丹麦金融与保险2017–2018丹斯克银行
机器学习欺诈检测
丹斯克银行以机器学习取代基于规则的欺诈预警，并减少了误报
问题
丹斯克银行的欺诈检测主要依赖手写规则。这些规则产生了创纪录数量的误报，误报率一度高达99.5%，庞大的反欺诈团队把大量时间花在调查合法付款上。
方法
该行与Teradata的咨询部门Think Big Analytics合作，构建了实时监控银行和移动支付欺诈的机器学习模型，开发以12周为一个冲刺周期。该行将机器学习集成模型投入生产，同时并行测试深度学习模型。该项目于2017年10月公开介绍。
主要数据
-20–30%机器学习模型投入生产后的误报
-50%投产前测试中的误报（据该行高级分析负责人）
+60%投产前测试中的欺诈检出率
99.5%原有基于规则的系统下的误报率峰值
启示
该行减少了无效调查，并发现了更多欺诈，但不同来源和阶段的数字有所不同。供应商报告称，投产前误报减少50%、检出率提高60%；数月后的一份分析师报告则称，投产模型的误报减少幅度为20%至30%。
分类
来源
来源摘要
[1]Teradata2017年10月23日
Teradata称，丹斯克银行与其Think Big Analytics顾问合作，在开发深度学习模型的同时，将机器学习欺诈检测投入生产。该行高级分析负责人Nadeem Gulzar表示，投产前测试使误报减少50%，让反欺诈部门50%的人员得以转向价值更高的工作。Teradata还报告称，投产前测试中检出率提高约60%，并称原有规则下的误报率一度达到99.5%。
[2]Constellation Research2018年3月12日
分析师Doug Henschen报道称，2016年起欺诈增多，促使丹斯克银行与Teradata的Think Big Analytics以12周为周期的开发冲刺构建机器学习模型。他称，机器学习集成模型使误报减少20%至30%，而基于TensorFlow构建的深度学习模型在测试中检出率提高了两位数，但尚未投产。
详细内容请参阅原始来源。
收录日期 2026年10月25日 · 更新日期 2026年10月25日
