Aller au contenu
English

Les règles, et quand une règle est la bonne réponse

  • Leçon 7
  • 35 min
  • Module 2 : Des références de base simples et difficiles à battre

Où nous en sommes

Nos scores robustes trouvent les paiements loin du montant habituel d'un client. Mais certaines fraudes suivent un schéma connu, comme de nombreux paiements en quelques minutes. Dans cette leçon, nous écrivons des règles pour ces schémas. Nous voyons leurs forces et leurs limites, puis ajoutons les premières lignes au tableau comparatif.

Leçon 7 sur 38 · Détection d'anomalies : trouver ce qui est inhabituelLes règles, et quand une règle est la bonne réponse
Aperçu du cours

Ce que vous saurez faire

Écrivez des règles pour le schéma d’une fraude, puis évaluez-les comme tout autre détecteur. Apprenez quand une règle dépasse une statistique : quand elle décrit le fonctionnement de la fraude. Apprenez aussi ce qu’une règle ne peut pas faire : trouver une fraude que personne n’a imaginée.

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

Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et 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

Comme 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.

Beaucoup de gens connaissent cette situation. Vous êtes en vacances et payez un taxi, un café et une entrée au musée en quelques minutes. Votre banque envoie alors un message : « Est-ce vous? » Personne à la banque n’a examiné vos paiements. Une règle l’a fait : « plusieurs paiements avec une même carte en peu de temps, dans un nouveau pays ». Quelqu’un l’a écrite après avoir vu de nombreux voleurs faire exactement cela.

Une règle est une condition qu’une personne écrit à l’avance. Quand un paiement remplit cette condition, la règle envoie une alerte. Elle n’a besoin ni de données d’entraînement ni de statistiques, et donne sa raison en une phrase. C’est sa force. Sa faiblesse est l’autre côté de cette même propriété : elle trouve seulement ce que quelqu’un a imaginé.

Le problème : les fraudes qui ne concernent pas le montant

Section intitulée « Le problème : les fraudes qui ne concernent pas le montant »

La dernière leçon se terminait avec une précision au budget de 0,048 pour la MAD par client. Seulement environ 2 des 50 alertes quotidiennes sont des fraudes insérées. Les données expliquent pourquoi. Pendant les mois d’évaluation, le paiement inséré médian est de 14,31 dollars. Les tests de cartes coûtent quelques dollars; les cartes volées servent à acheter des paniers ordinaires. Leur montant est souvent normal. Ce qui n’est pas normal, c’est leur schéma : de nombreux paiements, très rapides, souvent sur un même appareil.

Il nous faut donc un autre type de vérification. Elle ne demande pas « ce montant est-il inhabituel? ». Elle demande « cela ressemble-t-il au fonctionnement d’une fraude connue? ».

Une règle de vélocité compte les événements dans une courte fenêtre. La nôtre dit : une alerte quand une carte effectue plus de 5 paiements en 10 minutes. Les paiements de Larkfield n’ont pas de numéro de carte; nous comptons donc par client.

Prenez la cliente C-01234 de la première leçon, le 3 octobre 2025. La section 2 du carnet compte, pour chaque paiement, les paiements de la même carte dans les 10 dernières minutes, celui-ci inclus :

card = evaluation[(evaluation.customer_id == "C-01234") & (evaluation.ts >= "2025-10-03")
& (evaluation.ts < "2025-10-04")].set_index("ts")
card["in_last_10_min"] = card.amount.rolling("600s").count().astype(int) # this payment and the ones before it
card["rule"] = card.in_last_10_min > 5 # more than 5 payments in 10 minutes
print(card[["amount", "country", "device_id", "in_last_10_min", "rule"]].to_string())

rolling("600s") regarde les 600 secondes précédant chaque ligne. Avant de l’exécuter, faites une prédiction : à quel paiement la règle se déclenche-t-elle pour la première fois?

