Naoual FADLI

Spécialisée dans la fraude aux paiements en ligne, et la fraude SIMBOX, j'ai voulu ajouter une nouvelle dimension à ma carrière via la formation en Data Analyst,. Cette formation m'a permis de perfectionner mes compétences à l'aide des outils de DataWrangling, de Machine Learning et de Visualisation que je saurais mettre à votre disposition afin d'améliorer vos prises de décisions et parfaire mes analyses.

Chez Fraudbuster, qui est un sous-traitant pour des opérateurs télécoms, nous luttions contre la fraude Simbox. Je faisais partie d’une équipe de 8 Fraude analystes, en charge d’un portefeuille de 7 opérateurs basés en Afrique. Les fraudeurs utilisent des simbox. Une simbox est un terminal dans lequel on insère des cartes sims qui permettent de détourner des appels internationaux.

Mon travail était de monitorer le système de fraude interne, crée par l’entreprise, appelé Simbuster. Nous devions traiter les alertes quotidiennes, et les appels non suspectés par le système puis prendre les décisions adéquates. A savoir adapter les règles existantes ou en créer de nouvelles en fonction de la situation. Une fois la transaction validée suspecte, le client recevait une alerte pour bloquer ou non le numéro. C’est à lui qu’appartenait la décision finale. 

Il y avait plusieurs types de fraudes comme le refiling( changement du numéro final), Pabx, utiliser des numéros d’entreprise pour détourner les appels, les numéros sur taxés, et le Fraud Forward.

Parfois, le client nous envoyait des fichiers de numéros pour lesquels il voulait avoir notre opinion, d’autres fois des numéros qu’il pensait être des Faux Positifs, et enfin des numéros que nous aurions manqués. 

Nous devions rester ouvert aux nouvelles tendances de fraudes observes, investiguer et prendre les bonnes décisions. De plus, il nous tenait à cœur que le client soit satisfait et les KPI respectés.

J’ai suivi une formation de Data Analyst chez Lepont en partenariat avec l’Université de Berkeley en Californie. J’ai suivi cette formation afin d’ajouter une nouvelle dimension à ma carrière, ce qui m’a aidé à améliorer mes compétences en analyse à l’aide d’outils de DataWrangling comme Python ou SQL. Cela m’a aussi fourni une meilleure compréhension de la façon et l’importance et traiter les questions métiers. Choses que j’ai pu appliquer lors d’un projet de clôture, en groupe à propos de l’entreprise Vélib’ Métropole. En effet, nous avons eu accès à une extraction de données de toutes les stations Vélib’ à Paris et environs, concernant le nombre de vélib’ disponible, le nombre de vélib’ mécanique ou électrique, entre autres pour le mois de Novembre, Décembre et Janvier. 

Nous avons décidé de traiter la question du manque de vélib dans les stations, et le manque de place de parking retour, 2 points qui selon nous pouvait expliquer l’insatisfaction des utilisateurs de Vélib’.

Nous avons choisi les 3 stations dans lesquelles il manquait le plus de Vélib, et les 3 stations dans lesquels il y avait le moins de place pour se parker, de façon récurrente. 

Nous avons étudié la disponibilité par heure, jour et ainsi l’évolution au fil des mois.

Pour notre analyse, nous avons utilisé l’outil Python pour la partie nettoyage de la base de données et pour créer des dataframes pour notre analyse. Et Power Bi pour mettre en image les résultats. De plus j’ai suivi cette formation car j’ai pensé que ce serait une réelle valeur ajoutée en adéquation avec le poste d’Analyste Fraude.