Deteção de fraude com machine learning
Resposta curta
A SwankyForge constrói deteção de fraude e abuso que atribui um score a transações, encomendas ou contas em tempo real, explica cada decisão e corre ao lado das suas regras existentes até estar provado. O objetivo é menos falsos alarmes com a mesma taxa de deteção, medido nos seus dados. O âmbito dos projetos é definido após uma breve fase de descoberta, dentro de um intervalo típico de 7k €–42k €.
- Encomenda 88412 · cliente recorrente0.08
- Encomenda 88413 · dispositivo novo, morada habitual0.21
- Encomenda 88414 · dispositivo novo, morada nova, valor elevado0.87
- Encomenda 88415 · cliente recorrente0.05
Sinalizada: dispositivo novo + morada nova + valor da encomenda 6× o habitual do cliente
Parece-lhe familiar?
- As regras só apanham a fraude que já conhecem.
- Os analistas passam o dia com falsos alarmes.
- Bons clientes são recusados.
- Novos padrões de ataque passam despercebidos durante semanas.
- Ninguém consegue explicar porque foi bloqueada uma encomenda.
O que construímos
Scoring em tempo real
Cada transação, encomenda ou registo avaliado dentro do seu fluxo existente.
Limiares com custo
Pontos de corte definidos pelo que cada tipo de erro lhe custa, e não por um valor por defeito.
Razões para cada decisão
Os fatores por trás de cada score, legíveis por analistas e pelo apoio ao cliente.
Alertas de drift
Um aviso quando o comportamento muda, antes de as perdas aparecerem.
Fila de analistas
Casos ordenados por risco e valor, com as evidências anexadas.
Implementação gradual
Corre primeiro ao lado das suas regras; só assume o controlo onde é melhor.
Como decorre um projeto
- 1
Calcular o custo dos erros
Quanto custa uma fraude não detetada e quanto custa um cliente recusado por engano. Ambos definem o objetivo.
- 2
Construir o histórico
Decisões passadas, chargebacks e revisões tornam-se exemplos anotados.
- 3
Avaliar e explicar
Um modelo atribui um score a cada evento em tempo real e lista as razões.
- 4
Correr em sombra com as suas regras
Corre silenciosamente ao lado das regras atuais até apanhar a mesma fraude com menos falsos alarmes.
- 5
Monitorizar e retreinar
Alertas de drift, relatórios semanais e um rollback sob o seu controlo.
O que recebe
- Serviço de scoring dentro do seu fluxo de pagamentos ou de encomendas
- Política de limiares baseada no custo de cada erro
- Fila de analistas com as razões de cada caso
- Monitorização de drift e de desempenho
- Código, modelos e runbooks no seu repositório
Preço típico
7k €–42k €
Prazo típico
Definido na fase de discovery
Da tabela de preços publicada. O preço final fica fixado quando o âmbito é acordado.
Estime o seu projetoPerguntas
O machine learning vai substituir as nossas regras de fraude?
Não de início. O modelo corre ao lado das regras e só assume o controlo onde apanha a mesma fraude com menos falsos alarmes. Algumas regras ficam porque codificam políticas.
Quão rápido é o scoring em tempo real?
Rápido o suficiente para estar dentro do checkout ou da autorização de pagamento. O orçamento de tempo de resposta é acordado à partida e monitorizado.
Conseguem explicar porque foi recusada uma transação?
Sim. Cada score vem acompanhado dos fatores por trás dele, para que os analistas e o apoio ao cliente possam explicar uma decisão a um cliente.
De quanta fraude anotada precisamos?
A fraude confirmada é sempre escassa. Combinamos chargebacks, revisões passadas e sinais de anomalia, e medimos primeiro o que é alcançável com o seu histórico.
Porque não há preço fixo?
Os pontos de integração e a qualidade dos dados são o que mais varia entre empresas. Uma breve descoberta define o âmbito e o preço.
Fale-nos da tarefa.
A primeira chamada é gratuita. Se este sistema não for a resposta certa para os seus números, dizemos-lho.