amount country device_id in_last_10_min rule
ts
2025-10-03 02:14:07 24.27 PT D-9f3e1a2 1 False
2025-10-03 02:15:05 19.26 PT D-9f3e1a2 2 False
2025-10-03 02:16:16 20.66 PT D-9f3e1a2 3 False
2025-10-03 02:17:17 18.88 PT D-9f3e1a2 4 False
2025-10-03 02:18:18 24.39 PT D-9f3e1a2 5 False
2025-10-03 02:19:13 19.16 PT D-9f3e1a2 6 True
2025-10-03 02:20:23 24.36 PT D-9f3e1a2 7 True
2025-10-03 02:21:31 19.25 PT D-9f3e1a2 8 True

La règle se déclenche au sixième paiement. Sa raison est claire : « cette carte a payé 6 fois en 10 minutes ». Mais les cinq premiers paiements ont déjà eu lieu. Une règle doit attendre que le schéma se produise pour le voir. Une alerte plus rapide demande une limite plus basse, qui génère davantage d’alertes pour des clients honnêtes.

La règle par appareil : un appareil, plusieurs cartes

Section intitulée « La règle par appareil : un appareil, plusieurs cartes »

Les tests de cartes suivent un autre schéma. Un voleur a une liste de numéros de cartes volées et les essaie un à un, avec de petits paiements, sur un même appareil. Un appareil est le téléphone ou l’ordinateur utilisé pour payer. Chaque carte paie une seule fois; la règle de vélocité ne peut donc pas le voir. La règle par appareil compte par appareil : une alerte quand un appareil effectue plus de 3 paiements en 1 heure.

Le test de cartes de Types d’anomalies montre la différence. Le 18 octobre 2025, l’appareil D-606ea539 a payé 45 fois en 45,8 minutes. Chaque paiement utilisait la carte d’un autre client, pour 1,02 à 4,89 dollars :

  • Cet appareil, dernière heure
  • Limite : plus de 3
Un test de cartes inséré le 18 octobre 2025 à partir de 4 h 54 : un appareil, les cartes de 45 clients, 45,8 minutes. La règle par appareil se déclenche au 4e paiement. Chaque carte a payé une seule fois. La règle de vélocité (par carte) ne se déclenche donc jamais, et les petits montants échappent à la MAD par client.
Description textuelle du graphique

Le graphique montre 45 points, un pour chaque paiement de l’appareil D-606ea539 le 18 octobre 2025, sur 45,8 minutes. L’axe vertical indique le nombre de paiements de cet appareil dans la dernière heure, de 0 à 50. Les points montent en ligne droite de 1 à 45, à environ un paiement par minute. Une ligne pointillée à 3 marque la limite de la règle par appareil. Le quatrième paiement, après 3,1 minutes, est le premier au-dessus. Dès lors, chaque paiement dépasse la limite.

Le compte par carte de cet épisode ne dépasse jamais 1. La MAD par client n’a placé aucun de ses 45 paiements parmi les 50 du jour. La règle par appareil en a placé 33 parmi les 50 du jour. Les 12 autres ont attendu, car la journée comptait plus d’alertes de règle que de places de révision.

Le diagramme présente le déroulement de la règle par appareil. Il contient aussi deux éléments ajoutés dans la suite de la leçon : une liste d’autorisation et des places de révision libres pour la MAD par client.

Un diagramme de flux. Un paiement arrive. Compte d'entreprise, sur la liste d'autorisation? Oui : aucune alerte de règle. Non : compter les paiements de cet appareil dans la dernière heure. Plus de 3? Oui : alerte, avec la raison « cet appareil a payé N fois en 1 heure ». Non : aucune alerte de règle. Un paiement sans alerte de règle reçoit un score de MAD par client. Les 50 révisions du jour prennent d'abord les alertes de règle, puis les scores de MAD les plus élevés.
La règle par appareil avec sa liste d'autorisation. Les alertes de règle sont révisées en premier; les places libres parmi les 50 quotidiennes vont aux scores de MAD par client les plus élevés.
Description textuelle du diagramme

