تحلیلگر استراتژی مقابله با تقلب
Fraud Strategy Analyst
تحلیلگر استراتژی مقابله با تقلب (Fraud Strategy Analyst) لایهٔ دفاعی یک فین‌تک، بانک یا مارکت‌پلیس را در برابر تقلب طراحی و تنظیم می‌کند: قواعد و آستانه‌هایی می‌نویسد که روی امتیاز مدل‌های یادگیری ماشین سوار می‌شوند، اثر هر تغییر را با داده می‌سنجد و میان کم کردن زیان و آزار ندادن مشتری درستکار توازن برقرار می‌کند. عنوان «تحلیلگر کلاهبرداری هوشمند» (AI Fraud Analyst) عنوان رایج شغلی نیست و در آگهی‌ها تقریباً دیده نمی‌شود؛ کارفرماها همین کار را با عنوان‌هایی مثل Fraud Strategy Analyst، Fraud Strategist و Fraud Strategy Associate آگهی می‌کنند و نسخهٔ مدل‌سازتر آن را Data Scientist در تیم تقلب می‌نامند.
مقدمه و تعریف شغل
تحلیلگر استراتژی مقابله با تقلب تصمیم می‌گیرد سیستم دفاعی یک شرکت با هر تراکنش، حساب یا درخواست مشکوک چه کند: تأیید، بررسی دستی یا مسدودسازی. Stripe در آگهی Fraud Strategist مأموریت تیم Fraud Strategy را ساختن سیستم‌های مقیاس‌پذیری می‌داند که جلوی تقلب را بگیرند و هم‌زمان کمترین اختلال را برای کاربران درستکار ایجاد کنند. Navan از همین نقش می‌خواهد خروجی مدل‌های یادگیری ماشین و تحلیل‌ها را به قاعده، آستانه، workflow و تصمیم سیاستی تبدیل کند. این کار تحلیلی است، نه مهندسی نرم‌افزار: ابزار اصلی SQL و Python است و در آگهی‌های ۲۰۲۶ کار با ابزارهای مبتنی بر LLM هم به آن اضافه شده است.
دفاع در برابر تقلب مدت‌ها بیشتر با قواعد ثابت انجام می‌شد. راهنمای Stripe دربارهٔ یادگیری ماشین برای تقلب می‌نویسد قواعد سخت‌کدشده، مثلاً مسدود کردن همهٔ کارت‌هایی که در خارج از کشور استفاده می‌شوند، ممکن است بسیاری از تراکنش‌های سالم را هم مسدود کنند و یادگیری ماشین الگوهای ظریف‌تری را تشخیص می‌دهد. با این حال قاعده کنار نرفته است: در مستندات Stripe Radar، قواعد پیش‌فرض خودشان بر پایهٔ سطح ریسکی نوشته شده‌اند که مدل‌های AI می‌دهند، مثل «Review if :risk_level: = 'elevated'». جای اصلی این شغل همین نقطه است: اینکه با هر امتیاز مدل چه تصمیمی گرفته شود. فشار روی این نقش هم بیشتر می‌شود؛ مرکز خدمات مالی Deloitte پیش‌بینی می‌کند AI مولد زیان تقلب در آمریکا را از ۱۲٫۳ میلیارد دلار در ۲۰۲۳ به ۴۰ میلیارد دلار در ۲۰۲۷ برساند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک تحلیلگر استراتژی مقابله با تقلب
قواعد و آستانه‌های تصمیم
Navan از این نقش می‌خواهد قواعد، آستانه‌ها و workflowهای تصمیم را با تکیه بر مدل‌های علم داده، ویژگی‌های ML و یافته‌های تحقیقات طراحی و به‌روز کند. در Stripe Radar قاعده‌ای مثل «Allow if :ip_country: = 'GB'» با افزودن شرط «and :risk_level: != 'highest'» محدودتر و امن‌تر می‌شود.
شبیه‌سازی قاعده پیش از انتشار
رابط آزمون قاعده در Stripe Radar اثر هر قاعده را روی ۶ ماه تراکنش گذشته شبیه‌سازی می‌کند تا معلوم شود چند پرداخت سالم، متقلبانه و مسدود را تحت تأثیر قرار می‌داد. Rain هم طراحی، شبیه‌سازی و اجرای کنترل‌های ریسک لحظه‌ای با مدل‌های ML را می‌خواهد.
