На этапе регистрации каждый шестой пользователь онлайн-казино и букмекерских контор злоупотребляет возможностями сайта. Об этом в ходе Georgia Gaming Congress сообщил специалист DupZapper по аналитике и обработке данных в онлайн-гемблинге Павел ТИТОВ.
Поиск признаков мошенничества в убытках по медицинскому страхованию / Василий...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 5 июня, 18:00
Тезисы:
http://ritfest.ru/2017/abstracts/2800.html
В число задач страховых компаний (авто, страхование имущества, медицинское страхование) входит проверка оказанных (или запрашиваемых) убытков на соответствие условиям страхования. Зачастую данная задача выполняется в ручном режиме с привлечение экспертов. Данная работа неизбежно влечет издержки, а с ростом количества данных становится и вовсе невозможным проверять все убытки.
Среди российских компаний давно предпринимались попытки алгоритмизировать проверку убытков, но эффект от этого, как правило, не оправдывал ожиданий. Особенно трудно анализировать убытки в области добровольного медицинского страхования из-за сложности и нестандартизованности данной предметной области.
Страховая компания Allianz первой в России решила применить для этой цели технологии машинного обучения. На сегодняшний день создана пилотная версия системы автоматического поиска аномалий, обученная на результатах проверки экспертами за несколько последних лет. Результаты пилотных тестов показали перспективность дальнейших разработок.
На этапе регистрации каждый шестой пользователь онлайн-казино и букмекерских контор злоупотребляет возможностями сайта. Об этом в ходе Georgia Gaming Congress сообщил специалист DupZapper по аналитике и обработке данных в онлайн-гемблинге Павел ТИТОВ.
Поиск признаков мошенничества в убытках по медицинскому страхованию / Василий...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 5 июня, 18:00
Тезисы:
http://ritfest.ru/2017/abstracts/2800.html
В число задач страховых компаний (авто, страхование имущества, медицинское страхование) входит проверка оказанных (или запрашиваемых) убытков на соответствие условиям страхования. Зачастую данная задача выполняется в ручном режиме с привлечение экспертов. Данная работа неизбежно влечет издержки, а с ростом количества данных становится и вовсе невозможным проверять все убытки.
Среди российских компаний давно предпринимались попытки алгоритмизировать проверку убытков, но эффект от этого, как правило, не оправдывал ожиданий. Особенно трудно анализировать убытки в области добровольного медицинского страхования из-за сложности и нестандартизованности данной предметной области.
Страховая компания Allianz первой в России решила применить для этой цели технологии машинного обучения. На сегодняшний день создана пилотная версия системы автоматического поиска аномалий, обученная на результатах проверки экспертами за несколько последних лет. Результаты пилотных тестов показали перспективность дальнейших разработок.
Практический кейс от Олега Никитина, менеджера по развитию платежного бизнеса Яндекс.Деньги.
Олег предлагает работающие кейсы от Яндекс.Денег и дает практические советы по кросс-маркетингу для финансовой организации.
Умный банк в кармане. Евгений Малеев, Яндекс.Деньги. Ольга Федина
Что происходит с рынком мобильных платежей? Как меняются привычки пользователей смартфонов? Что готовят "Яндекс.Деньги" для своих мобильных пользователей?
Коротко и наглядно о том, как правильно возвращать онлайн-платежи, и как работают в возвраты в Яндекс.Кассе. Смотрите видеозапись с выступлением спикера в группе Яндекс.Кассы на Facebook: https://www.facebook.com/groups/yandex.kassa/permalink/819598774854332/
Безопасность платежей в интернете — Мария Грачёва, Яндекс.ДеньгиЯндекс.Деньги
Семинар Яндекса по безопасности для учителей, 18 октября 2014 года — презентация посвящена самым распространённым сценариям мошенничества с платежами и практическим навыкам защиты от них.
Видео здесь: https://tech.yandex.ru/events/meetings/18-oct-2014/talks/2481/
Новый алгоритм чекаута в Яндекс.Кассе автоматически подсказывает самый подходящий способ оплаты каждому вашему покупателю: https://kassa.yandex.ru/features#smart-checkout
Как эффективно принимать платежи в интернетеЯндекс.Деньги
Как за 2 минуты настроить на сайте прием платежей не только с электронных кошельков, но и с банковских карт, а также как можно получать платежи с банковских карт при доставке товара.
