haku: @instructor Pere, Terhi / yhteensä: 2
viite: 1 / 2
« edellinen | seuraava »
Tekijä: | Mansikkamäki, Ilkka |
Työn nimi: | Histogram based signatures for detecting warranty fraud |
Histogrammeihin perustuvat allekirjoitukset takuupetosten havaitsemisessa | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2012 |
Sivut: | iv + 65 Kieli: eng |
Koulu/Laitos/Osasto: | Matematiikan ja systeemianalyysin laitos |
Oppiaine: | Sovellettu matematiikka (Mat-2) |
Valvoja: | Salo, Ahti |
Ohjaaja: | Pere, Terhi |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201211243391 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 213 | Arkisto |
Avainsanat: | warranty fraud histogram profiling signatures clustering behavior model change detection petoksen havaitseminen histogrammi profilointi klusterointi käyttäytymismalli muutoksen havaitseminen |
Tiivistelmä (fin): | Yritykset menettävät petoksen takia miljardeja dollareja vuosittain. Petosta ilmenee monin tavoin, kuten esimerkiksi huoltopartnerien tekaistulla takuunalaisella korjausdatalla. Huoltotoimintansa ulkoistaneella yrityksellä pitääkin olla kattava tietojärjestelmä petoksen havaitsemiseksi. Yksittäisiä huoltotapahtumia harvoin voidaan varmuudella arvioida petokseksi, joten yrityksen on kannattavaa tarkastella partnerin toiminnan luotettavuutta kokonaisuudessaan. Tässä työssä määritellään partnerien epäilyttävyyttä vertaamalla kunkin huoltopartnerin toimintaa toisiin partnereihin. Työssä esitellään histogrammeihin perustuva profilointimenetelmä, jolla huoltopartnerien toimintaa voidaan verrata sekä pitkän aikavälin että päivitettävänä, toiminnan muuttumista tarkkailevana profiilina. Histogrammimenetelmää sovelletaan klusterointi- ja paikallisten poikkeamien havaitsemismenetelmiin sekä tutkitaan profiilin muutoksia lähimpiin naapureihin verrattuna. Histogrammien vertailuun käytetään Jensen-Shannonin divergenssimittaa. Esiteltyä histogrammimenetelmää testataan elektroniikkayrityksen huoltodatalla, johon generoidaan erilaisia poikkeuksellista huoltotoimintaa mallintavia datapisteitä. Tuloksista käy ilmi, että menetelmä havaitsee heikosti yksittäisiä poikkeamia mutta hyvin suuria muutoksia huoltopartnereiden toiminnassa. |
Tiivistelmä (eng): | Companies in all industries lose billions of dollars due to fraud every year. Fraud occurs in various ways, one being warranty fraud by repairing partners who invent their repair data. The company that has outsourced its repair activities must have proper tools for detecting fraud. However, it is often impossible to determine single repair data points as fraud, making it profitable for the company to determine the reliability of the repair vendor by investigating the overall performance. This thesis focuses on estimating the reliability of the vendor by comparing the performance of each vendor against others. This thesis introduces a histogram based profiling method that can be used for vendor comparison as a profile over a period of time or by updating the profile constantly and recording the changes in performance. Profiles, called histogram signatures, are applied to clustering and local outlier methods. Histogram signatures are also compared to identify the changes in the profiles of each vendort's peers. Histograms are compared with Jensen-Shannon divergence difference. The presented histogram method is tested with real repair data from an electronics company. Fraudulent repair data is simulated to represent different fraud types. The results show that single and momentary changes in the profile are not detected but the method is able to detect well big changes in repairing activity. |
ED: | 2012-10-17 |
INSSI tietueen numero: 45361
+ lisää koriin
« edellinen | seuraava »
INSSI