丹麥金融與保險2017–2018丹斯克銀行
機器學習詐欺偵測
丹斯克銀行以機器學習取代規則式詐欺警示，降低誤報
問題
丹斯克銀行的詐欺偵測主要仰賴人工撰寫的規則。這些規則產生了創紀錄的大量誤報，誤報率一度達 99.5%，龐大的詐欺調查團隊大部分時間都用在調查合法付款。
做法
銀行與 Teradata 的顧問部門 Think Big Analytics 合作，建置可即時監控銀行與行動支付詐欺的機器學習模型，並以 12 週為一期的衝刺方式開發。銀行將機器學習組合模型投入正式運作，同時並行測試深度學習模型。該專案於 2017 年 10 月公開發表。
主要數據
-20–30%機器學習模型正式運作後的誤報
-50%正式上線前測試中的誤報（據銀行進階分析主管）
+60%正式上線前測試中的詐欺偵測率
99.5%舊有規則式系統下的誤報率高峰
啟示
銀行減少了白費的調查，並攔截了更多詐欺，但各來源與階段的數據不一。供應商報告正式上線前誤報減少 50%、偵測率提升 60%；數月後一份分析師報告則指出，正式運作的模型誤報減幅為 20% 至 30%。
分類
來源
來源摘要
[1]Teradata2017年10月23日
Teradata 表示，丹斯克銀行與其 Think Big Analytics 顧問合作，將機器學習詐欺偵測投入正式運作，同時開發深度學習模型。銀行進階分析主管 Nadeem Gulzar 表示，正式上線前測試使誤報減少 50%，讓詐欺調查單位 50% 的人力得以轉向更高價值的工作。Teradata 另報告，正式上線前測試中偵測率提升約 60%，並稱舊規則下的誤報率有時高達 99.5%。
[2]Constellation Research2018年3月12日
分析師 Doug Henschen 報導，自 2016 年起詐欺案件增加，促使丹斯克銀行與 Teradata 的 Think Big Analytics 合作，以 12 週為一期的開發衝刺建置機器學習模型。他指出，機器學習組合模型使誤報減少 20% 至 30%，而以 TensorFlow 建置的深度學習模型在測試中顯示出兩位數的偵測率提升，但尚未正式運作。
詳細內容請參閱原始資料。
收錄日期 2026年10月25日 · 更新日期 2026年10月25日