Как принимать Яндекс.Деньги — в том числе с банковских картЯндекс.Деньги
Собираете средства на благотворительность? Или просто хотите собрать нужную сумму для своего технического стартапа?
Используйте форму для сбора Яндекс.Денег. С ее помощью любой человек сможет отправить вам деньги — со своего счёта в Яндекс.Деньгах или с банковской карты Visa или MasterCard, выпущенной в любой стране мира.
Бусаров Василий Алексеевич, Директор по страхованию, ОАО "Интач страхование". Презентация форума "Интернет+Финансы", 21 сентября 2016 г., подробнее http://forums.iri.center/finance/
TIBCO Spotfire - Аналитическая платформа бизнес анализа (Business Intelligence, BI), которая позволяет бизнес пользователю анализировать большие данные (Big Data) и большой контент, выявить скрытые возможности и скрытые риски бизнеса, на основе которых можно принимать обоснованные решения.
Практический кейс от Олега Никитина, менеджера по развитию платежного бизнеса Яндекс.Деньги.
Олег предлагает работающие кейсы от Яндекс.Денег и дает практические советы по кросс-маркетингу для финансовой организации.
Умный банк в кармане. Евгений Малеев, Яндекс.Деньги. Ольга Федина
Что происходит с рынком мобильных платежей? Как меняются привычки пользователей смартфонов? Что готовят "Яндекс.Деньги" для своих мобильных пользователей?
Коротко и наглядно о том, как правильно возвращать онлайн-платежи, и как работают в возвраты в Яндекс.Кассе. Смотрите видеозапись с выступлением спикера в группе Яндекс.Кассы на Facebook: https://www.facebook.com/groups/yandex.kassa/permalink/819598774854332/
Безопасность платежей в интернете — Мария Грачёва, Яндекс.ДеньгиЯндекс.Деньги
Семинар Яндекса по безопасности для учителей, 18 октября 2014 года — презентация посвящена самым распространённым сценариям мошенничества с платежами и практическим навыкам защиты от них.
Видео здесь: https://tech.yandex.ru/events/meetings/18-oct-2014/talks/2481/
Новый алгоритм чекаута в Яндекс.Кассе автоматически подсказывает самый подходящий способ оплаты каждому вашему покупателю: https://kassa.yandex.ru/features#smart-checkout
Как эффективно принимать платежи в интернетеЯндекс.Деньги
Как за 2 минуты настроить на сайте прием платежей не только с электронных кошельков, но и с банковских карт, а также как можно получать платежи с банковских карт при доставке товара.
Как принимать Яндекс.Деньги — в том числе с банковских картЯндекс.Деньги
Собираете средства на благотворительность? Или просто хотите собрать нужную сумму для своего технического стартапа?
Используйте форму для сбора Яндекс.Денег. С ее помощью любой человек сможет отправить вам деньги — со своего счёта в Яндекс.Деньгах или с банковской карты Visa или MasterCard, выпущенной в любой стране мира.
Бусаров Василий Алексеевич, Директор по страхованию, ОАО "Интач страхование". Презентация форума "Интернет+Финансы", 21 сентября 2016 г., подробнее http://forums.iri.center/finance/
TIBCO Spotfire - Аналитическая платформа бизнес анализа (Business Intelligence, BI), которая позволяет бизнес пользователю анализировать большие данные (Big Data) и большой контент, выявить скрытые возможности и скрытые риски бизнеса, на основе которых можно принимать обоснованные решения.
Знаете ли вы своего клиента?
Основные признаки не могут представить потребности клиента
Создаем Customer Experience Profile
Собираем данные по десяткам заранее определенных метрик
Обновляем профиль в реальном времени
Формируем "живые" рабочие данные для маркетинговой коммуникации
Предиктивная аналитика. В чем отличие от традиционных BI систем?
Построение предиктивных моделей поведения клиента
Как предсказать отклик клиента на предложение?
Комплексные решения CleverDATA на базе продуктов партнера Teradata для автоматизации маркетинга
cleverdata.ru
Digital Marketing Analytics on Splunk platformCleverDATA
Ключевые тренды Digital
Не зная своего клиента, компания его потеряет
От Product-centric К Customer-centric
Вы уверены, что знаете своего клиента?
