Финтех: антифрод режет слишком много честных платежей

Ситуация: После ужесточения антифрод-правил жалобы «платёж отклонён» выросли, а одобряемость (approval rate) упала на 4 п.п. Риск-команда довольна (фрод-лоссы вниз), продукт в ярости (теряем выручку). Нужно оценить trade-off.

Антифрод — это классификатор с порогом. Снижение фрода (recall на фроде ↑) почти всегда повышает долю ложных отклонений честных платежей (false positives). Бизнес-вопрос: где оптимум по деньгам, а не по одной метрике.

Доступные данные

• transactions: txn_id, user_id, amount, created_at, decision (approved|declined), fraud_score
• fraud_labels: txn_id, is_fraud (постфактум, по чарджбэкам/расследованиям)
• chargebacks: txn_id, amount, reason, reported_at
• users: user_id, tenure_days, prior_txns, segment

Задачи

• Построить confusion matrix решений против фактического фрода: TP/FP/TN/FN.
• Посчитать стоимость ошибок: FN = фрод-лосс (сумма), FP = упущенная маржа + риск оттока честного клиента.
• Найти порог fraud_score, минимизирующий суммарную стоимость (а не максимизирующий recall).
• Сегментировать FP: бьёт ли отклонение по «хорошим» давним клиентам (риск оттока).

Все кейсы для подготовки → ← Все кейсы