Финтех: настройка антифрод-системы

Ситуация: Fraud rate вырос с 0.3% до 0.8%. False positive rate антифрод-системы — 5%, что блокирует легитимных клиентов.

Платёжный сервис, 10M транзакций/мес. Текущая модель — rule-based. Средний ущерб от фрода — 15000 ₽. Стоимость FP — потеря клиента (LTV ~50000 ₽).

Доступные данные

• transactions: tx_id, user_id, amount, merchant_id, country, device_id, timestamp, is_fraud
• users: user_id, reg_date, verified, avg_tx_amount, tx_count_30d
• devices: device_id, user_id, first_seen, country, is_emulator
• alerts: tx_id, rule_triggered, model_score, decision (block/allow), outcome

Задачи

• Проанализировать текущие правила: precision, recall, F1 по каждому.
• Рассчитать cost matrix: FP cost vs FN cost, найти оптимальный threshold.
• Предложить feature engineering для ML-модели.
• Спроектировать систему мониторинга: drift detection, alert rates.

Все кейсы для подготовки → ← Все кейсы