داشبورد و KPI تقلب
Brex از Fraud Strategy Associate می‌خواهد KPIهایی مثل false positive rate، fraud capture rate و زمان رسیدگی را تعریف و پایش کند و گزارش‌هایی بسازد که میزان در معرض تقلب بودن را لحظه‌ای به مدیران نشان دهد.
ویژگی تازه برای مدل
در آگهی Fraud Strategist سنگاپورِ Stripe، کار می‌تواند از بررسی یک روند غیرعادی تا تعریف یک ویژگی (feature) برای مدل یا بهبود workflow بررسی دستی را در بر بگیرد؛ یعنی تحلیلگر ورودی مدل را هم شکل می‌دهد.
خودکارسازی با LLM و ایجنت
Brex به‌کارگیری ابزارهای مبتنی بر LLM برای تشخیص و خودکارسازی شناسایی الگوهای تقلب را جزو وظایف آورده و Stripe در سنگاپور بهبود و خودکارسازی workflowهای ریسک با ابزارهای داخلی و راه‌حل‌های مبتنی بر ایجنت را.
ارزیابی ریسک محصول و بازار تازه
Stripe از Fraud Strategist سنگاپور می‌خواهد پیش از عرضهٔ کشور، محصول یا روش پرداخت محلی تازه، ریسک تقلب را بسنجد، کنترل‌ها را تعریف کند و نتیجه را بعد از عرضه پایش کند.
تخصص‌های مختلف تحلیلگر استراتژی مقابله با تقلب
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تقلب پرداخت و کارت
Payments & Card Fraud
تقلب در تراکنش‌های کارتی و پرداخت آنلاین؛ جایی که هر مسدودسازی اشتباه یک فروش از دست رفته است. Rain برای پرداخت کارتی با استیبل‌کوین و Stripe برای تقلب تراکنش و فروشنده در بازارهای آسیا و اقیانوسیه این نقش را آگهی کرده‌اند.
هویت، ثبت‌نام و تصاحب حساب
Identity, Onboarding & ATO
جلوگیری از هویت ساختگی و تصاحب حساب از لحظهٔ ثبت‌نام. Affirm از این نقش بهبود فرایند احراز هویت و ارزیابی سیگنال‌های تازه برای ریسک هویت، ATO و ریسک دستگاه را می‌خواهد و Navan استراتژی onboarding را.
تقلب فروشنده و پلتفرم
Merchant & Platform Fraud
تقلب حساب‌هایی که خودشان روی پلتفرم کسب‌وکار دارند. Stripe تقلب خریدار، فروشنده و حساب را از هم جدا می‌کند و Lyft برای Fraud & Risk Analyst تجربه در ریسک فروشنده (merchant risk) را ترجیح می‌دهد.
استراتژیست تقلب در شرکت‌های ارائه‌دهندهٔ راه‌حل
Vendor-side Fraud Strategist
در شرکت‌هایی که محصول ضدتقلب می‌فروشند، استراتژیست با مشتری کار می‌کند تا ارزش محصول را با دادهٔ خودِ او نشان دهد. Fraud Strategist در Plaid فرایند retro و POC را از ابتدا تا انتها اداره می‌کند و نتیجهٔ مدل را برای مشتری توضیح می‌دهد.
علم دادهٔ تقلب
Fraud Data Science
نسخهٔ مدل‌محورتر همین کار. Socure از Data Scientist II در تیم Fraud & Risk ساختن مدل‌های یادگیری عمیق مثل transformer روی دادهٔ جدولی، متن و تصویر را می‌خواهد و Plaid از Data Scientist - Fraud اجرای backtest برای پیدا کردن قواعد و استراتژی‌های مدل پراثر را.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
دانشمند داده مدل تشخیص را می‌سازد و بهبود می‌دهد؛ Stripe در آگهی Data Scientist, Fraud (تورنتو) از او ساختن مدل‌هایی را می‌خواهد که سیستم تشخیص تقلب و مدیریت زیان را پیش می‌برند. تحلیلگر استراتژی از خروجی همان مدل استفاده می‌کند: Plaid در آگهی Fraud Strategist نوشته این نقش مدل نمی‌سازد، اما باید خروجی آن را خوب بفهمد. مرز باز است: عنوان آگهی Rain «Data Scientist - Fraud Risk» است، ولی کارش استراتژی و کنترل ریسک با مدل‌های ML است. صفحهٔ دانشمند داده هم ریسک و تقلب را یکی از شاخه‌های آن شغل می‌داند؛ مسیر طبیعی برای تحلیلگری که مدل‌سازی را جدی یاد بگیرد همین است.
