ML-система виявлення фроду для платіжного сервісу: -89% втрат від шахрайства

Завдання

Швидкозростаючий платіжний сервіс з 500 000 транзакцій на добу зіткнувся зі зростанням рівня фроду до 0,38% від обороту. Існуюча система на основі 120+ статичних правил давала 800–1 200 хибних тривог щодня, що перевантажувало аналітичний відділ і спричиняло погіршення UX для легітимних клієнтів. Реальний фрод виявлявся в середньому через 4,5 години після першої транзакції.

Рішення

Побудували дворівневу систему: перший шар — ансамбль LightGBM + Isolation Forest для real-time скорингу кожної транзакції за < 50 мс, другий — граф-мережа (GNN) для виявлення скоординованих схем за патернами зв'язків між рахунками. Feature engineering охоплює 180+ ознак: поведінкові патерни, часові характеристики, пристрій та геолокація, мережеві ознаки. Реалізовано active learning: аналітики розмічають нові підозрілі патерни, модель перенавчається щотижня.

Результат

Через 6 тижнів після впровадження втрати від фроду скоротились на 89%. Час виявлення інциденту — з 4,5 годин до 12 секунд. Кількість хибних тривог зменшилась на 74%, що дозволило аналітичному відділу зосередитись на складних кейсах замість рутинної верифікації.

Технології

Схожі кейси