MÉTODOS DE MACHINE LEARNING NA DETECÇÃO DE FRAUDE EM CARTÃO DE CRÉDITO: UM ESTUDO COMPARADO
DOI:
https://doi.org/10.63026/acertte.v5i9.265Palavras-chave:
Detecção de fraude. Cartões de crédito. Aprendizado de máquina.Resumo
À medida que cresce o número de transações financeiras no Brasil e no mundo, as tentativas de fraude incorporam novos métodos e adquirem maior sofisticação, gerando significativo impacto financeiro para as empresas e consumidores vítimas desse crime. Os métodos tradicionais de verificação de identidade e detecção de fraude são limitados ao identificar transações fraudulentas, exigindo abordagens mais adaptativas como o uso de aprendizado de máquina. Este estudo tem como objetivo analisar o cenário das fraudes em transações com cartões de crédito e comparar a eficácia de quatro algoritmos supervisionados de machine learning – Logistic Regression, Naive Bayes, Support Vector Machine (SVM) e Decision Tree – na detecção dessas fraudes. Inicialmente, realiza-se uma exposição do problema e seu impacto no setor financeiro. Em seguida, foram aplicados métodos de machine learning a um dataset público de transações financeiras reais, com análises comparativas das métricas de desempenho e considerações sobre o impacto das técnicas de machine learning em dados desbalanceados.
Downloads
Referências
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.
Downloads
Publicado
Edição
Seção
Categorias
Licença
Direitos autorais (c) 2025 REVISTA CIENTÍFICA ACERTTE - ISSN 2763-8928
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
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.