Le diagramme commence par l’arrivée d’un paiement. Une première question demande : est-ce un compte d’entreprise sur la liste d’autorisation? Si oui, la règle n’envoie aucune alerte. Sinon, la case suivante compte les paiements de cet appareil dans la dernière heure. Une deuxième question demande : plus de 3? Si oui, la règle envoie une alerte avec sa raison : « cet appareil a payé N fois en 1 heure ». Sinon, il n’y a aucune alerte de règle. Chaque paiement sans alerte de règle reçoit un score de MAD par client. À la fin, les 50 révisions du jour prennent d’abord les alertes de règle, puis les scores de MAD les plus élevés.

La section 3 du carnet compte pour chaque paiement d’évaluation : par carte en 10 minutes et par appareil en 1 heure. Une petite fonction, count_in_window, effectue le compte glissant de la section 2 pour tous les paiements à la fois :

per_card_10min = count_in_window("customer_id", "600s") # the velocity rule counts per card
per_device_1h = count_in_window("device_id", "3600s") # the device rule counts per device

Une règle donne 1 (alerte) ou 0 (aucune alerte). Dans le tableau comparatif, les alertes d’une règle sont révisées par ordre chronologique, au maximum 50 par jour. Avant d’exécuter la cellule, prédisez quelle règle a la meilleure précision au budget.

velocity_rule = (per_card_10min > 5).astype(int)
device_rule = (per_device_1h > 3).astype(int)
table.add(compare.score_payments(evaluation, velocity_rule, "velocity rule", "more than 5 payments in 10 minutes",
threshold=1, explain_minutes=0.5))
table.add(compare.score_payments(evaluation, device_rule, "device rule", "a device with more than 3 payments in 1 hour",
threshold=1, explain_minutes=0.5))
table.show()
detector setting alerts per day precision at budget recall cost per week ($) explain one alert (min)
no detector nothing is reviewed 0.0 0.000 0.000 10367 NaN
velocity rule more than 5 payments in 10 minutes 22.7 0.133 0.097 9919 0.5
device rule a device with more than 3 payments in 1 hour 53.5 0.405 0.539 6956 0.5

La première ligne est la référence de base de toute comparaison : aucun détecteur. Personne ne révise quoi que ce soit, et les fraudes manquées coûtent 10 367 dollars par semaine. Chaque détecteur doit faire mieux. La colonne explain one alert (expliquer une alerte) est une hypothèse : lire la raison d’une règle prend environ une demi-minute.

La règle par appareil a une précision au budget de 0,405. Environ 20 de ses révisions quotidiennes sont des fraudes insérées. La MAD par client avait 0,048. Le graphique juxtapose chaque ligne de ce module, avec le plafond d’un détecteur qui connaît les réponses :

  • Statistiques sur le montant
  • Règles
  • Connaît les réponses
Précision au budget, mois d'évaluation, d'après le tableau comparatif. z : la cote z globale. MAD : MAD par client. Classées : les deux règles, classées. Les statistiques sur le montant restent sous 0,05; la règle par appareil atteint 0,405. Un détecteur qui connaît les réponses obtient 0,542, car beaucoup de jours comptent moins de 50 paiements insérés.
Description textuelle du graphique

Un diagramme à six colonnes, sur un axe de 0 à 0,6. La cote z globale obtient 0,003, et la MAD par client, 0,048. La règle de vélocité obtient 0,133, la règle par appareil, 0,405, et les deux règles classées, 0,427. La dernière colonne, un détecteur qui connaît les réponses, obtient 0,542.

Une bonne règle dépasse une statistique quand elle décrit le fonctionnement de la fraude. La règle par appareil décrit presque exactement les tests de cartes et de nombreux cas de cartes volées. Les statistiques décrivent le montant, que ces fraudes ne changent pas.

