Shift — Détection de Fraude
Scoring supervisé + détection de fraud rings
Mission Shift · données publiques en proxy58%
Precision@50
×2.3
Lift décile-1
0.49
PR-AUC
75%
Fraude nouvelle
Détails du projet
Mettez-vous dans la peau d'un analyste anti-fraude
Une compagnie d'assurance reçoit des milliers de déclarations de sinistre par jour. Impossible de toutes les vérifier à la main : le modèle attribue à chaque dossier un score de suspicion, et seuls les plus suspects partent en investigation. Choisissez un dossier pour voir la décision du modèle :
Le dossier en détail
Ajustez librement — le score réagit en direct.
Un accident grave juste après la souscription est un signal classique.
Score de suspicion
14/100
Remboursement automatique, aucun signal suspect
Pourquoi ce score ?
Le modèle justifie chaque alerte — indispensable pour qu'un analyste humain puisse agir (SHAP).
Deuxième outil : repérer les réseaux organisés
Pris un par un, ces 8 accidents semblent tous normaux — le score individuel ne voit rien. Mais que se passe-t-il si plusieurs sont réparés par le même garage et expertisés par le même expert ?
2 accidents dans le même garage : rien d'anormal.
en interne : degré(garage) = 2 · attendu ≈ 1-2 · alerte ≥ 4 — feature de graphe (NetworkX)
Mode démo : heuristique reproduisant l'approche du modèle XGBoost entraîné sur données publiques (Precision@50 ~58 %, Lift ×2.3). Score indicatif, pas un modèle de production.