O objetivo dessa análise é identificar uma possível fraude com base nos dados pessoas de cada cliente, como idade, renda, risco de crédito e etc. Um dos maiores desafios deste dataset é o desbalanceamento de classes porque existem mais transações legais do que transações com algum tipo de fraude. Outro ponto a ser destacado é que esse é um tipo de problema que tende a ter um retorno muito alto para instituições financeiras visto que a partir ds identificação de uma suspeita de fraude, a instituição pode tomar decisões rápidas e objetivas evitando o prejuízo ou mesmo diminuindo o risco do mesmo. De acordo com o InfoMoney em uma reportagem de Ago/22, golpes bancários tem o potencial de gerar um prejuízo de R$ 2.5 BI em 2022.
Fonte reportagem: https://www.infomoney.com.br/minhas-financas/golpes-bancarios-disparam-e-devem-gerar-prejuizos-de-r-25-bilhoes-neste-ano/
O conjunto de dados de Fraude de Conta Bancária (BAF) foi publicado no NeurIPS 2022 e compreende um total de 6 conjuntos de dados tabulares de fraude de conta bancária sintética diferentes. O BAF é um banco de teste realista, completo e robusto para avaliar métodos novos e existentes em ML, e o primeiro de seu tipo!
Este conjunto de dados é:
- Realista, baseado em um conjunto de dados do mundo real atual para detecção de fraudes;
- Tendencioso, cada conjunto de dados tem tipos distintos de viés controlados;
- Desequilibrado, esse cenário apresenta baixíssima prevalência de classe positiva;
- Dinâmico, com dados temporais e mudanças de distribuição observadas;
- Preservando a privacidade, para proteger a identidade de candidatos em potencial, aplicamos técnicas de privacidade diferencial (adição de ruído), codificação de recursos e treinamos um modelo generativo (CTGAN).
O dataset foi disponibilizado no Kaggle de maneira pública.
Fonte do dataset: https://www.kaggle.com/datasets/sgpjesus/bank-account-fraud-dataset-neurips-2022
| Atributo | Descrição | Métrica |
|---|---|---|
| fraud bool | Marcador para Fraude | 1 se é fraude, 0 se é legítimo |
| income | Renda anual das aplicações em quartis | Valores entre [0, 1] |
| name_email_similarity | Métrica de similaridade entre e-mail e nome de quem aplicou. Quanto maior o valor, maior a similaridade | Valores entre [0, 1] |
| prev_address_months_count | Número de meses registrados no endereço de quem aplicou, em outras palavras a residência anterior de quem apliccou, se disponível | Valores entre [−1, 380] meses (-1 para valores missing) |
| current_address_months_count | Meses que o requerente está registrado no endereço atual | Valores entre [−1, 406] meses (-1 para valores missing) |
| customer_age | Idade do requerente segmentado por décadas (exemplo, 20-29 é representado como 20) | Categórica |
| days_since_request | Número de dias que passaram desde que a aplicação foi feita | Valores entre [0, 78] dias |
| intended_balcon_amount | Qauntidade transferida inicialmente | Valores entre [−1, 108] |
| payment_type | Tipo de plano de crédito | 5 valores possíveis (anônimo) |
| zip_count_4w | Número de aplicações com o mesmo código postal nas últimas 4 semanas | Valores entre [1, 5767] |
| velocity_6h | Velocidade do total de aplicações realizadas nas últimas 6 horas, ou seja, número médio de aplicações por hora nas últimas 6 horas | Varia entre [−211, 24763] |
| velocity_24h | Velocidade do total de aplicações realizadas nas últimas 24 horas, ou seja, número médio de aplicações por hora nas últimas 24 horas | Varia entre [1329, 9527] |
| velocity_4w | Velocidade do total de aplicações realizadas nas últimas 4 semanas, ou seja, número médio de aplicações por hora nas últimas 4 semanas | Varia entre [2779, 7043] |
| bank_branch_count_8w | Número total de aplicações na agência bancária selecionada nas últimas 8 semanas | Varia entre [0, 2521] |
| date_of_birth_distinct_emails_4w | Número de e-mails para candidatos com a mesma data de nascimento nas últimas 4 semanas | Varia entre [0, 42] |
| employment_status | Situação profissional do requerente | 7 valores possíveis (anônimos) |
| credit_risk_score | Pontuação interna do risco do aplicativo | Varia entre [−176, 387] |
| email_is_free | Domínio do e-mail do aplicativo | gratuito ou pago |
| housing_status | Situação residencial atual do requerente | 7 valores possíveis (anônimos) |
| phone_home_valid | Validade do telefone residencial fornecido | Categórico (1, 0) |
| phone_mobile_valid | Validade do telefone celular fornecido | Categórico (1, 0) |
| bank_months_count | Quantos anos tem a conta anterior (se mantida) em meses | Varia entre [−1, 31] meses (-1 para valores missing) |
| has_other_cards | Se o requerente tiver outros cartões da mesma empresa bancária | Categórico |
| proposed_credit_limit | Limite de crédito proposto pelo requerente | Varia entre [200, 2000] |
| foreign_request | se o país de origem do pedido for diferente do país do banco | Categórico (1, 0) |
| source | Fonte online de aplicação | Navegador (INTERNET) ou aplicativo móvel (APP) |
| session_length_in_minutes | Duração da sessão do usuário no site bancário em minutos | Varia entre [−1, 107] minutos |
| device_os | Sistema operacional do dispositivo que fez o pedido | Os valores possíveis são: Windows, Mac, Linux, X11 ou outro |
| keep_alive_session | Opção do usuário ao sair da sessão | Categórico (1, 0) |
| device_distinct_emails_8w | Número de e-mails distintos no site bancário do dispositivo usado nas últimas 8 semanas | Varia entre [0, 3] |
| device_fraud_count | Número de aplicativos fraudulentos com dispositivo usado | Varia entre [0, 1] |
| month | Mês em que foi feito o pedido | Varia entre [0, 7] |
Informações do Dataset:
| Total de Registros | 1.000.000 |
| Total de Atributos | 32 |