信用卡欺诈检测案例研究：提高安全性和客户满意度
介绍
随着越来越多的企业面临信用卡欺诈和身份盗窃，“欺诈检测”在Google趋势中的流行度日益提高。
公司正在寻找信用卡欺诈检测软件，该软件将有助于消除此问题 或至少减少可能的危险。在查看SPD Group信用卡欺诈检测项目之前，让我们回答最常见的问题：
什么是欺诈检测系统？
这是为了防止通过虚假借口获得金钱或财产而进行的一系列活动。
什么是欺诈检测预测模型？
模型基于有关交易的信息和某些上下文（历史）信息进行预测。为了使模型更健壮，我们仅使用了基于χ2（卡方检验是一种度量标准，用于衡量期望与实际观察到的数据的比较）和递归特征消除技术选择的最重要特征。
神经网络如何用于检测欺诈？
当数据科学家可以访问大型数据集（例如100
SPD集团电子商务信用卡交易异常检测解决方案
监控活动活动
开发时间– 3个月
团队规模– 6位专家
平台– Web
信用卡欺诈检测项目概述
一家电子商务和金融服务公司与SPD Group联系，该公司提供可以使用Mobile Money或银行卡（例如Visa和MasterCard）付款的产品和服务，以使其平台成为为其客户提供更安全的在线交易场所。随着面对因突然消失或转移到另一个未知账户而面临资金问题的客户数量的增加，我们的客户想到了在其平台上实施现代防欺诈方法。因此，他联系了我们，并决定依靠机器学习在这里可以做什么。
挑战性
为了深入研究该项目的挑战和障碍，我们从我们的开发团队的机器学习工程师处获得了一个报价：
“该解决方案最复杂的部分是为仅进行少量交易的用户实现良好的指标。我们可以应用常规模型，这对具有丰富交易历史记录的用户来说是个好方法，但是如果缺少历史数据（例如，新用户），则评分会更差。另一个明显的解决方案是将这些用户视为空帐户，这些空帐户仅具有身份信息而没有任何交易历史记录。在这种情况下，我们失去了至少拥有一些有关用户的数据的优势，但是这种模型提供的结果非常稳定（拟合不足）。在每周就此事进行表态??之后，我们决定研究“少量学习”技术，这可以帮助我们改善指标。我们已经准备了一个PoC，但是并没有给我们带来我们所期望的巨大改进。不过，我们进行了试验，并涉足客户业务领域；它使我们能够开发基于“少量学习”技术对模型产生巨大影响的功能。由于具有域功能，我们的主要评分提高了15％以上，并成为了生产解决方案。”
解
我们的研发团队使用分类而不是经典的异常检测方法对项目进行了3个月的研究。在密集的特征生成阶段（总共约700个特征）之后，他们去进行特征选择以仅选择最相关的特征。最后，它是GXBoost，Catboost和LightGBM等分类方法的融合，使我们接近了所需的分数。
信用卡欺诈检测数据集
该平台是一个电子商务和金融服务应用程序，每天为12
信用卡欺诈检测算法
一旦将机器学习驱动的欺诈防护模块集成到电子商务平台中，它将开始跟踪交易。每当用户请求交易时，它就会被处理一段时间。根据预测的欺诈概率级别，可能有3种输出：
如果概率小于10％，则允许交易
如果概率在10％到80％之间，则应应用其他身份验证因子（例如一次性SMS代码，指纹或机密问题）。
如果概率大于80％，则将冻结交易，因此应手动处理。
该模型基于以下交易信息来估计欺诈交易的可能性：日期和时间，产品类别，金额，提供者（卖方），客户信息，代理商信息，位置和客户的行为模式。机器学习工程师根据前面提到的数据生成上下文和汇总数据。
信用卡欺诈检测软件技术
分类模型：
决策树
隔离树
随机森林
引导程序
异常检测：
PCA
马氏距离
局部离群因子
结果
实施该解决方案后，整个电子商务平台都获得了明显的收益。在生产后仅6个月内，我们可以突出显示以下方面：
降低成本以解决欺诈问题：与客户支持部门沟通，填写退款表格，经理确认退款等
由于对欺诈可能性较低的交易进行简化的身份验证（通常，大多数交易的欺诈可能性较低），因此可以使客户满意。
我们通过该解决方案实现的目标：每年分析140

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！