Aller au contenu
English

Médiane, MAD et IQR

  • Leçon 6
  • 35 min
  • Module 2 : Des références de base simples et difficiles à battre

Où nous en sommes

Nous avons vu qu'une valeur extrême déplace la moyenne et l'écart-type. La cote z manque alors l'anomalie suivante. Il nous faut un centre et une dispersion qu'une seule valeur ne peut pas déplacer. Dans cette leçon, nous utilisons la médiane, la MAD et l'IQR. Nous construisons aussi une référence de base pour chaque client, pays et agent.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 6 sur 38 · Détection d'anomalies : trouver ce qui est inhabituelMédiane, MAD et IQR
Aperçu du cours

Ce que vous saurez faire

Construisez une référence de base qu’une valeur extrême ne peut pas déplacer, avec la médiane, la MAD et l’IQR. Donnez ensuite à chaque client sa propre référence de base. Une fraude est inhabituelle pour son client, pas pour le magasin.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Ses cellules de préparation installent pandas, NumPy, SciPy, scikit-learn et matplotlib, puis téléchargent les paiements (environ 7 Mo). Environ 30 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 35 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

La même chose que dans la dernière leçon : Colab ou Kaggle dans un navigateur, ou Python 3.12 avec le noyau du carnet.

Testé avec Python 3.12.13 dans Jupyter sur macOS, avec pandas 3.1.1 et NumPy 2.5.4. Colab, Kaggle et Windows n’ont pas été testés.

Une enseignante place sept enfants en ordre de taille pour une photo de classe. Elle place l’enfant du milieu au centre. Un joueur de basketball de deux mètres se joint maintenant au bout de la file. Qui est au milieu maintenant? Le milieu reste presque au même endroit : il se déplace d’un demi-enfant. La taille moyenne, elle, augmente beaucoup. Une personne très grande a changé la moyenne, mais pas le milieu.

Voilà toute l’idée de cette leçon. Dans la dernière leçon, un paiement de 900 $ a fait passer la moyenne de 14,14 $ à 124,88 $. Le paiement inhabituel suivant est alors passé inaperçu. Il nous faut un centre qui se comporte comme l’enfant du milieu, et une dispersion qui se comporte de même.

La médiane est la valeur du milieu quand vous triez les valeurs. La moitié des valeurs est en dessous et l’autre moitié est au-dessus. Pour déplacer beaucoup la médiane, vous devez déplacer la moitié des valeurs, pas une seule.

La MAD, l’écart absolu médian, mesure la dispersion de la même façon. Prenez la distance entre chaque valeur et la médiane. Prenez ensuite la médiane de ces distances. Une valeur énorme donne une distance énorme, mais la médiane des distances l’ignore.

La cote z robuste utilise ces deux mesures à la place de la moyenne et de l’écart-type :

z robuste = (valeur − médiane) ÷ (1,4826 × MAD)

Pourquoi 1,4826? Quand les valeurs suivent la forme normale en cloche, 1,4826 × MAD est à peu près égal à l’écart-type. Une cote z robuste de 3 signifie donc à peu près la même chose qu’une cote z de 3. On appelle robuste une méthode qu’une valeur extrême change peu.

Les sept mêmes paiements que dans la dernière leçon, triés : 12, 13, 14, 14, 15, 15, 16. Celui du milieu, le quatrième, vaut 14. C’est la médiane.

Paiement 12 13 14 14 15 15 16
Distance par rapport à la médiane (14) 2 1 0 0 1 1 2

Les distances triées sont 0, 0, 1, 1, 1, 2, 2. Leur valeur du milieu est 1. C’est la MAD. La cote z robuste d’un paiement de 60 $ est donc (60 − 14) ÷ (1,4826 × 1) = 31,0.

Ajoutez maintenant le paiement de 900 $. Les huit valeurs triées sont 12, 13, 14, 14, 15, 15, 16, 900. Avec un nombre pair, la médiane se situe à mi-chemin entre les deux valeurs du milieu, 14 et 15 : 14,5. Les distances par rapport à 14,5 sont 2,5, 1,5, 0,5, 0,5, 0,5, 0,5, 1,5 et 885,5. Leur médiane se situe à mi-chemin entre 0,5 et 1,5 : 1,0. La MAD n’a pas bougé. La cote z robuste de 60 $ est (60 − 14,5) ÷ 1,4826 = 30,7. Le paiement de 60 $ reste très loin de la normale.

