A aplicar algoritmos de clusterização, como o KNN (K-Nearest Neighbours), nos dados históricos de solicitações para identificar padrões de comportamento de grupos distintos de beneficiários, agrupando os fraudadores emclustersespecíficos.
B utilizar regras de associação negativas para encontrar combinações frequentes de características em solicitações fraudulentas, permitindo que o sistema aplique regras automáticas para marcar possíveis fraudes.
C implementar classificação supervisionada usando o algoritmo DBSCAN, que permite rotular cada solicitação como fraudulenta ou não, com base em exemplos passados de fraudes já detectadas.
D adotar métodos de séries temporais utilizando a Média Móvel Simplificada (MMS), que dá maior peso aos dados mais recentes, para observar a evolução das solicitações ao longo do tempo e detectar picos ou comportamentos atípicos que possam indicar fraudes sazonais ou concentradas em certos períodos.
E aplicar a técnica de análise de anomalias para detectar padrões de comportamento discrepantes e encontrar fraudes que não seguem padrões bem definidos, utilizando métodos como isolamento de floresta (isolation forest) para encontraroutlierssutis.