Questão nº 54
Questão de Gestão de TI · FCC PMSP Analista TIC 2025 (nº 54)
A prefeitura de uma metrópole implementou um sistema de análise de dados para monitorar a concessão de subsídios e benefícios sociais. No entanto, o sistema começou a detectar um aumento de solicitações fraudulentas, incluindo a inserção de dados falsos para se qualificar a benefícios indevidos. A equipe de analistas responsável identificou uma oportunidade de utilizar as TICs em favor da sociedade, diante da flagrante violação das questões éticas. Assim, optou-se por usar uma abordagem de mineração de dados para identificar padrões de fraude nos dados, considerando que muitas fraudes envolvem pequenas manipulações difíceis de identificar. A opção escolhida foi
- Aaplicar 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 em clusters específicos.
- Butilizar regras de associação negativas para encontrar combinações frequentes de características em solicitações fraudulentas, permitindo que o sistema aplique regras automáticas para marcar possíveis fraudes.
- Cimplementar classificação supervisionada usando o algoritmo DBSCAN, que permite rotular cada solicitação como fraudulenta ou não, com base em exemplos passados de fraudes já detectadas.
- Dadotar 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.
- Eaplicar 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 encontrar outliers sutis. (alternativa correta)
Resposta comentada
Gabarito Alternativa E
A análise de anomalias é uma técnica de mineração de dados focada em identificar pontos de dados, eventos ou observações que se desviam significativamente do comportamento esperado ou da maioria dos dados, sendo ideal para detectar fraudes que são raras e não seguem padrões óbvios.
- (A) Incorreta: O KNN (K-Nearest Neighbours) é um algoritmo de classificação, não de clusterização. Além disso, fraudes geralmente são outliers (anomalias), não formando clusters densos e bem definidos por si só, o que tornaria a clusterização tradicional menos eficaz para isolá-las.
- (B) Incorreta: Regras de associação negativas são mais complexas e menos diretas para identificar fraudes sutis. Elas buscam o que não ocorre frequentemente, enquanto a detecção de fraude busca o que é anormal ou discrepante, que pode ser um comportamento raro e não necessariamente a ausência de algo.
- (C) Incorreta: O DBSCAN é um algoritmo de clusterização, não de classificação supervisionada. A classificação supervisionada exige dados rotulados (fraudulento/não fraudulento) para treinar um modelo, e o DBSCAN não se enquadra nessa categoria.
- (D) Incorreta: Métodos de séries temporais como a Média Móvel Simplificada são excelentes para detectar tendências, sazonalidades e picos em dados agregados ao longo do tempo. No entanto, o problema foca em "pequenas manipulações difíceis de identificar" em solicitações individuais, que podem não se manifestar como picos óbvios em uma série temporal agregada, mas sim como anomalias pontuais.
- (E) Correta: A análise de anomalias é a abordagem mais adequada para o cenário descrito. Fraudes, especialmente as que envolvem "pequenas manipulações difíceis de identificar" e "não seguem padrões bem definidos", são por natureza comportamentos discrepantes ou outliers em relação ao padrão de solicitações legítimas. Algoritmos como o Isolation Forest são projetados especificamente para encontrar esses outliers sutis de forma eficiente, mesmo em grandes volumes de dados, sem a necessidade de rótulos prévios para todas as fraudes.
Fonte: FCC PMSP Analista TIC 2025 Analista de Planejamento e Desenvolvimento Organizacional - Tecnologia da Informação e Comunicação (Caderno Tipo 001). Reproduzida para fins de estudo.