Ce que les règles signalent sans que ce soit de la fraude

Section intitulée « Ce que les règles signalent sans que ce soit de la fraude »

Les règles signalent aussi des paiements honnêtes. La section 3 les compte :

velocity rule: 1,788 honest payments flagged, 100.0% business
device rule: 2,857 honest payments flagged, 98.8% business

Le corrigé marque aussi les paiements honnêtes qui semblent inhabituels (le carnet affiche seulement le type de compte). Parmi les 1 788 fausses alertes de la règle de vélocité, 1 785 sont des commandes groupées d’entreprises. Une entreprise qui achète pour un bureau paie plusieurs fois en quelques minutes, sur un même ordinateur. Pour les deux règles, cela ressemble à de la fraude.

Une règle dit oui ou non. Un score peut dire de combien un paiement dépasse la limite. La section 4 additionne les deux comptes au-dessus de leurs limites et révise les plus élevés en premier. La ligne two rules, ranked (deux règles classées) a une précision au budget de 0,427. Elle trouve 180 des 306 épisodes insérés, contre 169 pour la règle par appareil seule. Un appareil qui a payé 40 fois est un cas plus évident qu’un appareil qui a payé 4 fois.

La précision indique combien d’alertes sont justes. Elle ne dit pas quelles fraudes une méthode trouve. La section 5 calcule le rappel de chaque méthode pour chaque type de fraude insérée :

MAD per customer device rule velocity rule
kind
account_takeover 0.534 0.000 0.000
card_testing 0.050 0.522 0.000
stolen_card 0.033 0.619 0.163
  • Règle par appareil
  • MAD par client
Rappel par type de fraude insérée, mois d'évaluation. La règle par appareil trouve les cartes volées (0,619) et les tests de cartes (0,522), mais aucune prise de contrôle de compte. La MAD par client trouve les prises de contrôle de comptes (0,534) et presque rien d'autre.
Description textuelle du graphique

Un diagramme à trois paires de colonnes, sur un axe de 0 à 0,7. Cartes volées : la règle par appareil trouve 0,619 des paiements insérés, la MAD par client, 0,033. Tests de cartes : la règle par appareil, 0,522, la MAD par client, 0,050. Prises de contrôle de comptes : la règle par appareil, 0, la MAD par client, 0,534.

Les deux méthodes trouvent des fraudes différentes. Dans une prise de contrôle de compte, un voleur utilise le compte du client pour un ou deux gros paiements. Il n’y a pas de rafale, donc aucun compte ne dépasse une limite, et la règle par appareil n’en trouve aucune. Mais le montant est loin du montant habituel du client; la MAD par client en trouve donc environ la moitié. Personne n’a écrit de règle pour « un gros paiement » : une règle manque ce que personne n’a écrit.

La vérification de fin de module demande une fraude insérée que la règle trouve et que la statistique manque, puis l’inverse. La section 7 du carnet les trouve avec le corrigé, utilisé seulement pour l’évaluation :

found by the device rule, missed by MAD per customer:
ts customer_id amount country device_id device_1h usual robust_z
payment_id
P-0173288 2025-09-01 02:31:21 C-18943 1.64 ES D-f80a1694 4.0 34.32 1.5
found by MAD per customer, missed by the device rule:
ts customer_id amount country device_id device_1h usual robust_z
payment_id
P-0176568 2025-09-03 03:09:47 C-08404 280.62 CA D-dc05bfb 3.0 56.74 5.5
  • P-0173288 est un test de cartes : 1,64 dollar en Espagne à 2 h 31. Le client n’a pas de référence de base. Le montant habituel est donc la médiane des comptes personnels, 34,32. Sa cote z (z-score) robuste est seulement de 1,5. Mais son appareil a payé 4 fois dans cette heure, donc la règle par appareil se déclenche.
  • P-0176568 est un paiement de 280,62 dollars d’un client dont la médiane est 56,74 : une cote z robuste de 5,5. Son compte par appareil est de 3, pas plus de 3; la règle par appareil reste donc silencieuse.