Une droite numérique de 0 à 140 dollars, avec cinq rangées. Paiements : sept points entre 12 et 16, un point bleu à 60 et une note indiquant que 900 est hors de la droite. Moyenne plus ou moins 1 écart-type avant : une bande étroite à 14,14; z de 60 vaut 34,1. Après le paiement de 900 dollars : une flèche montre la moyenne se déplaçant de 110,74 dollars jusqu'à 124,88, et la bande de plus ou moins 313,2 dépasse la droite; z de 60 vaut moins 0,21. Médiane plus ou moins 1,4826 fois la MAD avant : une bande étroite à 14,0; z robuste de 60 vaut 31,0. Après le paiement de 900 dollars : la bande est à 14,5, elle s'est déplacée de 0,50; z robuste de 60 vaut 30,7.
Un paiement de 900 dollars s'ajoute à sept paiements habituels (un exemple construit). La moyenne et l'écart-type se déplacent beaucoup; la médiane se déplace de 0,50 dollar et la MAD ne bouge pas. Seule la cote z robuste repère encore le paiement de 60 dollars.
Description textuelle du diagramme

Le schéma comporte une droite numérique, de 0 à 140 dollars, et cinq rangées. La première rangée montre les paiements. Sept points gris se trouvent entre 12 et 16 dollars. Un point bleu représente le nouveau paiement de 60 dollars. Une note indique que le paiement de 900 dollars est hors de la droite, à droite. La deuxième rangée montre la moyenne plus ou moins un écart-type avant le paiement énorme : une bande étroite à 14,14. La cote z de 60 dollars vaut 34,1. La troisième rangée montre la même chose après le paiement de 900 dollars. Une flèche montre la moyenne se déplaçant de 110,74 dollars, jusqu’à 124,88. La bande de plus ou moins 313,2 dollars dépasse la droite entière. La cote z de 60 dollars vaut −0,21. La quatrième rangée montre la médiane plus ou moins 1,4826 fois la MAD avant : une bande étroite à 14,0. La cote z robuste de 60 dollars vaut 31,0. La cinquième rangée montre la même chose après le paiement de 900 dollars : la bande est à 14,5. Elle s’est déplacée de 0,50 dollar et a gardé sa largeur. La cote z robuste vaut 30,7.

Exécutez les sections 1 et 2 du carnet pour vérifier ces nombres. La section 1 définit une petite fonction, robust_z(x, values). Elle renvoie la médiane, la MAD et la cote z robuste de x par rapport à values :

def robust_z(x, values):
values = np.array(values)
median = np.median(values)
mad = np.median(np.abs(values - median)) # the median distance from the median
return median, mad, (x - median) / (1.4826 * mad)

La sortie des deux sections :

distances from the median: [0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0]
median 14.00, MAD 1.00, robust z-score of 60 dollars: 31.0
median 14.50, MAD 1.00, robust z-score of 60 dollars: 30.7

Il existe une deuxième mesure robuste de dispersion, construite à partir des quartiles. Q1, le premier quartile, a un quart des valeurs en dessous de lui. Q3, le troisième quartile, a trois quarts des valeurs en dessous de lui. L’IQR, l’écart interquartile, est Q3 − Q1 : la largeur de la moitié centrale des valeurs.

La règle du diagramme en boîte considère une valeur comme aberrante lorsqu’elle dépasse Q3 de plus de 1,5 IQR. Elle fait de même quand une valeur est à plus de 1,5 IQR sous Q1. La limite Q3 + 1,5 × IQR est la borne supérieure. La règle tire son nom du diagramme en boîte. Ce graphique représente la moitié centrale par une boîte et les valeurs aberrantes par des points.

Pour les huit paiements, dont celui de 900 $, le carnet affiche :

Q1 13.75, Q3 15.25, IQR 1.50, upper fence 17.50
above the fence: [900.0, 60.0]

Q1 et Q3 se trouvent entre deux valeurs. NumPy prend donc un point entre elles, comme pour la médiane. La borne est 15,25 + 1,5 × 1,50 = 17,50. Les valeurs 900 et 60 sont toutes deux au-dessus.

