О чём кейс

Банк столкнулся с типичной проблемой антифрода: система ловила много подозрительных операций, но вместе с реальными мошенниками регулярно задевала нормальных клиентов. В итоге бизнес терял сразу в двух местах — из-за fraud-losses и из-за раздражённых пользователей, у которых блокировались легитимные платежи.

Чтобы снизить потери и не ухудшить клиентский опыт, банк внедрил AI-модель поведенческого антифрода, которая анализировала транзакции в контексте: не только сумму и страну операции, но и паттерн поведения клиента, устройство, частоту действий, нетипичные отклонения и сетевые связи между событиями.

Результат в одной рамке

-41% финансовых потерь по fraud-сценариям в пилотном контуре
-33% ложных срабатываний
+22% рост precision по подозрительным операциям
-48% времени на ручную проверку части кейсов
+17% рост доли мошеннических операций, остановленных до списания

Почему проект вообще понадобился

Старая антифрод-система работала в основном на правилах:

необычно крупная сумма,
нетипичная география,
много операций подряд,
подозрительное устройство,
рискованный MCC,
частые попытки авторизации.

Такой подход был полезен, но со временем начал давать всё больше шума.

Что стало проблемой

1. Мошенники адаптировались
Они стали лучше обходить очевидные правила и дробить операции на менее заметные.

2. Правил стало слишком много
Каждое новое исключение добавляло сложность, но не делало систему радикально точнее.

3. Росло число false positives
Нормальные клиенты попадали под ограничения, хотя никакого мошенничества не было.

4. Ручная проверка не успевала за потоком
Операторы тратили время на кейсы, которые потом оказывались безопасными.

Где были главные потери

Зона	Как проявлялось	Последствие
Реальный fraud	часть операций проходила слишком поздно замеченной	прямые финансовые убытки
Ложные блокировки	честные клиенты не могли провести платёж	отток, жалобы, падение доверия
Перегрузка антифрод-команды	слишком много кейсов на ручную проверку	рост операционных затрат
Сложность rule-based системы	правила наслаивались друг на друга	снижение прозрачности и управляемости

Что решили сделать

Банк не стал полностью выбрасывать старую систему. Вместо этого построили гибридный антифрод-контур:

Было:

правила,
пороги,
ручная проверка,
отдельные стоп-сценарии.

Стало:

правила для жёстких и очевидных кейсов,
AI-скоринг для сложных пограничных операций,
приоритизация очереди на ручную проверку,
объяснение, какие признаки сильнее всего повлияли на риск.

То есть AI не заменил антифрод-логику целиком, а усилил её там, где простые правила уже не справлялись.

На каких данных работала модель

В проект включили не только транзакционную информацию.

Использовали:

историю платежей,
сумму, частоту и тип операций,
устройство и fingerprint,
IP и географию,
время суток,
отклонение от обычного профиля клиента,
сценарии входа в приложение,
смену устройства или канала,
историю chargeback и подтверждённых fraud-кейсов,
связи между событиями и паттернами поведения.

Отдельно важным оказался поведенческий контекст: не просто «операция большая», а «операция большая и при этом не похожа на обычный стиль клиента».

Как выглядела логика оценки

Система не спрашивала:
«Эта операция странная вообще?»

Она спрашивала:
«Эта операция странная именно для этого клиента, в этом контексте, в этот момент?»

Это сильно изменило качество антифрода.

Примеры сигналов

клиент обычно платит в одном регионе, а теперь внезапно идёт цепочка операций из другого;
карта раньше использовалась редко, а теперь резко выросла частота попыток;
устройство новое, но поведение похоже на нормальное — риск ниже;
сумма не экстремальная, но паттерн действий очень нетипичный — риск выше;
операция формально допустима по правилам, но похожа на известный fraud-сценарий.

Что изменилось в работе команды

До проекта

правила поднимали большой поток алертов;
операторы проверяли много «шума»;
часть реального fraud находили поздно;
клиенты чаще сталкивались с лишними ограничениями.

После проекта

алерты стали приоритизироваться точнее;
ручная проверка сфокусировалась на действительно рискованных кейсах;
банк быстрее останавливал подозрительные действия;
число ненужных блокировок сократилось.