Pendant les mois d’évaluation, la règle par appareil a révisé 1 455 paiements insérés que la MAD par client a manqués. La MAD par client en a révisé 156 que la règle par appareil a manqués, dont 117 prises de contrôle de comptes.

Les règles prennent quelques formes courantes :

  • Une règle de vélocité ou un compte : plus de N événements dans une fenêtre, par carte, par appareil, par compte.
  • Une limite d’affaires : une valeur au-dessus d’un montant fixe demande un second examen. Chez Larkfield, un remboursement supérieur à 100 dollars demande l’approbation d’un chef d’équipe.
  • Une liste d’autorisation : une liste de cas qu’une règle ignore volontairement, car on sait qu’ils sont honnêtes.

La plupart des fausses alertes de la règle par appareil sont des commandes groupées d’entreprises. Placez donc les comptes d’entreprises sur une liste d’autorisation : la règle par appareil les ignore. La section 6 mesure le résultat :

personal = (evaluation.account_type == "personal").astype(int) # business accounts are on the allow-list
device_personal = device_rule * personal
device rule, personal accounts only business accounts on an allow-list 20.4 0.981 0.594 6243 0.5

La règle envoie maintenant 20,4 alertes par jour, et 98,1 % des alertes révisées sont insérées. Les fausses alertes tombent à 2,5 par semaine. Le rappel monte à 0,594, car les commandes groupées ne prennent plus les places de révision des fraudes.

Deux mises en garde accompagnent ce chiffre. Premièrement, la liste d’autorisation fonctionne si bien car, dans ces données synthétiques, les rafales honnêtes viennent presque uniquement des commandes groupées d’entreprises. Un vrai magasin connaît davantage de types de rafales honnêtes. Deuxièmement, une liste d’autorisation ouvre une porte. Pendant les mois d’évaluation, 9,5 % des paiements insérés étaient sur des comptes d’entreprises. Un voleur avec une carte d’entreprise volée passe maintenant la règle par appareil. Les limites d’affaires ont le même point faible : les gens les apprennent. Le module 3 trouve un agent dont les remboursements se regroupent juste sous la limite d’approbation de 100 dollars.

Avec la liste d’autorisation, l’équipe a environ 30 places de révision libres chaque jour. Remplissez-les avec les scores de MAD par client les plus élevés. Les alertes de la règle passent en premier :

rz_customer est le score de MAD par client de Médiane, MAD et IQR. Le carnet le calcule de nouveau à la section 5.

combined = device_personal * 1000 + rz_customer # rule alerts first, then the highest MAD scores

Une alerte de règle reçoit un score supérieur à 1 000, bien au-dessus de toute cote z robuste. Elle passe donc toujours en premier. Avant l’exécution, faites une prédiction : la précision va-t-elle monter ou baisser? Et le coût?

device rule, then MAD per customer rule alerts first, MAD per customer fills the rest 50.0 0.389 0.628 4615 1.0

La précision tombe à 0,389, car les alertes de MAD sont moins souvent des fraudes que les alertes de règle. Mais le rappel monte à 0,628, et le détecteur trouve 228 des 306 épisodes insérés. Le coût tombe à 4 615 dollars par semaine. C’est le coût le plus bas de ce module, soit 2 341 dollars de moins par semaine que la règle par appareil seule. La règle et la statistique trouvent des fraudes différentes; ensemble, elles en trouvent donc davantage.

La section 8 du carnet contient trois tâches.

  1. Calculez le rappel de la règle par appareil sur card_testing. Enregistrez-le dans card_testing_recall.
  2. Changez une condition : rendez la règle par appareil plus stricte, avec plus de 5 paiements en 1 heure. Conservez sa ligne dans strict_row. La précision monte-t-elle ou baisse-t-elle? Et le rappel?
  3. Comptez les paiements insérés que la MAD par client a révisés et que la règle par appareil n’a pas révisés. Enregistrez ce nombre dans mad_only_count.
Afficher les réponses
  1. compare.recall_by_kind(evaluation, device_rule, threshold=1)["card_testing"] donne 0,522.
  2. strict_rule = (per_device_1h > 5).astype(int). Elle envoie 37,6 alertes par jour, avec une précision au budget de 0,450 et un rappel de 0,475. Une limite plus stricte rend les alertes plus souvent justes et trouve moins de fraudes. Chaque limite impose un compromis entre les deux.
  3. int((found.mad & ~found.rule).sum()) donne 156.