Построение Единого профиля клиента –
Ключ к построению Customer-centric организации
Моделирование отклика по различным каналам
Оптимизация Digital каналов
Что такое Digital Intelligence
Платформа для Digital Intelligence
Use cases использования Splunk - клиентская аналитика, бизнес-аналитика, мульти канальная аналитика и пр.
Подробнее о Splunk для digital маркетинга http://cleverdata.ru/splunktech/dm-analytics/
Презентация о платформе управления данными 1DMP.io (разработка компании CleverDATA) во время бизнес-завтрака для партнеров 15/09/2015 совместно с Oracle и ФОРС Дистрибуция.
Технологии для ивенторов, или Как снять головную боль при продаже билетовTicketForEvent
Доклад Марии Штанграт на конференции 'Event Is', выстака REX, Киев, 25 сентября 2012.
TicketForEvent — online-сервис, который позволяет ивентору на своем веб-сайте эффективно автоматизировать регистрацию и анкетирование посетителей, принимать оплату от своих клиентов и обеспечить их электронными билетами/бейджами.
У всех ивенторов похожие проблемы…
Мы знаем ваши проблемы и поможем их решить!
Проблема 1 - Сбор данных посетителей и их анализ.
Каждый ивентор или заказчик ивента хочет знать больше о своей аудитории.
Главные проблемы при этом:
•собрать все данные у партнеров/агентов по продаже билетов
•оцифровать все данные
•проанализировать
Решение 1 - Анкета любой сложности
Неограниченное количество свободно настраиваемых полей!
Все данные собираются в вашем личном кабинете…
•вы можете их анализировать, используя фильтры по каждому из полей анкеты
•и экспортировать дынные для дальнейшего анализа
Проблема 2 - Затраты на печать и распространение/доставку билетов
•Дорогостоящая полиграфия
•Билеты разных типов
•Доставка билетов покупателям
•…или их нервы в кассах
Все это дополнительные расходы и нервотрепка! А еще время – ваше и вашего посетителя.
Решение 2 - Электронный билет или бейдж
Настройка дизайна:
•Логотипы партнеров, спонсоров…
•Настраиваемый текстовый блок
•Цветовая идентификация на каждый тип посетителя – например, пресса, гость, участник….
Вы получаете доход за размещение лого на билете – и экономите на печати!
Как работает электронный билет?
1 – Посетитель регистрируется и оплачивает билеты онлайн
2 – Получает билет по e-mail
3 – Вы сканируете билеты на входе
90+ методов оплаты – локаль
Описание бизнес-модели современной киберпреступности, позволяющее понять, что она сегодня представляет не группу разрозненных хакеров-одиночек, "тырящих" по рублю у пенсионеров, а серьезную многоуровневую структуру, копирующую, а иногда и улучшающую существующие бизнес-модели.
2. На шаг впереди
Data science и машинное обучение
как будущее антифрод-систем
Конференция «AntiFraud Russia 2015», 3 декабря 2015
Владимир Михнович, фрод-аналитик компании «Яндекс.Деньги»
3. «AntiFraud Russia 2015», 3 декабря 2015
Финансовые транзакции в цифровом мире
Российские банки потеряли в 2015
году из-за карточного мошенничества
C начала 2015 года по картам Visa и
MasterCard в мире проведено
операций
рублей
4. «AntiFraud Russia 2015», 3 декабря 2015
Эквайринг в оффлайновых магазинах
покупатель магазин
МПС
банк-эмитент банк-эквайер
Запрос авторизации
Ответ эмитента
выпуск карт
5. «AntiFraud Russia 2015», 3 декабря 2015
Интернет-эквайринг
МПС банк-эквайер
Запрос авторизации
Ответ эмитента
покупатель онлайн-магазин платёжный
агрегатор
антифрод-
система
банк-эмитент
выпуск карт
7. «AntiFraud Russia 2015», 3 декабря 2015
Data Science: практика применения
• Математические и статистические методы и
алгоритмы машинного обучения
• Экспертиза в предметной области
• Конечная цель – не аналитика ради аналитики, а
извлечение прибыли из данных
8. «AntiFraud Russia 2015», 3 декабря 2015
Data Science и антифрод-системы
Data Science в области антифрода – применение
математических моделей и алгоритмов
машинного обучения для анализа и обнаружения
мошеннических транзакций и фрода (на основе
уже известных данных) и аномалий платёжного
поведения пользователей.
