tarunmaurya13/-Credit-Card-Fraud-Detection-Analysis-SQL-Project-

# 💳 信用卡欺诈检测分析（SQL 项目） ## 📌 项目概述 本项目通过分析信用卡交易数据，利用 SQL 揭示**欺诈模式、高风险行为和财务风险敞口**。 旨在帮助企业： - 检测欺诈活动模式 - 减少财务损失 - 改进欺诈防范策略 - 识别高风险用户、地点及行为 ## 🗂️ 数据集 使用的数据表：`credit_card_transactions` 关键特征： - transaction_hour - amount - is_fraud - foreign_transaction - merchant_category - device_trust_score - velocity_last_24h - cardholder_age - location_mismatch ## 🎯 解决的业务问题 ### 1. 🕛 欺诈时间分析（午夜突袭） - 识别欺诈活动最集中的时段 - 对比一天中不同时段的欺诈率 - 按小时计算总财务损失 📌 洞察： 欺诈主要集中发生在**深夜时段（凌晨 0-4 点）**。 ### 2. 🌍 跨境与境内欺诈风险对比 - 比较跨境与境内交易的欺诈率 - 识别最容易遭受跨境欺诈的商户类别 - 计算平均交易金额与总损失 📌 洞察： 跨境交易的欺诈风险显著高于境内交易。 ### 3. 📱 设备信任评分分析 - 将交易按信任评分区间分组 - 计算各评分区间的欺诈率 - 评估低信任设备带来的财务风险敞口 📌 洞察： 低信任设备（评分 0-30）对欺诈案例的贡献比例异常偏高。 ### 4. ⚡ 交易频率分析 - 根据用户过去 24 小时的交易频率进行分段 - 计算各频率段的欺诈率及欺诈损失占比 📌 洞察： 高频交易行为与欺诈活动高度相关。 ## 📊 核心关键指标 - 欺诈率（%） - 欺诈总损失 - 交易量 - 跨境欺诈率 - 基于交易频率的风险敞口 - 信任评分风险分段 ## 🧠 核心洞察总结 - 欺诈集中发生在**特定时间窗口（夜间时段）** - **跨境交易风险显著更高** - **低信任设备欺诈概率更高** - **高频交易行为是重要欺诈指标** - 欺诈并非随机——它遵循**模式驱动**规律 ## 🛠️ 使用工具 - SQL (MySQL) - 数据聚合与窗口函数 - 商业智能分析思维 - 欺诈分析逻辑 ## 📈 未来优化方向 - Power BI / Tableau 可视化仪表板 - 机器学习欺诈预测模型 - 实时欺诈检测系统模拟 - 基于 API 的欺诈评分系统 ## 📌 作者 本项目作为数据分析作品集项目，专注于解决现实世界中的金融欺诈检测问题。

标签：BSD, SQL分析, 交易速度, 信用卡交易, 商业智能, 多线程, 数据挖掘, 时间分析, 模式识别, 欺诈检测, 设备信任, 财务损失, 跨境交易, 金融欺诈, 预防策略, 高风险行为