La cliente C-08459, une particulière, a fait 7 paiements pendant les mois de référence et 11 autres jusqu’en novembre. Le diagramme en boîte montre les deux ensembles :

Paiements de la cliente C-08459. La boîte représente la moitié centrale, et la ligne à l'intérieur représente la médiane. Les moustaches atteignent les dernières valeurs à l'intérieur des bornes. Un point sur la ligne représente une valeur aberrante. Parmi les 18 paiements, seul celui de 260,89 dollars dépasse la borne.
Description textuelle du graphique

Le graphique comporte deux rangées sur un axe de 0 à 280 dollars. La première utilise les 7 paiements de la cliente de juillet et août 2025, entre 25,84 et 64,42 dollars. La boîte couvre la moitié centrale, d’environ 30 à 58 dollars, et la médiane vaut 41,05. La deuxième rangée utilise les 18 paiements, de juillet à novembre. La boîte couvre environ 27 à 63 dollars. Les moustaches vont de 19,18 à 116,52 dollars. Un point, à 260,89 dollars, dépasse la borne supérieure. Il s’agit d’une prise de contrôle de compte insérée le 5 octobre 2025. Sous chaque boîte, de petits points montrent chaque paiement.

Passons maintenant aux vrais paiements. Comme avant, le détecteur apprend des mois de référence et attribue des scores aux mois d’évaluation. La section 3 du carnet calcule la référence de base du magasin :

g_median = reference.amount.median()
g_mad = (reference.amount - g_median).abs().median()
g_q1, g_q3 = reference.amount.quantile([0.25, 0.75])
reference months: median 44.78, MAD 25.02, Q1 25.33, Q3 102.62, upper fence 218.54

La moyenne des mêmes paiements était de 119,36 $. La médiane est de 44,78. Les grosses commandes d’entreprises font monter la moyenne, mais pas la médiane.

Avant d’exécuter la cellule suivante, faites une prédiction : un paiement énorme ne trompe pas la cote z robuste. Trouvera-t-elle plus de fraudes que la cote z de la dernière leçon, dont la précision au budget était de 0,003?

detector setting alerts per day precision at budget recall cost per week ($) explain one alert (min)
MAD (global) |robust z| of the amount, one baseline 50.0 0.003 0.005 10264 1
IQR rule (global) amount above Q3 + 1.5 IQR 236.2 0.006 0.010 10169 1
the IQR rule flags 21,494 payments; 98.3% are business payments

Elle ne fait pas mieux. La MAD globale fait réviser exactement les mêmes 50 paiements par jour que la cote z globale : les plus gros montants. La règle du diagramme en boîte signale 236,2 paiements par jour. C’est bien plus que les 50 que l’équipe peut réviser. L’équipe révise donc les 50 premiers de chaque jour, et les autres attendent. Parmi les paiements signalés, 98,3 % sont des paiements d’entreprises honnêtes.

Les statistiques robustes règlent donc un problème : la valeur extrême dans l’historique. Elles ne règlent pas l’autre problème : une référence de base pour tous pose la mauvaise question. Une fraude est inhabituelle pour son client.

La solution est une référence de base par groupe : un ensemble de lignes qui devraient partager une même normale. Le carnet commence par les deux types de comptes. Il conserve leurs références de base dans une table appelée by_type. La cellule suivante l’utilise comme solution de repli :

by_type = reference.groupby("account_type").amount.agg(
["median", lambda s: (s - s.median()).abs().median(), "size"])
by_type.columns = ["median", "mad", "payments"]
median mad payments
account_type
business 257.50 131.71 42255
personal 34.32 14.94 131016

Le paiement habituel d’une entreprise est de 257,50 $. Celui d’un particulier est de 34,32. Un paiement de 300 $ est donc ordinaire pour une entreprise et très inhabituel pour un particulier. Une référence de base pour tout le magasin ne peut pas exprimer les deux.

La même idée fonctionne pour plusieurs groupes :

  • Par client : la médiane et la MAD propres à chaque client. Nous retrouvons ici la propriétaire du café.
  • Par pays : un paiement au Portugal comparé aux autres paiements au Portugal, si le magasin y vend ses produits.
  • Par agent : dans le module 3, les remboursements de chaque agent de soutien comparés à son propre taux habituel.

