Big Data Analytics and Its Usage on Financial Fraud Detection in the USA
Notice bibliographique
Résumé
Big data analytics has emerged as a transformative tool in the financial services industry, particularly in the United States, where institutions manage trillions of dollars in daily transactions. This study explores how financial institutions leverage big data analytics for risk management, with a specific focus on fraud detection and prevention. By integrating advanced technologies such as machine learning and artificial intelligence, big data analytics enables the real-time processing of vast datasets to uncover hidden patterns, identify anomalies, and predict potential threats. Traditional fraud detection methods often fail to address the growing complexity and sophistication of financial crimes. In contrast, machine learning models like Logistic Regression, Decision Trees, and Random Forests provide robust solutions by offering enhanced predictive accuracy and adaptability to evolving fraud tactics. This study examines a dataset comprising demographic, transactional, and geographical features, which are analyzed using machine learning algorithms. In order to guarantee fair and reliable fraud detection systems, the report emphasizes the need to strike a balance between regulatory compliance and technical improvements. The results highlight how crucial it is to include big data analytics into financial risk management plans in order to improve operational security and client confidence. To further increase the effectiveness of fraud detection, future research should concentrate on improving machine learning models, correcting biases, and investigating cutting-edge technologies like blockchain. This study confirms that big data analytics is an essential part of the continuous development of financial security and risk mitigation in the digital age, in addition to being a potent instrument for preventing fraud. Case studies from leading U.S. financial institutions, including JPMorgan Chase and PayPal, illustrate the real-world applications of big data in combating fraud. By integrating diverse data sources and leveraging advanced analytic techniques, these organizations have achieved notable reductions in fraudulent activities. The study concludes that big data analytics is not only a cornerstone of innovation and efficiency but also an essential component of modern risk management strategies. Future research should focus on addressing implementation challenges and exploring emerging technologies like blockchain to further enhance fraud detection capabilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».