تحلیلگر تحقیقات پرونده به پرونده کار می‌کند؛ Robinhood از Fraud Investigations Analyst می‌خواهد هشدارها را بررسی کند، سیگنال‌های تراکنش و رفتار را بسنجد و تصمیمش را مستند کند. تحلیلگر استراتژی قاعده و فرایندی طراحی می‌کند که روی همهٔ پرونده‌ها اثر می‌گذارد و حجم همان صف بررسی را تعیین می‌کند. این دو به هم وصل‌اند: آگهی Robinhood برای ۰ تا ۲ سال تجربه است و Brex برای Fraud Strategy Associate «تجربه در استراتژی تقلب یا عملیات ریسک» را می‌پذیرد؛ پس کار عملیات تقلب راه ورود معمول به این شغل است.
مهندس سیستم را می‌سازد و تحلیلگر منطق آن را طراحی و می‌سنجد. Affirm این دو را جدا آگهی می‌کند: Staff Software Engineer در تیم Fraud Decisioning ابزار و سیستم‌های مقابله با تقلب را می‌سازد و Analytics Lead در Deposit Fraud Risk قواعد، آستانه‌ها و استراتژی‌های تصمیم را توسعه می‌دهد و می‌سنجد. Navan هم از تحلیلگر می‌خواهد با Engineering همکاری کند تا استراتژی‌ها در سیستم‌های تصمیم لحظه‌ای و دسته‌ای پیاده شوند. مهندس Trust & Safety علاوه بر تقلب با اسپم، بات و محتوای مضر هم سروکار دارد.
دانشمند تصمیم‌گیری با آزمایش و استنباط آماری به تصمیم‌های محصول، بازاریابی یا ریسک کمک می‌کند و صفحهٔ آن شغل ریسک و تقلب را یکی از شاخه‌هایش می‌داند. استراتژی تقلب همان شاخه است که تخصصی شده: طرف مقابل آدمی است که رفتارش را عوض می‌کند و خروجی کار قاعده‌ای است که مستقیم روی تراکنش‌ها اجرا می‌شود. Navan هر دو را در یک عنوان جمع کرده است: Fraud Strategy Decision Scientist.
تأثیر در صنایع مختلف
تحلیلگر استراتژی مقابله با تقلب در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
کارت و مدیریت هزینهٔ شرکتی
Brex تقلب را در اعتبار، سپرده و ریل‌های پرداخت کارتی زیر نظر دارد و از تحلیلگر می‌خواهد پیشگیری را در خود محصول بسازد
زیرساخت پرداخت
تیم Fraud Strategy در Stripe کنترل‌های تقلب را در همهٔ محصولات و روش‌های پرداخت در سراسر جهان جا می‌اندازد
بانکداری و پرداخت اقساطی
Affirm برای محصولات سپردهٔ بانک خود نقش جداگانه‌ای دارد که مالک زیان تقلب، نرخ تأیید و اصطکاک مشتری است
سفر و هزینهٔ سازمانی
Navan استراتژی تقلب را برای صدور کارت هزینه، پرداخت، ثبت هزینه و تقلب سفر می‌سازد
مارکت‌پلیس و حمل‌ونقل
تیم تحلیل Pay, Integrity & Identity در Lyft چند لایه قاعدهٔ کسب‌وکار، مدل و فرایند برای جلوگیری از تقلب طرف سوم می‌سازد
احراز هویت دیجیتال
Socure با مدل‌های یادگیری عمیق روی تشخیص تقلب، مدیریت ریسک و احراز هویت کار می‌کند
دادهٔ مالی و بانکداری باز
Plaid از دادهٔ شبکهٔ مالی خود، مثل الگوی تراکنش و سیگنال دستگاه، برای کمک به شرکت‌ها در تشخیص و پیشگیری تقلب استفاده می‌کند
پرداخت با رمزارز و استیبل‌کوین
Rain می‌نویسد فناوری تازهٔ پرداخت آن راه‌های تازه‌ای برای تقلب باز می‌کند و به تفکر سرتاسری و پایهٔ دادهٔ محکم نیاز دارد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
این کار یعنی بررسی دستی پرونده‌ها، یکی پس از دیگری
بررسی پرونده کار تیم تحقیقات است؛ Robinhood آن را با عنوان جداگانهٔ Fraud Investigations Analyst آگهی می‌کند. تحلیلگر استراتژی منطقی را طراحی می‌کند که روی همهٔ پرونده‌ها اثر دارد و Brex از او می‌خواهد خود فرایند بررسی را هم بهینه کند.
