This thesis explores the use of machine learning for fraud detection in transaction data, comparing supervised and unsupervised algorithms. The study is conducted in partnership with a Swedish telecommunications company, providing a merchants perspective on a global issue. Given the high volume of transactions and the evolving tactics of fraudsters, the research aims to enhance the company’s fraud detection capabilities. Supervised models such as Random Forest, Decision Tree, Neural Network, and Logistic Regression were compared against unsupervised models like K-Means Clustering and Isolation Forest. The findings indicate that supervised models, particularly Random Forest, perform better in detecting fraudulent transactions and improving financial outcomes. The research underscores the importance of advanced fraud detection mechanisms and addresses ethical considerations, ensuring transparency, fairness, and privacy in the application of AI in financial services.

Denna studie utforskar användningen av maskininlärning för bedrägeridetektering i transaktionsdata, genom att jämföra övervakade och oövervakade algoritmer. Undersökningen genomförs i samarbete med ett svenskt telekommunikationsföretag, vilket ger en handlares perspektiv på en global fråga. Med tanke på den höga volymen av transaktioner och bedragarnas ständigt skiftande beteenden syftar studien till att förbättra företagets förmåga att upptäcka bedrägerier. Övervakade modeller som Random Forest, Decision Tree, Neural Network och Logistic Regression jämfördes med oövervakade modeller som K-Means Clustering och Isolation Forest. Resultaten visar att övervakade modeller, i synnerhet Random Forest, presterar bättre när det gäller att upptäcka bedrägliga transaktioner och leder till högre finansiella intäker. Studien understryker vikten av avancerade system för att upptäcka bedrägerier och tar upp etiska överväganden för att säkerställa transparens, rättvisa och integritet vid tillämpning av AI inom finansiella tjänster.