Bibliographic Metadata

Title
Cost-based statistical methods for fraud-detection : prediction of never paying customers considering individual risk / by Georg Heiler
AuthorHeiler, Georg
CensorFilzmoser, Peter
PublishedWien, 2017
Descriptionvii, 84 Seiten : Illustrationen, Diagramme
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2017
Annotation
Zusammenfassung in deutscher Sprache
Annotation
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
LanguageEnglish
Document typeThesis (Diplom)
Keywords (EN)Classification / Statistics / tree-based methods
URNurn:nbn:at:at-ubtuw:1-111410 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Cost-based statistical methods for fraud-detection [3.82 mb]
Links
Reference
Classification
Abstract (German)

Telekommunikationsunternehmen treten zunehmend als Finanziers der immer teureren Endgeräte auf. Mit einher geht die Gefahr von Zahlungsausfällen betrügerischer Kunden, die versuchen, Mobiltelefone, aber auch Dienstleistungen des Providers gratis zu nutzen, d.h. ohne jemals eine einzige Rechnung zu begleichen. Klassische Kreditschutzverfahren stellen keinen ausreichenden Schutz dar. Moderne maschinelle Lernverfahren können aufgrund einer besseren Segmentierung der Kunden wesentliche Vorteile bieten. Der Einsatz von speziell kostenbasierten Algorithmen können die Einsparungen noch erhöhen. Wir vergleichen die Ergebnisse des klassischen Bonitätsprüfungsprozesses unseres Partners mit normalen und speziell kostenbasierten Verfahren des maschinellen Lernens. Hierzu entwickeln wir eine Kostenmatrix um das Risiko im Einzelfall optimal beurteilen zu können.

Abstract (English)

Telecommunication providers not only offer services but increasingly finance consumer devices. Credit scoring and the detection of fraud for new account applications gained importance as standard credit approval processes showed to fall short for new customers as there is only scarce information available in internal systems. Modern machine learning algorithms, however, can still infer intricate patterns from the data and thus can efficiently classify customers. Cost-sensitive methodologies can even enhance the savings. In this thesis, we develop a cost matrix which allows evaluating the individual risk of accepting a new customer and therefore helps to prevent new account subscription fraud optimally.

Stats
The PDF-Document has been downloaded 23 times.