Mejora de la detección de fraudes de suscripción mediante aprendizaje de conjuntos: el caso de Ethio telecom

Área de la Ciencia:

• Ciencias de la Computación
• Ciencia de Datos
• Telecomunicaciones

Sus antecedentes:

• El fraude de suscripción representa riesgos financieros y de seguridad nacional significativos para las empresas de telecomunicaciones a nivel mundial.
• Ethio Telecom enfrenta desafíos críticos en la detección y mitigación del fraude de suscripción dentro de su red.

Objetivo del estudio:

• Desarrollar y evaluar un modelo avanzado de detección de fraudes adaptado al fraude de suscripción en telecomunicaciones.
• Mejorar la precisión de la detección de fraudes empleando técnicas de aprendizaje de conjuntos y adaptativo.

Principales métodos:

• Un conjunto de datos de 1.000.000 de registros de detalles de llamadas (CDRs) se refinó a 349.164 registros después del preprocesamiento y la selección de características, conservando 8 características clave.
• Se implementaron modelos individuales (Árbol de Decisión, Regresión Logística, Red Neuronal Artificial) y métodos de conjunto (Bagging, Boosting, Stacking, Voting).
• Se utilizaron modelos adaptativos que incluyen Hoeffding Tree y Bosque Aleatorio Adaptativo para la detección de fraudes.

Principales resultados:

• La selección de características identificó 8 características cruciales para una detección de fraudes eficaz.
• Los métodos de conjunto, en particular Stacking, demostraron un sólido rendimiento en la identificación de actividades fraudulentas.
• El Bosque Aleatorio Adaptativo (ARF) también mostró capacidades robustas en la detección de fraudes de suscripción.

Conclusiones:

• Se recomiendan Stacking y Bosque Aleatorio Adaptativo (ARF) como modelos altamente efectivos para la detección de fraudes de suscripción en telecomunicaciones.
• El modelo desarrollado ofrece un avance significativo en la lucha contra el fraude de suscripción para empresas como Ethio Telecom.