Anomaly Detection for Predicting Churn in POS Payment Networks

Abstract

Para abordar este problema, se realizó una segmentación de negocios basada en el volumen de transacciones y el monto promedio de las mismas, utilizando técnicas no supervisadas como Modelos de Mezcla Gaussiana (GMM) y K-Means. Una vez segmentados los negocios con el mejor método, que resultó ser GMM, se analizaron las transacciones a nivel de red y tipo de tarjeta. Dado el significativo desbalance entre negocios churn y no churn, se optó por métodos de detección de anomalías no supervisados, incluyendo One-Class SVM, Isolation Forest y Local Outlier Factor (LOF)...