10. «AntiFraud Russia 2015», 3 декабря 2015
Наши инструменты
Code Effects
business rules engine
(BRE)
11. «AntiFraud Russia 2015», 3 декабря 2015
Экосистема RapidMiner Studio + Server
RapidMiner Studio:
аналитика и моделирование
RapidMiner Server:
деплоймент и веб-сервисы
12. «AntiFraud Russia 2015», 3 декабря 2015
Повернёмся лицом к бизнесу
Merchant oriented antifraud: парадигма использования бизнес-специфических
данных и создание моделей под конкретный бизнес / мерчанта / категорию.
• Дата и время
платежа
• Сумма платежа
• Банк-эмитент
• Страна эмитента
• География
пользователя
• Число дней до
рейса
• Наличие детей в
билете
• Наличие страховки
• Наличие
регистрации
• Возраст игрового
аккаунта
• История его покупок
• Величина «среднего
чека» игры
• …
13. «AntiFraud Russia 2015», 3 декабря 2015
Классифицируй это
Основные используемые алгоритмы
машинного обучения (supervised):
• Логистическая регрессия
• Байесовские классификаторы
• Деревья и леса решений (random forest)
• Нейронные сети
• Выбор и генерация атрибутов: 15-20 основных атрибутов, включая
созданные (например, на основе направления платежа, географии
пользователя и эмитента, платёжной истории и т.д.)
14. «AntiFraud Russia 2015», 3 декабря 2015
Зачем придумывать что-то новое?
Машинное обучение не отменяет антифрода
на основе правил (rule-based system), а
дополняет его
Компромисс между подходами: что быстрее
и эффективнее?
• время на обучение модели
на новых данных
или
• время на создание / адаптацию
правил под новые паттерны
15. «AntiFraud Russia 2015», 3 декабря 2015
Архитектурное решение
Система
правил
Модели машинного
обучения
Скоринг транзакции
Резолюция по
транзакции
Платёжная
история
Важный показатель SLA: время ответа антифрод-системы в целом
• Получаем резолюцию по транзакции от системы правил + модели
• Сохраняем ответ модели для аналитики будущих транзакций
• Уведомление мёрчанта (передаём скоринг транзакции)
16. «AntiFraud Russia 2015», 3 декабря 2015
Проблема интерпретации
• Иногда (но не всегда!) модель это «чёрный ящик» и интерпретировать её
решение может только аналитик, но не пользователь
• Модели машинного обучения выдают не только ответ, но и вероятность
(confidence)
89% 93% 99%
17. «AntiFraud Russia 2015», 3 декабря 2015
Цену ошибки диктует бизнес
Пропустить
все хорошие
платежи
Заблокировать
весь фрод
Компромисс между «заблокировать весь
фрод» и «пропустить все хорошие платежи»
= цена ошибки. Она диктуется бизнес-
моделью и всегда различна.
Использование threshold (порога
срабатывания) в зависимости от типа
модели позволяет минимизировать те
ошибки, которые обходятся дороже.
threshold
18. «AntiFraud Russia 2015», 3 декабря 2015
Иллюстрация порога срабатывания
Threshold = 0,7Threshold = 0,97 Threshold = 0,1
20. «AntiFraud Russia 2015», 3 декабря 2015
Измеряем эффективность
Метрики эффективности моделей выбраны с учётом тех параметров,
которые важно оптимизировать с точки зрения бизнес-модели.
• False positive rate ~ 4%
ложноположительное срабатывание:
посчитали легитимную транзакцию фродом
• False negative rate ~ 8%
ложноотрицательное срабатывание:
пропустили фродовую транзакцию
21. «AntiFraud Russia 2015», 3 декабря 2015
Что ждёт в будущем?
• Автоматический выбор атрибутов транзакций для моделирования
• Автоматическая генерация правил на основе классификационных моделей
• Чем больше данных – тем более «самостоятельны» алгоритмы машинного
обучения: сдвиг в сторону unsupervised learning
• Дальнейшее проникновение парадигмы Digital Identity во все онлайновые
действия пользователей
22. «AntiFraud Russia 2015», 3 декабря 2015
Резюмируя
• Data Science: аналитика данных не ради
аналитики, а извлечение прибыли из данных
• Мы используем простые модели, но хорошо
адаптированные под специфику конкретной
категории или мёрчанта
• Машинное обучение не заменяет правила и не
отменяет мозга аналитиков
• Цену ошибок классификации всегда диктует
бизнес
«Фрод не пройдёт»