🛡️ Détecteur d'Anomalies de Fraude & Risque — En Direct

Les habitudes de dépense, les tactiques de fraude, la saisonnalité (par exemple les achats de fin d'année) et même les effets de change ou d'inflation font évoluer dans le temps la distribution sous-jacente des transactions « normales » — un phénomène appelé dérive conceptuelle. Un seuil calibré sur les données de l'année précédente peut se dérégler : soit le taux de faux positifs augmente à mesure que le comportement légitime dérive vers l'extérieur, soit les fraudeurs apprennent à rester juste en deçà de la frontière. Les systèmes en production recalculent μ et Σ (ou réentraînent des modèles plus complexes) sur des fenêtres glissantes de données récentes, surveillent la précision et le rappel en temps réel, et utilisent souvent des seuils adaptatifs ou par segment — par exemple des seuils différents selon les pays ou les catégories de commerçants — plutôt qu'un seuil global statique unique.

Précision = VP/(VP+FP) — parmi toutes les transactions signalées, quelle fraction était réellement une fraude. Rappel = VP/(VP+FN) — parmi toutes les fraudes réelles, quelle fraction le système a-t-il détectée. Le F1 est leur moyenne harmonique, équilibrant les deux. L'exactitude est trompeuse ici car la fraude est rare — un problème fortement déséquilibré : un détecteur qui ne signale jamais rien pourrait encore être « précis à 99 % » tout en ne détectant aucune fraude. Précision et rappel séparent les deux modes d'échec qui comptent réellement en exploitation : agacer les clients avec de fausses alertes contre laisser passer la fraude sans la détecter.

Le vecteur moyenne et la matrice de covariance 2×2 sont recalculés en direct à partir de chaque point actuellement présent dans le jeu de données. La matrice de covariance est inversée analytiquement, et la distance de Mahalanobis est évaluée à chaque cellule d'une grille couvrant le plan visible, produisant un champ scalaire continu. Ce champ est converti via une rampe de couleurs — du vert au jaune puis au rouge à mesure que la distance augmente — et écrit dans un canvas/DataTexture que Three.js restitue comme un plan texturé derrière les points du nuage, la même technique utilisée pour les cartes thermiques de frontière de décision ailleurs sur ce site, mais avec un champ de distance de Mahalanobis au lieu d'une propagation avant d'un réseau.

Un faux négatif (fraude manquée) coûte directement l'argent perdu lors de la transaction frauduleuse, plus d'éventuels dommages réglementaires et de réputation. Un faux positif (blocage ou signalement d'une transaction légitime) coûte la confiance du client et une charge de support, et peut pousser des clients authentiques à abandonner un achat, voire une banque — mais ne fait pas perdre de capital. Comme ces coûts se mesurent dans des « monnaies » différentes — perte financière directe contre friction dans l'expérience client — et varient selon la taille de la transaction et le segment de clientèle, les systèmes réels pondèrent souvent la décision de seuil par la perte monétaire attendue plutôt que de traiter chaque erreur de façon égale.

La forme des contours à score d'anomalie égal est entièrement déterminée par la matrice de covariance estimée Σ. Si les deux caractéristiques étaient non corrélées et de variance égale, les contours seraient des cercles. Comme le montant et le temps depuis la dernière transaction sont positivement corrélés dans le groupe normal de cette simulation, Σ comporte des termes hors diagonale non nuls, ce qui incline et étire les contours en ellipses alignées sur la direction de la corrélation — exactement la forme que l'on obtiendrait en observant à l'œil un nuage de points des transactions normales, ce qui est précisément l'idée : la distance de Mahalanobis est une version rigoureuse et automatique de « ce point sort-il de la dispersion naturelle du nuage ».