Erreur courante

Une règle qui déborde lors d'une journée chargée

Symptôme : une nouvelle règle de comptage fonctionne bien pendant des semaines. Puis, lors d’une journée de soldes ou de lancement, elle envoie des centaines d’alertes, presque toutes honnêtes. L’équipe ne peut pas les réviser, et les vraies fraudes du jour attendent dans la file.

Cause : la limite d’une règle est fixe. Elle ne sait pas qu’une journée chargée compte davantage de paiements partout. Dans les données de Larkfield, les signalements honnêtes de la règle par appareil comprennent 5 paiements du Vendredi fou et 6 de la nouvelle région. Ils sont peu nombreux ici, car la règle compte par appareil, pas par magasin. Une règle par magasin, comme « plus de 200 paiements en une heure », se déclencherait chaque Vendredi fou.

Solution : comptez par carte, par appareil ou par compte, jamais par magasin. Révisez le haut d’une liste classée, pas chaque signalement. Lisez les fausses alertes de chaque règle chaque semaine. Changez la limite ou la liste d’autorisation quand la normale change. Le module 3 consacre des leçons aux changements de la normale.

Conséquence pour le travail en IA : une règle est une décision qu’une personne a prise une fois. Elle n’apprend pas. Quand l’entreprise change, quelqu’un doit changer la règle, sinon elle échoue sans aucun message d’erreur.

Utilisez une règle quand vous savez comment une fraude fonctionne et pouvez la décrire par une condition : un compte dans une fenêtre, une limite, une liste. Aussi quand la raison doit être claire pour un client ou un auditeur, ou quand la décision doit être instantanée.
Ne vous fiez pas uniquement à une règle quand la fraude peut prendre des formes que personne n’a vues. Une règle ne trouve que ce qu’elle a été conçue pour trouver, comme le montrent les prises de contrôle de comptes ici.
Ce qu’elle coûte aucun entraînement et une demi-minute d’explication. Mais quelqu’un doit la tenir à jour, et les voleurs apprennent les limites.

Voici le tableau comparatif de ce module, avec les lignes de résultats mesurés. Les deux dernières lignes sont nouvelles dans cette leçon :

Détecteur Réglage Alertes/jour Précision au budget Rappel Coût par semaine ($) Épisodes trouvés
aucun détecteur aucune révision 0,0 0,0 0,0 10 367 0 sur 306
cote z (z-score) |z| du montant, une référence de base pour tous 50,0 0,003 0,005 10 264 8 sur 306
MAD par client |z robuste| par rapport à la médiane du client 50,0 0,048 0,078 8 280 115 sur 306
règle de vélocité plus de 5 paiements en 10 minutes 22,7 0,133 0,097 9 919 97 sur 306
règle par appareil un appareil avec plus de 3 paiements en 1 heure 53,5 0,405 0,539 6 956 169 sur 306
deux règles, avec classement paiements dépassant les limites, plus grands dépassements en premier 53,5 0,427 0,568 6 954 180 sur 306
règle par appareil, comptes personnels seulement comptes d’entreprise sur une liste d’autorisation 20,4 0,981 0,594 6 243 173 sur 306
règle par appareil, puis MAD par client alertes de la règle en premier, MAD par client pour remplir les places restantes 50,0 0,389 0,628 4 615 228 sur 306

Les lignes de la MAD globale et de la règle de l’écart interquartile sont dans Médiane, MAD et IQR. La ligne des deux règles sans classement se trouve dans le carnet (notebook) Jupyter. Ce sont les résultats que les autres modules doivent dépasser.