Un petit groupe pose un problème : trop peu de lignes pour apprendre. La médiane de deux paiements n’est pas une habitude. Le détecteur utilise donc une solution de repli. Un client qui a au moins 5 paiements de référence obtient sa propre référence de base. Un client qui en a moins utilise celle de son type de compte.

g = reference.groupby("customer_id").amount
cust = pd.DataFrame({"n": g.size(), "median": g.median(),
"mad": g.apply(lambda s: (s - s.median()).abs().median())})
known = evaluation.customer_id.map(cust["n"]) >= 5 # at least 5 payments to learn from
c_median = evaluation.customer_id.map(cust["median"]).where(known).fillna(evaluation.account_type.map(by_type["median"]))
c_mad = evaluation.customer_id.map(cust["mad"]).where(known).fillna(evaluation.account_type.map(by_type["mad"]))
c_mad = np.maximum(c_mad, 1.0) # a floor of 1 dollar for the spread (section 5)
rz_customer = ((evaluation.amount - c_median) / (1.4826 * c_mad)).abs()

where(known) conserve la valeur propre au client seulement s’il a au moins 5 paiements de référence. fillna(...) place la valeur du type de compte aux autres endroits. Avant de l’exécuter, prédisez la précision au budget. La cote z par client de la dernière leçon avait une précision de 0,045.

detector setting alerts per day precision at budget recall cost per week ($) explain one alert (min)
MAD (global) |robust z| of the amount, one baseline 50.0 0.003 0.005 10264 1
IQR rule (global) amount above Q3 + 1.5 IQR 236.2 0.006 0.010 10169 1
MAD per customer |robust z| against the customer's own median 50.0 0.048 0.078 8280 1
customers with a baseline: 12,276; evaluation payments that use the account type's baseline: 50,778

La MAD par client a une précision au budget de 0,048 : 16 fois celle de la référence du magasin entier. Elle dépasse aussi la cote z par client, à 0,045, et coûte 8 280 $ par semaine, contre 9 047. Parmi les paiements d’évaluation, 50 778 utilisent la solution de repli, car leur client avait moins de 5 paiements de référence.

Le graphique montre de nouveau la cliente C-08459. La bande provient de la MAD par client, calculée à partir des 7 paiements de référence :

  • Paiements
  • Médiane : 41,05
  • z robuste = 3 : 101,36
Les paiements d'une cliente et sa bande personnelle, apprise à partir de juillet et août (médiane 41,05, MAD 13,56). La prise de contrôle de compte insérée de 260,89 dollars a une cote z robuste de 10,94. Elle figure parmi les 50 alertes révisées ce jour-là.
Description textuelle du graphique

Le graphique montre 18 paiements de la cliente C-08459 de juillet à novembre 2025, sur un axe de 0 à 280 dollars. Une ligne pointillée à 41,05 dollars indique la médiane de la cliente calculée à partir des mois de référence. Une deuxième ligne pointillée à 101,36 dollars indique une cote z robuste de 3. Presque tous les paiements se trouvent entre 19 et 82 dollars, sous la bande. Le 5 octobre, deux paiements la dépassent. L’un vaut 260,89 dollars, avec une cote z robuste de 10,94 : une prise de contrôle de compte insérée. L’autre, le même jour, vaut 116,52 dollars et est honnête.

Il y a deux choses à remarquer. D’abord, la bande est personnelle : 101,36 $ est la limite pour cette cliente. La borne du magasin entier était de 218,54. Avec la cote z robuste du magasin entier, le paiement de 260,89 $ obtient un score de 5,83. Il ne figure pas parmi les 50 scores les plus élevés du jour. Avec la bande personnelle, il obtient 10,94 et fait l’objet d’une révision.

Ensuite, le paiement honnête de 116,52 $ dépasse aussi la bande, avec une cote z robuste de 3,75. Une cote z robuste de 3 n’est pas un verdict. L’équipe révise les 50 scores les plus élevés de chaque jour. Ce jour-là, le 50e score était de 4,42. Le paiement de 116,52 $ n’a donc pas fait l’objet d’une révision.

