| dc.description.abstract | Resumo : As fraudes em transações online feitas com cartão de crédito ocorrem quando um indivíduo utiliza dados de terceiros para realizar a transação, sem que o detentor do cartão esteja ciente dessa operação. Isso acontece porque, em compras online, não há meios de validação pessoal, como senha ou assinatura. Muitas vezes, apenas as informações descritas no cartão de crédito são suficientes para essa operação. De acordo com a pesquisa realizada pela ACI Worldwide (2019), em 2020, foi relatado um total de 149 milhões de dólares em transações fraudulentas feitas com cartão de crédito. Esses custos são de responsabilidade dos lojistas que realizam a operação de venda. Essa responsabilidade foi definida pelas bandeiras dos cartões, que entendem que o vendedor é responsável por validar a autenticidade de seu cliente antes de realizar uma venda. No entanto, no mundo digital, não é tão simples como no mundo físico, em que o vendedor pode verificar as marcas d'água em uma cédula de dinheiro ou pedir para o cliente digitar uma senha pessoal. Portanto, é preciso usar os dados que se tem à mão e, em alguns casos, decidir se aprovará ou não uma compra em frações de segundo. Por isso, é necessário ter modelos ou algoritmos eficientes para conseguir aprovar transações de clientes reais e negar transações de fraudadores. (ACI WORLDWIDE, 2019). Durante o pequeno intervalo de tempo que leva entre o momento em que você confirma uma compra online e essa mesma compra aparece em seu cartão de crédito, muitas validações e cruzamentos de dados estão sendo feitos, incluindo a validação de fraude. Essa validação normalmente é feita por meio de algoritmos de Machine Learning ou modelos estatísticos clássicos, que, com uma série de dados coletados do comprador, tentarão estimar se ele é um cliente real ou um fraudador. O objetivo deste trabalho é testar modelos estatísticos na predição de transações fraudulentas. Para isso, foram utilizados dados reais e ajustados modelos de regressão logística e modelos de random forest. Esses modelos foram avaliados em termos de sua capacidade de identificar corretamente transações fraudulentas, e seus respectivos custos atrelados | pt_BR |
