Vue d'ensemble
Alertes du modèle, jour par jour
Cliquez sur un jour pour ouvrir sa file d'alertes.
L'argent volé ce mois-ci
Montant des paiements frauduleux, jours passés par la nuit.
Fraudes, jour par jour
Celles que le modèle a attrapées, et celles qu'il a manquées.
À quelle heure tombent les alertes ?
Les alertes des jours passés par la nuit, par heure.
Cartes les plus signalées
Nombre d'alertes dans le mois. Cliquez pour ouvrir.
File d'alertes
Les alertes du modèle
Historique
1996 à octobre 2019 : la période où les fraudes sont étiquetéesNombre de fraudes, mois par mois
Pour détailler une année : menu « Année » en haut, ou clic sur le graphique.
En ligne ou en magasin ?
La part de chaque mode de paiement.
Quel montant ?
Fraudes pour 1 000 paiements, selon le montant.
Quel commerce ?
Fraudes pour 1 000 paiements, par type de commerce.
À quelle heure ?
Fraudes pour 1 000 paiements, par tranche de 3 heures.
Modèle
Le réglage : à partir de quel score le modèle doit-il alerter ?
Le modèle note chaque paiement de 0 à 100 ; la banque choisit la note à partir de laquelle on alerte. Un seuil plus bas attrape plus de fraudes, mais dérange plus de clients honnêtes.
Le modèle face aux règles simples
Fraudes attrapées sur 100, à nombre d'alertes égal. Chaque règle alerte pour tout paiement du type indiqué.
Ce réglage, en image
Les points changent avec le réglage choisi en haut de la page.
D'où viennent ces chiffres
Données synthétiques : sur de vrais paiements, les résultats seraient différents.
Démonstration
Une journée de paiements rejouée comme en direct : rejoueur, Kafka, Spark, PostgreSQLLa journée rejouée
L'heure du fichier, qui avance au rythme choisi.
Heure par heure
Rejouer une journée
Tout jour de novembre. La journée suivante démarre tout de suite ; un jour déjà passé demande d'abord une remise à zéro (environ 2 min).
La nuit
Contrôle de la journée, puis les étiquettes de fraude : les verdicts remplacent « en direct ».