Tentukan cut-off skor fraud dalam satu menit
Masukkan jumlah fraud dan nasabah non-fraud untuk tiap rentang skor, lalu tetapkan biaya setiap jenis kesalahan. Lihat cut-off yang paling menghemat biaya serta fraud yang terdeteksi dan nasabah yang ditandai.
Kelompokkan data berdasarkan skor
File dibaca di browser ini dan tidak diunggah. Hanya jumlah per rentang yang dicantumkan dalam tautan dan email jika Anda memintanya.
Cut-off dengan penghematan terbesar
Tandai mulai [500,600) memberi penghematan terbesar, yaitu €605,400, tetapi menandai lebih banyak kasus daripada kapasitas Anda, 3%. Sesuai kapasitas, Tandai mulai [600,700) menghemat €567,900.
Coba cut-off lain
| Fraud | Non-fraud | |
|---|---|---|
| Ditandai | 711 | 2,300 |
| Lolos | 89 | 63,700 |
Dengan cut-off ini, Anda mendeteksi 711 dari 800 kasus fraud, menandai 2,300 nasabah non-fraud, dan menghemat €605,400.
Penghematan berdasarkan cut-off
Garis gelap menunjukkan penghematan, garis oranye menunjukkan tingkat deteksi pada skala di sebelah kanan, dan titik menandai cut-off terbaik.
Hasil cut-off
| Cut-off | Ditandai | Fraud yang terdeteksi | Pelanggan non-fraud yang ditandai | Presisi | Tingkat deteksi | Tingkat positif palsu | Proporsi yang ditandai | Penghematan |
|---|---|---|---|---|---|---|---|---|
| Tidak ada yang ditandai | 0 | 0 | 0 | – | 0.0% | 0.0% | 0.0% | €0 |
| Tandai mulai [900,1000) | 296 | 226 | 70 | 76.4% | 28.2% | 0.1% | 0.4% | €202,350 |
| Tandai mulai [800,900) | 666 | 416 | 250 | 62.5% | 52.0% | 0.4% | 1.0% | €370,650 |
| Tandai mulai [700,800) | 1,156 | 556 | 600 | 48.1% | 69.5% | 0.9% | 1.7% | €491,400 |
| Tandai mulai [600,700) | 1,851 | 651 | 1,200 | 35.2% | 81.4% | 1.8% | 2.8% | €567,900 |
| Tandai mulai [500,600) ◀ | 3,011 | 711 | 2,300 | 23.6% | 88.9% | 3.5% | 4.5% | €605,400 |
| Tandai mulai [400,500) | 5,246 | 746 | 4,500 | 14.2% | 93.3% | 6.8% | 7.9% | €603,900 |
| Tandai mulai [300,400) | 9,768 | 768 | 9,000 | 7.9% | 96.0% | 13.6% | 14.6% | €556,200 |
| Tandai mulai [200,300) | 18,782 | 782 | 18,000 | 4.2% | 97.8% | 27.3% | 28.1% | €433,800 |
| Tandai mulai [100,200) | 36,792 | 792 | 36,000 | 2.2% | 99.0% | 54.5% | 55.1% | €172,800 |
| Tandai mulai [0,100) | 66,800 | 800 | 66,000 | 1.2% | 100.0% | 100.0% | 100.0% | −€270,000 |
Hasil salinan dapat ditempel ke tabel keputusan dalam dua kolom: rentang skor sebagai kondisi, lalu lanjutkan atau tinjau sebagai hasil.
Kirim hasil lewat email
Tetapkan cut-off sebagai aturan dalam alur keputusan, tempatkan antrean peninjauan setelahnya, lalu uji setiap perubahan dengan data pengajuan sebelumnya. Mulai gratis
Tampilkan rumus
Presisi = Fraud yang terdeteksi ÷ Ditandai Tingkat deteksi = Fraud yang terdeteksi ÷ Semua kasus fraud Tingkat positif palsu = Pelanggan non-fraud yang ditandai ÷ Semua pelanggan non-fraud Penghematan = Fraud yang terdeteksi × Kerugian per kasus fraud yang terlewat − Pelanggan non-fraud yang ditandai × Biaya per nasabah non-fraud yang ditandai
Angka ini hanya menggunakan label historis. Fraud yang baru diketahui kemudian atau yang urung terjadi karena adanya friksi tidak termasuk dalam perhitungan.
Kalkulator cut-off skor fraud
Cut-off skor fraud menentukan kasus mana yang ditandai untuk ditinjau. Kalkulator ini menggunakan jumlah kasus fraud dan pelanggan non-fraud di setiap rentang skor, serta biaya fraud yang lolos dan pelanggan non-fraud yang ditandai.
Cut-off menentukan jumlah fraud yang terdeteksi dan pelanggan non-fraud yang ditandai. Bandingkan penghematan pada setiap cut-off dan lihat opsi yang sesuai dengan kapasitas tim review.
Pertanyaan tentang skor fraud
Bagaimana menentukan cut-off model fraud?
Bandingkan penghematan pada setiap cut-off berdasarkan jumlah kasus fraud dan pelanggan non-fraud serta biaya setiap kesalahan. Kalkulator ini menunjukkan cut-off dengan penghematan terbesar berdasarkan jumlah tersebut dan cut-off terbaik yang sesuai dengan kapasitas tim review.
Apa arti precision dan recall pada skor fraud?
Precision adalah proporsi kasus yang ditandai dan ternyata fraud. Tingkat deteksi, yang juga disebut recall, adalah proporsi seluruh kasus fraud yang berhasil terdeteksi.
Bagaimana membaca confusion matrix untuk fraud?
Confusion matrix membandingkan kasus yang ditandai atau lolos dengan statusnya, fraud atau non-fraud. Hasilnya menunjukkan kasus fraud yang terdeteksi, pelanggan non-fraud yang ditandai, kasus fraud yang lolos, dan pelanggan non-fraud yang lolos.
Bagaimana membandingkan kerugian fraud dengan false positive?
Masukkan kerugian untuk fraud yang lolos dan biaya untuk menandai pelanggan non-fraud. Kalkulator ini menggunakan biaya tersebut dan jumlah kasus di setiap rentang untuk menghitung penghematan pada setiap cut-off.
Bagaimana kapasitas review memengaruhi cut-off fraud?
Kapasitas review menentukan batas maksimum kasus yang dapat ditangani tim, sebagai proporsi dari seluruh kasus. Kalkulator ini menunjukkan cut-off terbaik yang masih sesuai dengan kapasitas tersebut.