Knjižničarski pogled: Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.

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...

Popoln opis

Shranjeno v:

Bibliografske podrobnosti
Glavni avtor:	Laude, Henri
Format:	Article ou chapitre numérique
Jezik:	Français
Izdano:	2016
Teme:	data science détection de nouveautés fraude points aberrants séries temporelles fraud novelty detection outliers times series
Online dostop:	Accès Université d'Orléans et IFPM

id	cairn-RIIE_081_0061
record_format	cairn
spelling	cairn-RIIE_081_0061RIIE1Revue internationale d'intelligence économique https://shs.cairn.info/revue-internationale-d-intelligence-economique-2016-1-page-61?lang=fr Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude. Laude, Henri2016 data sciencedétection de nouveautésfraudepoints aberrantsséries temporellesdata sciencefraudnovelty detectionoutlierstimes seriesfre Revue internationale d'intelligence économique \| 8 \| 1 \| 2016-01-22 \| p. 61-78 \| 2101-647X RIIE_08167 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.This paper proposes a new method for outliers detection in multivariate time series which follows directly from practices used in the context of what is commonly called the data science. Practitioners need to chase the weak signals included in more and more voluminous data sets with many attributes changing over time. The statistical and graphical tools commonly available that are related to the temporal processes are based on individual study of each series and are dedicated to highlight trends and deviations from those trends. In contrast, our approach is to assist the analyst in identifying a signal related to aberrant behavior with regard to relationships, even difficult to detect, among many time series.One of the obvious applications of this method is the identification of fraud or psychological manipulations, identifying weak signals in audit trails process.Cairn free access
language	Français
format	Article ou chapitre numérique
building	0/Bibliothèque numérique/ 1/Bibliothèque numérique/Cairn/
topic	data science détection de nouveautés fraude points aberrants séries temporelles data science fraud novelty detection outliers times series
spellingShingle	data science détection de nouveautés fraude points aberrants séries temporelles data science fraud novelty detection outliers times series Laude, Henri Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
topic_facet	data science détection de nouveautés fraude points aberrants séries temporelles data science fraud novelty detection outliers times series
description	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.
author	Laude, Henri
author_facet	Laude, Henri
author_sort	Laude, Henri
title	Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
title_short	Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
title_full	Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
title_fullStr	Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
title_full_unstemmed	Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.
title_sort	comment détecter des signaux faibles ? un apport des data sciences à la lutte contre la fraude.
publishDate	2016
container_title
container_issue
url	https://ezproxy.univ-orleans.fr/login?url=https://shs.cairn.info/revue-internationale-d-intelligence-economique-2016-1-page-61?lang=fr
_version_	1877246674747785216

Comment détecter des signaux faibles ? Un apport des data sciences à la lutte contre la fraude.

Podobne knjige/članki