Rilevamento frodi con il machine learning
Risposta breve
SwankyForge costruisce sistemi di rilevamento di frodi e abusi che assegnano un punteggio a transazioni, ordini o account in tempo reale, spiegano ogni decisione e affiancano le vostre regole esistenti finché non sono dimostrati. L'obiettivo è avere meno falsi allarmi a parità di tasso di intercettazione, misurato sui vostri dati. I progetti vengono definiti dopo una breve fase di discovery, entro una fascia tipica di 7k €–42k €.
- Ordine 88412 · cliente abituale0.08
- Ordine 88413 · nuovo dispositivo, indirizzo abituale0.21
- Ordine 88414 · nuovo dispositivo, nuovo indirizzo, importo elevato0.87
- Ordine 88415 · cliente abituale0.05
Segnalato: nuovo dispositivo + nuovo indirizzo + importo 6× quello abituale del cliente
Vi suona familiare?
- Le regole intercettano solo le frodi che conoscono già.
- Gli analisti passano la giornata sui falsi allarmi.
- I buoni clienti vengono rifiutati.
- Nuovi schemi di attacco passano inosservati per settimane.
- Nessuno sa spiegare perché un ordine è stato bloccato.
Cosa costruiamo
Scoring in tempo reale
Ogni transazione, ordine o registrazione valutato all'interno del vostro flusso esistente.
Soglie basate sui costi
Soglie fissate in base a quanto vi costa ciascun tipo di errore, non a un valore predefinito.
Motivazioni per ogni decisione
I fattori dietro ogni punteggio, leggibili da analisti e supporto.
Alert di drift
Un avviso quando il comportamento cambia, prima che compaiano le perdite.
Coda degli analisti
Casi ordinati per rischio e valore, con le evidenze allegate.
Rollout graduale
Prima affianca le vostre regole; subentra solo dove è migliore.
Come si svolge un progetto
- 1
Calcolare il costo degli errori
Quanto costa una frode non intercettata e quanto costa un cliente rifiutato per errore. Entrambi definiscono l'obiettivo.
- 2
Costruire lo storico
Decisioni passate, chargeback e revisioni diventano esempi etichettati.
- 3
Assegnare il punteggio e spiegare
Un modello valuta ogni evento in tempo reale ed elenca le motivazioni.
- 4
Affiancare le regole in ombra
Gira in silenzio accanto alle regole attuali finché non intercetta le stesse frodi con meno falsi allarmi.
- 5
Monitorare e riaddestrare
Alert di drift, report settimanali e un rollback che controllate voi.
Cosa ottenete
- Servizio di scoring all'interno del vostro flusso di pagamento o di ordine
- Policy delle soglie basata sul costo di ciascun errore
- Coda degli analisti con le motivazioni per ogni caso
- Monitoraggio di drift e prestazioni
- Codice, modelli e runbook nel vostro repository
Prezzo tipico
7k €–42k €
Tempi tipici
Definito in fase di discovery
Dal listino pubblicato. Il prezzo finale viene fissato una volta concordato il perimetro.
Stimate il vostro progettoDomande
Il machine learning sostituirà le nostre regole antifrode?
Non all'inizio. Il modello affianca le regole e subentra solo dove intercetta le stesse frodi con meno falsi allarmi. Alcune regole restano perché codificano una policy.
Quanto è veloce lo scoring in tempo reale?
Abbastanza da stare all'interno del checkout o dell'autorizzazione di pagamento. Il budget di tempo di risposta viene concordato in anticipo e monitorato.
Potete spiegare perché una transazione è stata rifiutata?
Sì. Ogni punteggio è accompagnato dai fattori che lo determinano, così analisti e supporto possono spiegare una decisione a un cliente.
Quante frodi etichettate ci servono?
Le frodi confermate sono sempre poche. Combiniamo chargeback, revisioni passate e segnali di anomalia, e misuriamo prima cosa è realizzabile sul vostro storico.
Perché non c'è un prezzo fisso?
I punti di integrazione e la qualità dei dati sono ciò che varia di più tra un'azienda e l'altra. Una breve discovery definisce perimetro e prezzo.
Raccontateci il vostro caso.
La prima call è gratuita. Se questo sistema non è la risposta giusta per i vostri numeri, ve lo diciamo.