Pilotage des transactions et détection de fraude
Données Kaggle
Contexte & Problématique
Ce dataset (lien kaggle) regroupe des informations détaillées sur des transactions financières (montants, dates, types d’opérations, canaux utilisés) et des données client permettant d’analyser des comportements à risque.
L’objectif de ce projet est de structurer et analyser ces données pour mettre en place un pilotage du risque de fraude en identifiant les zones géographiques, les canaux et les types de dépenses les plus exposés pour aider à la prise de décision.
La problématique est la suivante :
Comment structurer et analyser des données transactionnelles pour soutenir la prise de décision en matière de gestion du risque de fraude ?
Objectifs
L’analyse vise à répondre à plusieurs enjeux métiers :
Suivre le volume global des transactions
Mesurer le taux de fraude
Identifier les types de dépenses les plus fraudées
Mettre en évidence les zones géographiques à risque
Fournir une vision claire et exploitable pour le pilotage décisionnel
Méthodologie
Les données ont été nettoyées et préparées afin de garantir leur cohérence et leur exploitabilité.
Une modélisation en étoile a ensuite été mise en place pour structurer l’analyse et faciliter la lecture des indicateurs par des profils métiers.
Les KPIs ont été calculés à partir de cette structure afin d’analyser les volumes, les montants et la répartition de la fraude.
L’ensemble du reporting a été construit à l’aide de Power BI avec des traitements réalisés en SQL et Excel.
Pilotage des transactions et détection de fraude
Données Kaggle
Contexte & problématique
Ce dataset (lien kaggle) regroupe des informations détaillées sur des transactions financières (montants, dates, types d’opérations, canaux utilisés) et des données client permettant d’analyser des comportements à risque. (Excel)
L’objectif de ce projet est de structurer et analyser ces données pour mettre en place un pilotage du risque de fraude en identifiant les zones géographiques, les canaux et les types de dépenses les plus exposés pour aider à la prise de décision.
La problématique est la suivante :
Comment structurer et analyser des données transactionnelles pour soutenir la prise de décision en matière de gestion du risque de fraude ?
Objectifs d’analyse
L’analyse vise à répondre à plusieurs enjeux métiers :
Suivre le volume global des transactions
Mesurer le taux de fraude
Identifier les types de dépenses les plus fraudées
Mettre en évidence les zones géographiques à risque
Fournir une vision claire et exploitable pour le pilotage décisionnel
Méthodologie
Les données ont été nettoyées et préparées afin de garantir leur cohérence et leur exploitabilité.
Une modélisation en étoile (voir)a ensuite été mise en place pour structurer l’analyse et faciliter la lecture des indicateurs par des profils métiers.
Les KPIs ont été calculés à partir de cette structure afin d’analyser les volumes, les montants et la répartition de la fraude.
L’ensemble du reporting a été construit à l’aide de Power BI avec des traitements réalisés en SQL et Excel.