Антифрод, который реже блокирует честные карты
Платёжный сервис проводит 2,4 млн транзакций в месяц по 340 тыс. карт. Мошенничество здесь отсекали правила и ручная проверка, и под блокировку слишком часто попадали честные клиенты. Мы поставили модель, которая оценивает каждую операцию в момент платежа, а аналитикам отдаёт только спорные случаи. Внедрение заняло 6 месяцев. За 3 месяца наблюдения ложных блокировок карт стало 1,9% вместо 3,4%, правила остались вторым слоем защиты.
- срок проекта
- 6 месяцев
- функциональных модулей
- 7
- этапов разработки
- 5
- ключевых технологий
- 5

02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
Защита от мошенничества держалась на правилах и ручной проверке. Правила вместе с ручной проверкой перехватывали 88% мошеннических операций, но заодно останавливали и обычных покупателей: доля ложных блокировок карт составляла 3,4%. Для клиента это значит, что своей картой он расплатиться не может.
На ручную проверку приходилось 12 тыс. разборов в месяц, а решение по одному случаю занимало до 40 минут.
Задача стояла так: блокировать реже и точнее, не пропуская больше мошенничества, и разгрузить ручную проверку. Банку-партнёру при этом нужно видеть, почему система остановила конкретную карту.
Честные клиенты под блокировкой
Каждая ложная блокировка означает покупателя, который не может оплатить покупку своей картой. Доля таких блокировок держалась на уровне 3,4%.
Очередь ручных разборов
Аналитики разбирали 12 тыс. случаев в месяц, и по каждому решение принимал человек.
Долгое решение
До 40 минут на один случай. Пока аналитик разбирается, вопрос с картой клиента остаётся открытым.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
Оценка каждой операции в момент платежа
Модель встроена в процессинг и оценивает транзакцию в потоке, а не пакетами по расписанию. Ответ приходит за десятки миллисекунд, поэтому решение принимается внутри обычного пути платежа. Каждая операция получает числовую оценку риска, и дальше всё зависит от того, в какую зону эта оценка попала.
240 признаков вместо отдельных правил
Признаки собраны из четырёх групп: поведение держателя карты, устройство, торговая точка и граф связей, где операция видна в контексте других. Модель построена на градиентном бустинге: это множество небольших деревьев решений, каждое следующее исправляет ошибки предыдущих. Она взвешивает все признаки вместе и не срабатывает на один.
Пороги по сегментам
Единого порога на все операции нет. Для каждого сегмента задан свой уровень оценки, после которого операция считается рискованной. Так модель не пытается одной меркой мерить разные по природе платежи, и строгость можно настраивать там, где это действительно нужно.
Ручной разбор только в серой зоне
Операции с явно низкой оценкой проходят, с явно высокой останавливаются. Аналитику достаются только случаи из середины шкалы, где модель не уверена. Ручных разборов становится меньше, а внимание команды уходит туда, где человеческое решение действительно что-то меняет.
Объяснение решения для банка-партнёра
Для каждой оценки система показывает, какие признаки и насколько сдвинули её вверх или вниз. Это метод SHAP. Банк-партнёр видит причину блокировки конкретной карты, а аналитик в серой зоне начинает разбор с готовой подсказки, куда смотреть.
Правила вторым слоем
Прежние правила не удалены. Модель стала первым слоем защиты, правила работают вторым. Запуск не оставил сервис без привычных проверок, а известные схемы по-прежнему перекрываются тем, что уже было отлажено. Модель замечает сочетания признаков, которые трудно записать правилом, а правила надёжно закрывают то, что уже известно.
Регулярное переобучение
Мошенники меняют схемы, и модель, обученная на прошлых данных, постепенно устаревает. По опыту проекта её нужно переобучать раз в 4–6 недель. Поэтому переобучение закладывается в сопровождение как регулярная работа, а не как реакция на аварию.
04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 05
CatBoost
Градиентный бустинг хорошо работает с табличными данными о платежах, где много категориальных полей вроде торговой точки или типа устройства. CatBoost обрабатывает такие поля без громоздкой ручной подготовки и быстро отвечает на одной транзакции.
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
Разбор правил и ручных проверок
Изучили действующие правила, поток ручных разборов и их исходы. Зафиксировали отправную точку: долю ложных блокировок, перехват мошенничества, нагрузку на аналитиков и время решения. С ней потом сравнивали результат.
Признаки и модель
Собрали 240 признаков из четырёх групп: поведение, устройство, торговая точка, граф связей. Обучили модель на истории операций и проверили её на исторических данных, которых она не видела при обучении.
Пороги и серая зона
Подобрали пороги для каждого сегмента и границы серой зоны, в которой операция уходит на ручной разбор. Добавили SHAP-объяснения, чтобы решение модели можно было показать банку-партнёру.
Встраивание в процессинг
Подключили потоковую оценку к процессингу и оставили правила вторым слоем. Внедрение до промышленной эксплуатации заняло 6 месяцев.
Запуск и наблюдение
Три месяца после запуска следили за показателями в проде. Через два месяца мошенники сменили схему, перехват на новом паттерне просел, и модель переобучили. Отсюда вывод: переобучать её нужно раз в 4–6 недель.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- ложных блокировок карт вместо 3,4%, замер в проде за 3 месяца
- 1,9%
- ручных разборов в месяц вместо 12 тыс., замер за 3 месяца
- 7,4 тыс.
- время скоринга транзакции, медиана (техническая характеристика; p99 — 85 мс)
- 28 мс
За 3 месяца наблюдения в проде доля ложных блокировок карт снизилась с 3,4% до 1,9%. Ручных разборов стало 7,4 тыс. в месяц вместо 12 тыс.: аналитики занимаются только серой зоной. Оценка одной операции занимает десятки миллисекунд и не выбивается из обычного пути платежа.
По предварительным данным перехват мошенничества не снизился (88% → 89%). Окончательно его можно будет оценить позже: исходы по чарджбэкам приходят с лагом до 90 дней. Потери от мошенничества снизились, но доверительный интервал пока широкий, поэтому точную величину мы не называем.
Оговорки. 1,9% — это блокировки карт целиком: отказы в отдельных транзакциях (0,14%) не снизились и в эту цифру не входят. Через два месяца после запуска мошенники сменили схему, и на новом паттерне перехват просел до 84%, пока модель не переобучили. Поэтому переобучать её нужно раз в 4–6 недель.
FAQ
Вопросы о проекте
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки


