Wykrywanie fraudów z machine learningiem
Krótka odpowiedź
SwankyForge buduje wykrywanie fraudów i nadużyć, które ocenia transakcje, zamówienia lub konta w czasie rzeczywistym, wyjaśnia każdą decyzję i działa obok Państwa istniejących reguł, dopóki nie udowodni swojej wartości. Celem jest mniej fałszywych alarmów przy tej samej wykrywalności, mierzone na Państwa danych. Zakres projektu ustalamy po krótkim rozpoznaniu, w typowych widełkach 7k €–42k €.
- Zamówienie 88412 · powracający klient0.08
- Zamówienie 88413 · nowe urządzenie, zwykły adres0.21
- Zamówienie 88414 · nowe urządzenie, nowy adres, wysoka wartość0.87
- Zamówienie 88415 · powracający klient0.05
Oznaczone: nowe urządzenie + nowy adres + wartość zamówienia 6× wyższa niż zwykle u klienta
Brzmi znajomo?
- Reguły łapią tylko te fraudy, które już znają.
- Analitycy spędzają dzień na fałszywych alarmach.
- Dobrzy klienci dostają odmowę.
- Nowe wzorce ataków pozostają niezauważone przez tygodnie.
- Nikt nie potrafi wyjaśnić, dlaczego zamówienie zostało zablokowane.
Co budujemy
Scoring w czasie rzeczywistym
Każda transakcja, zamówienie lub rejestracja oceniana w ramach istniejącego procesu.
Progi oparte na kosztach
Progi odcięcia ustalane według tego, ile kosztuje Państwa każdy rodzaj błędu, a nie według wartości domyślnej.
Uzasadnienie każdej decyzji
Czynniki stojące za każdą oceną, zrozumiałe dla analityków i obsługi klienta.
Alerty o dryfie
Ostrzeżenie, gdy zachowania się zmieniają, zanim pojawią się straty.
Kolejka analityków
Sprawy uporządkowane według ryzyka i wartości, z dołączonymi dowodami.
Stopniowe wdrożenie
Najpierw działa obok Państwa reguł; przejmuje tylko tam, gdzie jest lepszy.
Jak przebiega projekt
- 1
Policzenie kosztu błędów
Ile kosztuje przeoczony fraud, a ile niesłusznie odrzucony klient. Oba koszty wyznaczają cel.
- 2
Zbudowanie historii
Wcześniejsze decyzje, chargebacki i weryfikacje stają się oznaczonymi przykładami.
- 3
Ocena i wyjaśnienie
Model ocenia każde zdarzenie w czasie rzeczywistym i podaje powody.
- 4
Tryb cienia obok reguł
Działa po cichu obok obecnych reguł, dopóki nie wyłapuje tych samych fraudów przy mniejszej liczbie fałszywych alarmów.
- 5
Monitoring i ponowne trenowanie
Alerty o dryfie, cotygodniowe raporty i wycofanie zmian pod Państwa kontrolą.
Co Państwo otrzymują
- Usługa scoringu w Państwa procesie płatności lub zamówień
- Polityka progów oparta na koszcie każdego błędu
- Kolejka analityków z powodami dla każdej sprawy
- Monitoring dryfu i wydajności
- Kod, modele i runbooki w Państwa repozytorium
Typowa cena
7k €–42k €
Typowy czas realizacji
Zakres ustalany w discovery
Według opublikowanego cennika. Ostateczna cena jest ustalana po uzgodnieniu zakresu.
Wycena projektuPytania
Czy machine learning zastąpi nasze reguły antyfraudowe?
Nie od razu. Model działa obok reguł i przejmuje tylko tam, gdzie wyłapuje te same fraudy przy mniejszej liczbie fałszywych alarmów. Część reguł zostaje, bo zapisują politykę firmy.
Jak szybki jest scoring w czasie rzeczywistym?
Na tyle szybki, by działać w checkoucie lub przy autoryzacji płatności. Budżet czasu odpowiedzi jest uzgadniany z góry i monitorowany.
Czy potraficie wyjaśnić, dlaczego transakcja została odrzucona?
Tak. Każda ocena zawiera czynniki, które za nią stoją, więc analitycy i obsługa klienta mogą wyjaśnić decyzję klientowi.
Ile oznaczonych fraudów potrzebujemy?
Potwierdzonych fraudów zawsze jest mało. Łączymy chargebacki, wcześniejsze weryfikacje i sygnały anomalii, a najpierw mierzymy, co jest osiągalne na Państwa historii.
Dlaczego nie ma stałej ceny?
Punkty integracji i jakość danych różnią się między firmami najbardziej. Krótkie rozpoznanie ustala zakres i cenę.
Prosimy opisać zadanie.
Pierwsza rozmowa jest bezpłatna. Jeśli ten system nie jest właściwą odpowiedzią przy Państwa liczbach, powiemy to wprost.