Fraud detection and prediction with machine learning applications

Abstract

Bu çalışmanın temel amacı, faktoring sektöründe faaliyet gösteren bir şirketin müşterilerinin işlemleri üzerindeki dolandırıcılık faaliyetlerini tespit etmek ve buna bağlı olarak müşterilerin geçmiş işlem ve bağlantı verilerine dayalı keşifsel veri analizi ile ölçülebilir parametreler yakalamaktır. ve ardından hedef için tahmine dayalı modeller gerçekleştirmek. Sınıflandırma modeli algoritmaları olan XGBoost ve CATBoost modellerinde %79 civarında isabet oranı elde edilmiştir. Bu sayede dolandırıcılık yapma potansiyeli yüksek müşteri tespit edildikten sonra daha etkin, verimli ve doğru bir yaklaşımla hareket edilerek işlem bazında dolandırıcılık faaliyetlerinin doğrudan tespit edilmesi amaçlanmaktadır.The main purpose of this study is to determine the fraudulent activities on transactions of the customers of a company that is active in the factoring sector, and accordingly, to capture measurable parameters with exploratory data analysis based on the historical transaction and connection data of the customers, and then to perform predictive models for the target. A hit rate of around 79% was achieved in XGBoost and CATBoost models, which are classification model algorithms. In this way, it is aimed to directly detect fraudulent activities on a trasnaction basis by acting in a more effective, efficient and correct approach after detecting the customer that shows high potential to make fraud.