Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
Cet article propose une nouvelle méthode de détection de points aberrants dans une série temporelle multivariée qui découle directement de pratiques utilisées dans le cadre de ce que l’on nomme communément les data sciences. Les praticiens de l’intelligence économique traquent les signaux faibles da...
保存先:
| 第一著者: | |
|---|---|
| フォーマット: | Article ou chapitre numérique |
| 言語: | Français |
| 出版事項: |
2016
|
| 主題: | |
| オンライン･アクセス: | Accès Université d'Orléans et IFPM |
| 要約: | Cet article propose une nouvelle méthode de détection de points aberrants dans une série temporelle multivariée qui découle directement de pratiques utilisées dans le cadre de ce que l’on nomme communément les data sciences. Les praticiens de l’intelligence économique traquent les signaux faibles dans des ensembles de données de plus en plus volumineux dont de nombreux attributs varient dans le temps. Les outils statistiques et graphiques couramment mis à leur disposition concernant les processus temporels s’appuient sur l’étude individuelle de chaque série et mettent en exergue les tendances et les variations par rapport à ces tendances. A l’inverse, notre méthode a pour objet d’aider l’analyste dans l’identification d’un signal lié à un comportement anormal eu égard à des relations, même difficilement détectables, entre de nombreuses séries temporelles.Une des applications naturelles de cette méthode est l’identification de fraudes ou de manipulations, en identifiant des signaux faibles dans les pistes d’audit de processus. |
|---|