Formation Fraud Analytics

Leçon 1 • Définir la fraude et ses variantes

Couvre les définitions juridiques et opérationnelles de la fraude ainsi que les principales catégories de stratagèmes. Établit le vocabulaire commun utilisé tout au long du cours.

Leçon 2 • Le triangle de la fraude et le diamant de la fraude

Examine les modèles de motivation expliquant pourquoi les individus commettent des fraudes. Établit un lien entre la théorie comportementale et la conception des signaux de détection.

Leçon 3 • Contexte réglementaire et éthique

Présente les obligations de conformité et les limites éthiques régissant les programmes d'analyse de la fraude. Ancre le travail technique dans des cadres de responsabilisation.

Leçon 4 • Paysage des données de fraude

Cartographie les sources de données internes et externes pertinentes pour la détection des fraudes. Les étudiants comprennent les contraintes de disponibilité des données avant de commencer la modélisation.

Leçon 1 • Ingénierie des caractéristiques pour les signaux de fraude

Transforme les champs transactionnels bruts en caractéristiques prédictives qui capturent le comportement frauduleux. Des caractéristiques solides sont le principal moteur de la précision du modèle.

Leçon 2 • Division des données et prévention des fuites

Établit des divisions correctes entre ensemble d'entraînement, de validation et de test respectant l'ordre temporel dans les données de fraude. Empêche les fuites de données qui gonflent les estimations de performance du modèle.

Leçon 3 • Nettoyage et déduplication des données

Identifie les problèmes de qualité de données courants dans les ensembles de données de fraude et applique des correctifs systématiques. Des données propres réduisent les faux positifs dans les modèles de détection.

Leçon 4 • Acquisition et ingestion de données

Couvre les méthodes d'extraction de données à partir de systèmes transactionnels, de journaux et de flux tiers. Établit les pipelines qui alimentent l'analyse en aval.

Leçon 1 • Construction de profils et typologies de fraude

Synthétise les résultats exploratoires en typologies de fraude documentées pour une utilisation opérationnelle. Les profils guident la conception des règles et la sélection des caractéristiques du modèle.

Leçon 2 • Statistiques descriptives pour les données de fraude

Utilise des résumés de distribution pour caractériser les transactions légitimes par rapport aux transactions frauduleuses. Révèle les différences de base qui éclairent la sélection des caractéristiques.

Leçon 3 • Techniques d'exploration visuelle

Applique des graphiques et des diagrammes pour faire apparaître les anomalies et les clusters comportementaux dans les données de fraude. La visualisation accélère la génération d'hypothèses pour les analystes.

Leçon 4 • Loi de Benford et analyse des chiffres

Applique la loi sur la fréquence attendue des chiffres pour détecter les chiffres fabriqués ou manipulés. Largement utilisée dans les enquêtes sur les fraudes aux états financiers et aux notes de frais.

Leçon 1 • Architecture du moteur de règles

Explique comment les moteurs de règles évaluent les transactions par rapport à des conditions définies en temps réel. Fournit la base structurelle pour la construction de la logique de détection.

Leçon 2 • Mesure de la performance des règles

Applique les métriques de précision, de rappel et de lift pour évaluer l'efficacité des règles. La mesure de la performance conduit à une amélioration itérative des règles.

Leçon 3 • Conception de règles de détection efficaces

Traduit les typologies de fraude en conditions de règles précises et testables. Des règles bien conçues minimisent les faux positifs tout en maintenant un rappel élevé.

Leçon 4 • Notation de la fraude et classement par risque

Combine plusieurs signaux en un score de fraude composite pour prioriser les alertes. La notation permet aux analystes de concentrer leurs efforts sur les cas les plus risqués.

Leçon 1 • Métriques d'évaluation spécifiques à la fraude

Sélectionne et interprète les métriques adaptées aux tâches de classification de fraude déséquilibrées. Le choix des métriques affecte directement les décisions commerciales concernant le déploiement du modèle.

Leçon 2 • Fondamentaux des algorithmes de classification

Présente la régression logistique, les arbres de décision et les méthodes d'ensemble dans le contexte de la fraude. Construit une intuition pour la sélection des algorithmes avant l'optimisation des hyperparamètres.

Leçon 3 • Importance des caractéristiques et explicabilité des modèles

Extrait et communique les caractéristiques qui déterminent les prédictions du modèle à l'aide d'outils d'interprétabilité. L'explicabilité soutient la confiance des enquêteurs et l'examen réglementaire.

Leçon 4 • Entraînement et validation du modèle

Applique la validation croisée et les tests sur ensemble de retenue pour estimer la performance réelle du modèle. Une validation correcte empêche les modèles surajustés d'atteindre la production.

Leçon 1 • Clustering pour la segmentation comportementale

Regroupe les transactions ou les entités par similarité comportementale pour isoler les clusters anormaux. Le clustering fait apparaître les réseaux frauduleux et les cohortes comportementales inhabituelles.

Leçon 2 • Isolation Forest et méthodes basées sur les arbres

Utilise l'isolation basée sur les arbres pour noter les anomalies sans hypothèses distributionnelles. Passe à l'échelle efficacement sur les grands ensembles de données transactionnelles.

Leçon 3 • Combinaison de signaux supervisés et non supervisés

Intègre les scores d'anomalie comme caractéristiques dans les modèles supervisés pour augmenter la couverture de détection. Les approches hybrides capturent les schémas de fraude connus et inédits.

Leçon 4 • Détection statistique d'anomalies

Applique des tests de distance statistique et de distribution pour signaler les transactions aberrantes. Fournit des scores d'anomalie interprétables et audités pour les enquêteurs.

Leçon 1 • Applications du machine learning sur graphes

Étend l'analyse classique des graphes avec les réseaux de neurones graphiques pour la classification de nœuds. Permet la notation automatisée de la fraude au niveau de l'entité en utilisant le contexte relationnel.

Leçon 2 • Métriques de centralité et d'influence

Calcule la centralité de degré, d'intermédiarité et PageRank pour identifier les acteurs clés de la fraude. Les nœuds à forte centralité représentent souvent les organisateurs ou les comptes mules.

Leçon 3 • Construction de graphes d'entités frauduleuses

Construit des graphes de relations entre entités à partir de données transactionnelles et d'identité. La qualité de la construction du graphe détermine la précision des analyses en aval.

Leçon 4 • Détection de communautés pour les réseaux frauduleux

Applique des algorithmes de détection de communautés pour isoler les clusters frauduleux fortement connectés. La détection de réseaux permet des stratégies d'enquête et de démantèlement coordonnées.

Leçon 1 • Risque de modèle et gouvernance

Applique les principes de gestion du risque de modèle aux modèles de détection de fraude tout au long de leur cycle de vie. La gouvernance garantit que les modèles restent précis, équitables et conformes dans le temps.

Leçon 2 • Stratégie adaptative face à l'évolution de la fraude

Développe la capacité organisationnelle à détecter et à répondre aux nouvelles tactiques de fraude dès leur apparition. Les programmes adaptatifs réduisent le décalage entre l'évolution de la fraude et la réponse de détection.

Leçon 3 • Mesure de l'efficacité du programme antifraude

Établit des indicateurs clés de performance (KPI) et des cadres de reporting pour quantifier les résultats de la détection et de la prévention des fraudes. La mesure permet des décisions d'investissement basées sur les données pour le programme.

Leçon 4 • Gestion des alertes et workflows de triage

Conçoit des workflows complets pour acheminer, prioriser et résoudre les alertes de fraude. Un triage efficace maximise le débit des enquêteurs et minimise la friction client.