas de Classificação. Material de aula. Campinas: IMECC-Unicamp, 2018.
POSSAS, M. L. Economia evolucionária neo-schumpeteriana: elementos para uma integração micro-macrodinâmica. In: ENCONTRO NACIONAL DE ECONOMIA, 34., 2006, Salvador. Anais... Salvador: ANPEC, 2006.
PROVOST, F. Machine Learning from Imbalanced Data Sets 101. In: AAAI WORKSHOP ON IMBALANCED DATA SETS, 2000, New York. Proceedings... New York: AAAI, 2000.
SANTIAGO, G. P. Um processo para modelagem e aplicação de técnicas computacionais para detecção de fraudes em transações eletrônicas. 2014. Dissertação (Mestrado em Ciência da Computação) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo, 2014.
SARTO, V. H. R.; ALMEIDA, L. T. de. A teoria dos custos de transação: uma análise a partir das críticas evolucionistas. Revista de Economia Contemporânea, Rio de Janeiro, v. 15, n. 1, p. 86-107, jan./abr. 2011.
SAVY, M. Global Payment Fraud Statistics, Trends & Forecasts. Merchant Savvy, 2020. Disponível em: https://www.merchantsavvy.co.uk/payment-fraud-statistics. Acesso em: 16 jul. 2025.
SCHUMPETER, J. A. Capitalism, Socialism and Democracy. New York: Harper & Brothers, 1942.
SERASA EXPERIAN. Relatório de Identidade e Fraude 2024. São Paulo: Serasa Experian, 2024.
SOUSA, J. S. de. Estudo Comparativo entre Modelos para Detecção de Fraudes em Cartões de Crédito. 2021. Dissertação (Mestrado em Ciência da Computação) – Campus de Russas, Universidade Federal do Ceará, Russas, 2021.
VIAENE, S. et al. A comparison of state-of-the-art classification algorithms for customer churn prediction. In: INTERNATIONAL CONFERENCE ON ENTERPRISE
INFORMATION SYSTEMS, 4., 2002, Ciudad Real. Proceedings... Ciudad Real: [s.n.], 2002.
VISA. Online Fraud Report - 2017 Latin America. Miami: Visa, 2017.
WILLIAMSON, O. E. Transaction cost economics: how it works; where it is headed. De economist, v. 146, n. 1, p. 23-58, 1998. DOI: https://doi.org/10.1023/A:1003263908567
WORLD ECONOMIC FORUM. Global Cybersecurity Outlook 2024: Insight Report.
Geneva: World Economic Forum, jan. 2024.
ZABALA, J. A.; ALCHUNDIA, I. M.; SERAQUIVE, G. G. Revisión de literatura sobre las técnicas de Machine Learning en la detección de fraudes bancarios. 2021. Disponível em: https://orcid.org/0000-0002-2792-7581. Acesso em: 16 jul. 2025.
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2025 REVISTA CIENTÍFICA ACERTTE
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista ACERTTE, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a ACERTTE apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
