부정 적발 애널리틱스

제1장_ 부정: 적발, 예방, 그리고 애널리틱스!
1. 서론 | 2. 부정 | 3. 부정 적발 및 예방 | 4. 부정 적발을 위한 빅데이터 | 5. 데이터를 기반으로 한 부정 적발 | 6. 부정 적발 기술 | 7. 부정 주기 | 8. 부정 애널리틱스 처리 모형 | 9. 부정 데이터 과학자 | 10. 부정에 대한 과학적 관점 | 참고문헌

제2장_ 데이터 수집, 표본 추출, 전처리(前處理)
1. 서론 | 2. 데이터 원천의 유형 | 3. 데이터의 병합 | 4. 표본 추출 | 5. 데이터 요소 유형 | 6. 시각적 데이터 탐색 및 탐색적 통계 분석 | 7. 벤포드의 법칙 | 8. 기술 통계량 | 9. 결측값 | 10. 이상치 적발 및 처리 | 11. 위험신호 | 12. 데이터 표준화 | 13. 범주화 | 14. 증거력 코딩 | 15. 변수 선택 | 16. 주성분 분석 | 17. 리디트 | 18. 프리디트 분석 | 19. 세분화 | 참고문헌

제3장_ 부정 적발을 위한 기술적 애널리틱스
1. 서론 | 2. 그래픽 이상치 적발절차 | 3. 통계적 이상치 적발절차 | 4. 군집화 | 5. K-평균 군집화 | 6. 단일 등급 서포트 벡터 머신 | 참고문헌

제4장_ 부정 적발을 위한 예측적 애널리틱스
1. 서론 | 2. 목표변수의 정의 | 3. 선형 회귀 | 4. 로지스틱 회귀 | 5. 선형 및 로지스틱 회귀분석을 위한 변수 선택 | 6. 의사결정나무 | 7. 신경망 | 8. 서포트 벡터 머신 | 9. 앙상블 기법 | 10. 다등급 분류 기술 | 11. 예측 모형의 평가 | 12. 예측적 분석 모형에 대한 기타 성능 측정치 | 13. 편향된 데이터 집합을 위한 예측적 모형의 개발 | 14. 부정 적발 성능 벤치마크 | 참고문헌

제5장_ 부정 적발을 위한 소셜 네트워크 분석
1. 네트워크의 형태, 구성요소, 특징, 활용 | 2. 부정은 사회적 현상인가? 동질 선호성 개론 | 3. 이웃의 영향: 측정 지표 | 4. 커뮤니티 마이닝: 부정 관련 집단의 발견 | 5. 그래프 확장: 이원적 관계의 도표화 | 참고문헌

제6장_ 부정 애널리틱스: 후처리
1. 서론 | 2. 분석적 부정 모형의 생애주기 | 3. 모형 표현 | 4. 조사대상 표본 선정 | 5. 부정 경보 및 사례 관리 | 6. 시각적 분석 | 7. 분석적 부정 모형의 평가 | 8. 모형 설계 및 문서화 | 참고문헌

제7장_ 부정 애널리틱스에 대한 더 넓은 견해
1. 서론 | 2. 데이터 품질 | 3. 프라이버시 | 4. 부정 손실의 자본 산정 | 5. 부정 애널리틱스에 대한 경제적 관점 | 6. 인소싱 vs. 아웃소싱 | 7. 모델링의 확장 | 8. 사물인터넷 | 9. 기업 부정 거버넌스 | 참고문헌

데이터 과학자는 최소 두 가지 면에서 창의적이어야 한다. 첫 번째로는 기술적인 면으로 특성 선택(feature selection), 데이터 변환 및 정제를 하기 위해서는 창의적인 것이 중요하다. 이러한 표준 애널리틱스 과정의 단계들은 각 특정 응용분야에 맞게 변경되어야 하는데, ‘올바른 추측(right guess)’은 종종 큰 차이를 만들어낸다. 두 번째, 빅데이터와 애널리틱스는 빠르게 진화하는 분야로서 새로운 문제, 기술, 그리고 그에 상응하는 난관이 끊임없이 나타나며, 부정 관련자들 또한 매우 창의적이고 그들의 기술을 상황에 맞게 끊임없이 변경시킨다. 그러므로 부정 데이터 과학자들이 새로운 변화와 기술을 끊임없이 습득하고 충분한 창의력으로 새로운 기회를 만들어내는 자세는 매우 중요하다. _ 제1장_ 부정: 적발, 예방 그리고 애널리틱스!

최종 모형이 불안정하지 않게 부정 적발 모형에 사용되기 위해서는 새로운 제한된 재무지표 집합은 상관관계가 없어야 한다. 설명변수와 예측변수의 상관성은 다중공선성이라 불리는데, 이는 불안정한 모형을 초래한다. 모형의 안정성이나 견고함은 관찰 표본을 기반으로 하여 추정되는 모형의 매개변수에 대한 정확한 값의 안정성을 의미한다. 이 매개변수들의 값이 모형을 만들어내는 데 쓰인 관찰 표본에 대한 의존도가 높다면 모형은 불안정하다고 판단된다. 매개변수의 값들은 사실상 설명변수나 예측변수와 종속변수, 그리고 목표변수의 관계를 나타낸다. 실제 상관관계가 또 다른 관찰 표본들과 다르면 가정되었던 상관관계의 본질과 신뢰성에 의심이 제기된다. 모형에 포함되어 있던 설명변수들이 서로 상관성이 있을 때, 일반적으로 결과 모형은 불안정하다. 그렇기 때문에 입력 선택 과정이 이루어진다. _ 제2장_ 데이터 수집, 표본 추출, 전처리

비지도 학습은 부정 적발을 시작하는 기업이나 이용 가능한 분류된 과거 데이터 집합을 갖지 않은 경우에도 유용할 수 있다. 또한 새로운 부정 수법을 밝혀냄으로써 현존하는 부정 모형에도 유용할 수 있다. 이는 특히 환경적인 것과 관련이 있는데, 부정 적발 방법을 능가하기 위해 부정 관련자들이 끊임없이 그들의 전략을 상황에 맞게 변화시키기 때문이다. 신용카드 부정의 예시로 부정 관련자들이 부정을 저지르기 위해 새로운 방법을 끊임없이 시도하는 것을 들 수 있다. 또 다른 예로는 사이버 부정 상황에서의 침입 적발을 들 수 있다. 비지도 방법 혹은 비정상 적발은 새로 떠오르는 사이버 위협을 적발할 수 있는 반면, 지도 방법은 이미 알려진 침입 패턴을 기본으로 작동한다. _ 제3장_ 부정 적발을 위한 기술적 애널리틱스