Vérifiez votre compréhension

Une carte effectue des paiements à 10 h, 10 h 02, 10 h 03, 10 h 05, 10 h 07, 10 h 08 et 10 h 20. La règle de vélocité est « plus de 5 paiements en 10 minutes », en comptant le paiement actuel et les précédents. À quel paiement se déclenche-t-elle pour la première fois? Se déclenche-t-elle à 10 h 20?

Afficher la réponse

À 10 h 08, les 10 dernières minutes comprennent 10 h, 10 h 02, 10 h 03, 10 h 05, 10 h 07 et 10 h 08 : six paiements, donc plus de 5. Elle se déclenche donc au sixième paiement, à 10 h 08. À 10 h 20, les 10 dernières minutes (après 10 h 10) ne comprennent que ce paiement. Elle ne se déclenche donc pas.

Vérifiez votre compréhension

Prédisez et expliquez : la règle par appareil a une précision au budget de 0,405, contre 0,048 pour la MAD par client. Pourtant, la règle par appareil ne trouve aucune prise de contrôle de compte, et la MAD par client en trouve environ la moitié. Pourquoi?

Afficher la réponse

La règle par appareil décrit le fonctionnement des tests de cartes et de l’utilisation de cartes volées : plusieurs paiements sur un appareil en peu de temps. Ces cas représentent la majorité des paiements insérés, donc ses alertes sont souvent justes. Une prise de contrôle de compte produit un ou deux gros paiements depuis le compte du client, sans rafale. Aucun compte ne dépasse donc la limite. La MAD par client compare le montant au montant habituel du client, donc elle repère le gros paiement. Une règle ne trouve que la forme qu’elle décrit.

Vérifiez votre compréhension

Exercice pratique : Sofia veut un détecteur pour demain, avec 50 révisions par jour. À l'aide du tableau comparatif, choisissez entre la règle par appareil, la MAD par client et la règle par appareil suivie de la MAD par client. Expliquez pourquoi et nommez un risque de votre choix.

Afficher la réponse

Choisissez la règle par appareil avec les comptes d’entreprise sur une liste d’autorisation, suivie de la MAD par client. Son coût est le plus bas : 4 615 dollars par semaine. La règle par appareil seule coûte 6 956 dollars, et la MAD par client, 8 280 dollars. La combinaison trouve 228 épisodes sur 306, car la règle trouve les rafales et la MAD, les gros paiements isolés. Risques : un voleur avec une carte d’entreprise volée passe la liste d’autorisation. De plus, la liste fonctionne si bien en partie parce que les données sont synthétiques. Lisez les fausses alertes chaque semaine.

Récapitulatif

  • Une règle est une condition écrite à l’avance : un compte dans une fenêtre, une limite d’affaires, une liste d’autorisation. Elle agit instantanément, et sa raison tient en une phrase.
  • La règle par appareil avait une précision au budget de 0,405, contre 0,048 pour la MAD par client. Une bonne règle fait mieux qu’une statistique quand elle décrit le fonctionnement de la fraude.
  • Une règle manque ce que personne n’a décrit : la règle par appareil n’a trouvé aucune prise de contrôle de compte. La MAD par client en a trouvé environ la moitié.
  • Une liste d’autorisation retire les cas honnêtes connus et laisse passer un voleur qui leur ressemble.
  • La règle suivie de la MAD par client coûtait 4 615 dollars par semaine, le coût le plus bas de ce module.

Vous pouvez maintenant construire trois types de références de base simples et les évaluer dans un seul tableau. Mais jusqu’ici, chaque vérification examine des paiements individuels. Certains problèmes ne deviennent visibles qu’en suivant un processus dans le temps. Par exemple, le taux de remboursement de Larkfield a augmenté de 0,3 point et est resté à ce niveau. Ensuite, vous observerez un processus entier avec des cartes de contrôle et vous demanderez si sa variation est normale.

Leçon suivante : Cartes de contrôle : cette variation est-elle normale?