Le petit exemple était construit. La section 4 du carnet montre le même effet dans les données de Larkfield, avec le client C-06547 :

reference payments: [75.59, 69.38, 74.89, 248.87, 90.9, 69.39]
new payment: 1.40 dollars on 2025-09-16 06:14:59
mean 104.84, standard deviation 71.00, z-score -1.46
median 75.24, MAD 5.86, robust z-score -8.51

Un paiement passé de 248,87 $ a rendu l’écart-type élevé. Un paiement de 1,40 $ semble donc presque ordinaire pour la cote z : −1,46. La médiane et la MAD ignorent le montant de 248,87, et la cote z robuste vaut −8,51. Ce paiement est un test de cartes inséré : un voleur essaie un minuscule paiement pour vérifier si une carte volée fonctionne. Sur les mois d’évaluation, la MAD par client place parmi ses 50 paiements quotidiens 93 paiements insérés que la cote z par client manque. À l’inverse, la cote z par client en trouve 77 que la MAD manque.

La section 6 du carnet contient trois tâches.

  1. Écrivez la cote z robuste du paiement de 60 $ après le paiement énorme, sous le nom robust_after.
  2. Calculez la borne supérieure de la règle du diagramme en boîte pour les comptes de particuliers seulement, pendant les mois de référence. Écrivez-la sous le nom personal_fence.
  3. Attribuez des scores seulement au côté supérieur de la MAD par client : gardez le signe pour donner de faibles scores aux montants sous la normale. Conservez la ligne sous le nom up_row. Est-ce mieux?
Afficher les réponses
  1. robust_after = 30.7.
  2. Prenez p = reference.amount[reference.account_type == "personal"], puis p.quantile([0.25, 0.75]). La borne est de 102,81 dollars, contre 218,54 pour tout le magasin.
  3. signed = (evaluation.amount - c_median) / (1.4826 * c_mad), puis compare.score_payments(evaluation, signed, ...). Sa précision au budget est de 0,033, moins que 0,048. Certaines fraudes sont bien en dessous du montant habituel, comme le test de cartes de 1,40 $. Gardez les deux côtés.

Erreur courante

Une MAD de zéro

Symptôme : un paiement dépassant le montant habituel d’un client de seulement 1 $ obtient une cote z robuste de inf (infini). NumPy affiche un RuntimeWarning (avertissement à l’exécution). Ces scores arrivent en tête du classement et prennent des places parmi les 50 alertes quotidiennes.

Cause : si plus de la moitié des paiements d’un client ont exactement le même montant, la MAD vaut 0. Cela arrive plus facilement qu’un écart-type de 0 : les valeurs n’ont pas toutes besoin d’être égales.

same = [20.0, 20.0, 20.0, 25.0, 20.0] # four of five payments are exactly 20 dollars
median0, mad0, rz0 = robust_z(21.0, same)
print(f"median {median0:.2f}, MAD {mad0:.2f}, robust z-score of 21 dollars: {rz0}")
median 20.00, MAD 0.00, robust z-score of 21 dollars: inf
customers with a baseline and a MAD below 1 dollar: 66

Aucun client de Larkfield ayant une référence de base n’a une MAD exactement égale à 0. Toutefois, 66 ont une MAD inférieure à 1 $. Une MAD minuscule pose le même problème, mais moins fortement : de petits changements obtiennent des scores énormes.

Solution : donnez un minimum à la dispersion. Le détecteur utilise 1 $, donc le paiement de 21 $ obtient une cote z robuste de 0,67.

Conséquence pour le travail en IA : tout score qui divise par une dispersion a besoin d’un minimum. Choisissez-le dans les unités des données et expliquez pourquoi.

Utilisez-la quand l’historique peut contenir des valeurs extrêmes, ce qui arrive presque toujours. Aussi quand vous pouvez nommer le groupe qui partage une même normale : un client, un type de compte, un agent.
Ne l’utilisez pas seule quand la fraude ne dépend pas de la valeur. Une carte volée utilisée pour des paniers ordinaires donne un montant ordinaire.
Ce qu’elle coûte une médiane par groupe et une solution de repli pour les petits groupes. Elle exige un historique : 50 778 paiements d’évaluation, environ 30 %, n’ont pas leur propre référence de base. Une référence de base vieillit aussi. Quand la normale change, comme au lancement de l’application du module 1, il faut la réapprendre.

