1116

Фрод-мониторинг: противодействие мошенничеству

Февраль, 2019 год.

Комплекс собственных AI-моделей для повышения безопасности транзакций в Сбербанке.

alt

Какую проблему решали

Основная доля транзакций приходится на удаленные каналы обслуживания — банковские карты, мобильное приложение, эквайринг. Банк постоянно совершенствует методы предотвращения мошенничества.
Для онлайн-оценки степени риска операций использовалось «коробочное» решение вендора, не позволяющее оперативно реагировать на возникающие новые схемы мошенничества.
Обучение модели проводится на кейсах профессионального мошенничества. Для того, чтобы выделить случаи бытового мошенничества (например, ребенок картой родителей оплатил онлайн-игру без их ведома), приходилось вручную проводить разбор и анализ жалоб.
Решение проблемы
Для онлайн-оценки рисков операций разработан комплекс собственных real-time моделей, которые используются совместно с моделью вендора.
Разработанные инструменты помогают определить, является ли операция мошеннической или легитимной, а также отличить бытовое мошенничество от профессионального.

Для обучения моделей используются автоматически отфильтрованные жалобы. На ручной разбор попадает только небольшая доля кейсов, в которой модель классификации жалоб не смогла принять решение.
Применяемые технологии

Специалисты компании разработали комплекс AI-моделей фрод-мониторинга, состоящий из трех основных компонент: 
  • модели классификации поступающих в банк жалоб клиентов на мошенничество;
  • offline-модели на больших данных (графовый анализ, эмбединг, кластеризации и пр.), осуществляющих обогащение дополнительными данными транзакционные модели;
  • real-time модели скоринга транзакций клиентов.

Общая архитектура

Бизнес-процесс

До проекта:

  • Показатель уровня мошенничества — 0,35.
  • Доля ложных срабатываний системы — 90%.
  • Для анализа используются текущие данные и часть исторических операций клиента.
  • Ручная классификация мошенничества на бытовое и профессиональное.

После проекта:

  • Показатель уровня мошенничества — 0,25.
  • Доля ложных срабатываний системы — 70%.
  • Для анализа доступны все клиентские данные за длительное время.
  • Автоматическая фильтрация жалоб.
  • На ручной разбор попадает небольшая доля кейсов.

Результаты

Команда проекта

Дмитрий Андреев
Руководитель направления по исследованию данных
Павел Бобович
Исполнительный директор
Иван Воробьев
Руководитель направления
Роман Горюшин
Рyководитель проектов
Андрей Пинчук
Исполнительный директор