AI جای قواعد را گرفته و دیگر قاعده‌نویسی لازم نیست
قاعده و مدل کنار هم کار می‌کنند. قواعد پیش‌فرض Stripe Radar روی سطح ریسک مدل‌های AI نوشته شده‌اند و Navan دنبال کسی است که بداند مدل و قاعده در پروداکشن چطور با هم کار می‌کنند. Lyft هم از چند لایه قاعدهٔ کسب‌وکار، مدل و فرایند حرف می‌زند.
برای این شغل باید خودتان مدل یادگیری ماشین بسازید
Plaid صریحاً نوشته Fraud Strategist مدل نمی‌سازد، اما باید خروجی آن، مثل precision/recall و توزیع امتیاز، را بفهمد و برای مخاطب غیرفنی توضیح دهد. ساختن مدل کار دانشمند داده است؛ هرچه بیشتر از آن بدانید، گفت‌وگویتان با او بهتر می‌شود.
هرچه تقلب بیشتری مسدود شود، بهتر است
راهنمای Stripe توضیح می‌دهد میان کم کردن تقلب از دست رفته و مسدود نکردن مشتری سالم بده‌بستان وجود دارد و به نظرسنجی‌ای استناد می‌کند که در آن ۳۳٪ مصرف‌کنندگان گفته‌اند پس از یک رد اشتباه دیگر از آن کسب‌وکار خرید نمی‌کنند. Brex هم کاهش ریسک را همراه با تجربهٔ بی‌اصطکاک برای مشتری درستکار می‌خواهد.
فقط فارغ‌التحصیلان علوم کامپیوتر وارد این کار می‌شوند
رشته‌های پذیرفته‌شده گسترده‌اند: Stripe برای Credit Risk, Fraud Strategist مدرک مدیریت کسب‌وکار، اقتصاد، آمار، مالی، مهندسی یا رشتهٔ کمّی مرتبط را می‌پذیرد. آگهی Brex اصلاً شرط مدرک ندارد و به جای آن تجربه، SQL یا Python و مهارت ارتباطی می‌خواهد و مدرک CFE را امتیاز می‌داند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر کسانی که به این شغل می‌رسند از عملیات یا تحقیقات تقلب شروع می‌کنند. کار روزانه بررسی هشدار، مستندسازی تصمیم و پیدا کردن الگوهای تکرارشونده است؛ به تدریج کوئری‌نویسی و پیشنهاد اصلاح قاعده هم اضافه می‌شود.
- ◆بررسی هشدارهای تقلب و تحلیل سیگنال‌های تراکنش، دستگاه و رفتار
- ◆مستندسازی روشن هر تصمیم با شواهد حساب
- ◆گزارش یک روند تکرارشونده به تیم استراتژی همراه با پیشنهاد مشخص
- ◆نوشتن کوئری‌های ساده برای شمردن پرونده‌ها و الگوها
میانی (۲–۵ سال)
مسئول یک یا چند حوزهٔ تقلب هستید: قاعده‌ها را تنظیم می‌کنید، اثرشان را می‌سنجید و با Data Science و Engineering روی تغییرها کار می‌کنید. بخش بزرگی از وقت صرف SQL، داشبورد و نوشتن توضیح برای دیگران می‌شود.
