Comportements normaux et anormaux

Détection de fraude en Python

Charlotte Werger

Data Scientist

Détection de fraude sans libellés

• Utiliser l'apprentissage non supervisé pour distinguer le normal de l'anormal
• Un comportement anormal n'est pas forcément frauduleux
• Difficile, car compliqué à valider
• Mais… réaliste, car les libellés fiables manquent souvent

Qu'est-ce qu'un comportement normal ?

• Décrivez bien vos données : histogrammes, valeurs aberrantes, corrélations, et échangez avec l'analyste fraude
• Existe-t-il des fraudes historiques connues ? Qu'est-ce qui les caractérise ?
• Le normal pour un type de client peut ne pas l'être pour un autre
• Analysez les motifs par sous-groupes : vos données sont-elles homogènes ?

Segmentation client : normalité au sein des segments

Passons à la pratique !

Détection de fraude en Python