Tutu.ru: метрики антифрод-команды и feature engineering

Ситуация: Tutu.ru — продажа ж/д+авиа билетов. Растущая проблема: мошеннические покупки (украденные карты, refund abuse). Спроектируй ML-feature pipeline + метрики команды.

Реальная задача Tutu — публикуется на tutu.tech blog. Антифрод — критическая команда для travel-маркетплейса. Кейс важен для middle/senior data scientist + analyst.

Доступные данные

• orders: id, user_id, ticket_type, amount, payment_method, ts
• users: id, registered_at, verified_phone, verified_passport, device_fingerprint
• chargebacks: order_id, reason_code, ts
• login_events: user_id, ip, device, ts

Задачи

• Feature engineering: какие features предсказывают chargeback? (account age, transaction velocity, IP geolocation, device sharing graph)
• Метрики команды: chargeback rate (target <0.5%), precision/recall ML модели, $$ saved per detection
• Tradeoff: false positives (banned legit users) vs false negatives (missed fraud)
• A/B-test нового ML scoring vs rules-based: что измерять?
• Тренд: как chargeback rate растёт со временем — нужны model retraining triggers

Все кейсы для подготовки → ← Все кейсы