Le problème à résoudre
La fraude est détectée par des règles fixes, faciles à contourner et générant trop de fausses alertes. Sur les volumes du Mobile Money et des paiements, les fraudeurs ont une longueur d’avance permanente.
La promesse pour la direction
Votre analyste construit des systèmes de détection par apprentissage automatique, capables de repérer en temps réel des schémas de fraude inédits, tout en réduisant les fausses alertes qui épuisent les équipes.
Ce que le parcours débloque
Possible (ML)
Détection de schémas inédits
Temps réel
Latence de détection
Réduit
Taux de fausses alertes
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Analyste risque / lutte anti-fraude |
| Prérequis | Données, statistiques, Python de base |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Python · scikit-learn · Isolation Forest · Kafka · Flink · XGBoost · Feast
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | Panorama de la fraude Typologies & données | Cartographier les schémas de fraude | ✔ Typologies et données identifiées |
| M2 | Des règles au ML Modélisation | Construire un premier modèle de détection | ✔ Modèle surpassant les règles |
| M3 | Détection d’anomalies Apprentissage non supervisé | Détecter des comportements inédits | ✔ Anomalies inédites détectées |
| M4 | Temps réel Scoring en flux | Scorer les transactions à la volée | ✔ Scoring temps réel opérationnel |
| M5 | Réduction des faux positifs Calibrage | Optimiser le compromis détection/alertes | ✔ Fausses alertes réduites |
| M6 | Projet anti-fraude Système réel | Déployer une détection sur un flux réel | ✔ Soutenance + fraude simulée détectée |
Ce parcours dans une carrière
Il figure dans un cursus documenté. Voici où il se situe.
B5 · De la data à la fraude fintech
Aboutissement : Product Manager FinTech