Эффект по трём уровням

1. Риск и безопасность

Метрика	До	После
Потери по fraud-сценариям	100% базовый уровень	59%
Доля предотвращённых мошеннических операций до списания	61%	78%
Precision по high-risk алертам	47%	69%

2. Клиентский опыт

Метрика	До	После
Ложные срабатывания	100% базовый уровень	67%
Жалобы на необоснованные отклонения операций	100%	74%
Успешность легитимных транзакций в спорных сценариях	88%	94%

3. Операционная эффективность

Метрика	До	После
Время ручной проверки типового кейса	100%	52%
Доля кейсов, идущих в ручной review без высокой ценности	100%	64%
Нагрузка на антифрод-аналитиков	100%	71%

Почему это сработало

Здесь был не один секрет, а несколько.

1. Не отказались от правил полностью

Для очевидного фрода rule-based слой остался полезным.

2. Добавили контекст клиента

AI лучше увидел разницу между реально подозрительной операцией и просто нестандартным, но нормальным поведением.

3. Обучали модель на подтверждённых кейсах

Команда не строила систему на абстрактной аномальности, а опиралась на реальные fraud-сценарии банка.

4. Сделали объяснимость

Для аналитиков выводили:

главные факторы риска,
нетипичные признаки,
вклад устройства, географии и поведения,
близость к известным fraud-паттернам.

Что было сложнее всего

Дисбаланс данных

Мошеннических операций всегда меньше, чем нормальных. Это усложняло обучение и калибровку.

Задержка в подтверждении fraud

Не все кейсы помечаются как мошенничество сразу. Иногда нужен лаг по времени, и это влияет на качество датасета.

Дрейф сценариев

Мошенники меняют тактику, поэтому модель нельзя обучить один раз и «забыть».

Риск переусложнения

Слишком агрессивная модель могла бы снизить fraud, но ценой плохого клиентского опыта. Пришлось искать баланс.

Что банк принципиально не делал

Чтобы не испортить проект, команда сразу ограничила ряд сценариев.

На старте не переводили в полный автопилот:

спорные high-value операции без дополнительной верификации,
редкие нестандартные транзакции,
VIP-сегмент без отдельной логики,
кейсы с низкой уверенностью модели.

То есть AI использовали как умный фильтр и скоринг, а не как безусловный автоматический запретитель всего подозрительного.

Как внедряли

Этап 1. Тихий пилот

Модель считала риск в фоне, но не влияла на боевые решения.

Этап 2. Сравнение с текущим антифродом

Команда смотрела:

что ловит старая система,
что видит модель,
где они совпадают,
где AI даёт ценность сверх правил.

Этап 3. Включение в review-очередь

AI начал приоритизировать кейсы для ручной проверки.

Этап 4. Частичная автоматизация

Для части операций с высоким уровнем уверенности включили автоматические действия:

step-up verification,
дополнительное подтверждение,
мгновенную блокировку в жёстких сценариях.

Что говорили внутри банка

«Раньше мы боролись с объёмом алертов. Теперь боремся уже за качество решений».

«Самый заметный эффект — меньше лишних блокировок для нормальных клиентов».

«AI оказался полезен не потому, что всё знает, а потому что лучше расставляет приоритеты».

«Мы наконец увидели, что подозрительность операции — это не только сумма и география».

Что можно развивать дальше

Следующий шаг для банка был уже не просто в антифроде, а в более широкой risk-инфраструктуре.

В планах:

графовый анализ связей между мошенническими сценариями,
real-time risk scoring по нескольким каналам сразу,
объединение карточного fraud, аккаунт-фрода и device-risk,
персонализированные сценарии step-up verification,
адаптивные модели по сегментам клиентов.

Вывод

Этот кейс хорошо показывает, что сильный антифрод — это не максимальное число блокировок, а точное отделение реального риска от нормального поведения клиента.

Что получил банк:

меньше прямых fraud-потерь,
меньше ложных срабатываний,
выше точность алертов,
меньше ручной рутины,
лучше клиентский опыт.

Итог: AI сделал антифрод не жёстче, а умнее.

Внедрение AI-антифрода без шума

Похожие статьи

Поделиться в соц. сетях

Комментарии