Le tableau comparatif, avec les lignes de cette leçon :

Détecteur Réglage Alertes/jour Précision au budget Rappel Coût par semaine ($)
aucun détecteur aucune révision 0,0 0,0 0,0 10 367
cote z |z| du montant, une référence de base pour tous 50,0 0,003 0,005 10 264
MAD (globale) |z robuste| du montant, une référence de base 50,0 0,003 0,005 10 264
règle de l’IQR (globale) montant supérieur à Q3 + 1,5 IQR 236,2 0,006 0,01 10 169
MAD par client |z robuste| par rapport à la médiane du client 50,0 0,048 0,078 8 280
MAD par client, côté élevé z robuste, seulement les montants supérieurs à l’habitude 50,0 0,033 0,054 8 348

Vérifiez votre compréhension

Cinq remboursements d'un agent, en dollars : 30, 35, 40, 45, 300. Calculez la médiane et la MAD. Quelle est la cote z robuste d'un remboursement de 70 dollars?

Afficher la réponse

Après le tri, la valeur du milieu est 40 : c’est la médiane. Les distances par rapport à 40 sont 10, 5, 0, 5 et 260. Après le tri : 0, 5, 5, 10, 260. Leur médiane est 5 : c’est la MAD. La cote z robuste de 70 dollars est (70 − 40) ÷ (1,4826 × 5) = 30 ÷ 7,41 = environ 4,0. Le remboursement de 300 dollars n’a changé ni la médiane ni la MAD.

Vérifiez votre compréhension

Prédisez : le Q1 des paiements d'un client est de 20 dollars et le Q3 est de 40 dollars. Où se trouve la borne supérieure de la règle du diagramme en boîte? Un paiement de 75 dollars est-il une valeur aberrante?

Afficher la réponse

L’IQR est 40 − 20 = 20. La borne supérieure est Q3 + 1,5 × IQR = 40 + 30 = 70 dollars. Un paiement de 75 dollars dépasse la borne. La règle du diagramme en boîte le considère donc comme une valeur aberrante.

Vérifiez votre compréhension

En pratique : sur les mois d'évaluation de Larkfield, la MAD globale a une précision au budget de 0,003. La MAD par client atteint 0,048. Expliquez la différence. Indiquez ensuite ce que fait le détecteur pour un client ayant seulement 2 paiements de référence, et pourquoi.

Afficher la réponse

La MAD globale compare chaque paiement à l’ensemble du magasin. Ses scores les plus élevés correspondent donc aux plus gros montants : des commandes honnêtes d’entreprises. La MAD par client vérifie si un paiement est inhabituel pour ce client. C’est ainsi que se présente une grande partie de la fraude. Un client ayant seulement 2 paiements de référence n’a pas assez d’historique pour une référence de base. Le détecteur utilise donc la solution de repli : la médiane et la MAD du type de compte du client.

Récapitulatif

  • La médiane et la MAD sont robustes : après un paiement de 900 dollars, la médiane a changé de 0,50 dollar et la MAD n’a pas changé.
  • La cote z robuste est (valeur − médiane) ÷ (1,4826 × MAD). La règle du diagramme en boîte signale les valeurs supérieures à Q3 + 1,5 × IQR.
  • Les statistiques robustes ne corrigent pas une mauvaise question. Une référence de base pour tout le magasin n’a presque rien trouvé (0,003).
  • Une référence de base par groupe pose la bonne question. La MAD par client, avec un repli sur le type de compte, avait une précision au budget de 0,048.
  • Une MAD peut être de 0 ou très petite. Fixez-lui un minimum.

Vous pouvez maintenant attribuer un score à un paiement selon les habitudes du client. Un paiement inhabituel dans le passé ne fausse pas ce score. Mais 0,048 signifie que seulement environ 2 des 50 alertes quotidiennes correspondent à une fraude. Beaucoup de fraudes ne dépendent pas du tout du montant. Ensuite, vous écrirez des règles qui décrivent la forme d’une fraude, comme plusieurs paiements sur un appareil en une heure. Vous les comparerez à ces scores.

Leçon suivante : Les règles, et quand une règle est la bonne réponse