- ◆تحلیل یک افزایش ناگهانی در زیان و پیدا کردن ریشهٔ آن
- ◆شبیه‌سازی یک قاعدهٔ تازه روی داده‌های گذشته پیش از انتشار
- ◆بررسی KPIهای هفتگی: نرخ کشف، false positive و زمان رسیدگی
- ◆جلسه با Data Science دربارهٔ رفتار مدل در یک بازهٔ امتیاز خاص
ارشد (۵+ سال)
مالک استراتژی یک محصول، بازار یا گونهٔ تقلب هستید. پیش از عرضهٔ محصول تازه ریسک را می‌سنجید، میان زیان، رشد و تجربهٔ کاربر تصمیم می‌گیرید و نتیجه را به مدیران و نهادهای حاکمیت ریسک گزارش می‌دهید.
- ◆ارزیابی ریسک تقلب برای عرضهٔ یک روش پرداخت در بازار تازه
- ◆طراحی A/B test برای یک استراتژی مبتنی بر مدل
- ◆ارزیابی یک فروشندهٔ تازهٔ داده یا ابزار تشخیص
- ◆منتورینگ تحلیلگران جوان‌تر و تعیین استاندارد مستندسازی قواعد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، تنظیم و بازنگری قواعد، آستانه‌ها و workflowهای تصمیم بر پایهٔ امتیاز مدل‌ها، ویژگی‌های ML و یافته‌های تحقیقات
- ◈کاوش دادهٔ تراکنش، حساب و دستگاه با SQL و Python برای پیدا کردن الگوهای تازهٔ تقلب و شکاف‌های کنترلی
- ◈شبیه‌سازی و backtest هر قاعده یا استراتژی پیش از انتشار و سنجش اثر آن پس از انتشار، از جمله با A/B test
- ◈تعریف و پایش KPIها: زیان تقلب، نرخ تأیید، false positive، نرخ کشف و اصطکاک مشتری
- ◈تحلیل ریشه‌ای رخدادهای تقلب و محاسبهٔ اثر مالی آن‌ها برای اولویت‌بندی اصلاحات
- ◈همکاری با Data Science برای تبدیل خروجی مدل به استراتژی قابل توضیح و پیشنهاد ویژگی تازه برای مدل
- ◈خودکارسازی کارهای دستی و تکراری بررسی با ابزارهای داخلی، LLM و ایجنت
- ◈ارائهٔ نتیجه و توصیه به مدیران و تیم‌های محصول، مهندسی و عملیات به زبان روشن و غیرفنی
- ◈ارزیابی ریسک تقلب پیش از عرضهٔ محصول، روش پرداخت یا بازار تازه و تعریف کنترل‌های لازم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک تحلیلگر استراتژی مقابله با تقلب موفق به آن‌ها نیاز دارد
مهارت‌های فنی
مهم‌ترین ابزار؛ Stripe در آمریکا SQL پیشرفته و در سنگاپور SQL متوسط را شرط حداقلی گذاشته است
برای تحلیل، آزمودن استراتژی و خودکارسازی؛ Affirm و Rain تسلط به SQL و Python را با هم می‌خواهند
precision، recall و توزیع امتیاز؛ Plaid این را صریحاً شرط کرده است
نوشتن، تنظیم و بازنگری قواعد و منطق تصمیم در محیط پروداکشن (Navan، Affirm)
سنجش اثر قاعده و مدل پیش و پس از انتشار؛ Rain سه سال تجربه در استراتژی خودکار و A/B test می‌خواهد
تعریف متریک‌های قابل اعتماد و ساختن گزارش؛ Affirm مدل‌های داده را با dbt می‌سازد
Snowflake، Databricks یا Spark (فهرست آگهی Navan)
Brex به‌کارگیری ابزارهای مبتنی بر LLM و Stripe مهارت در ابزارهای AI برای خودکارسازی را می‌خواهد
Navan تحلیل روند، segmentation، خوشه‌بندی و تحلیل شبکه را برای پیدا کردن الگوهای تازه نام برده است
Stripe در آگهی Credit Risk, Fraud Strategist تجربه در predictive analytics و یادگیری ماشین را شرط کرده است
مهارت‌های نرم
Stripe توان دفاع از تصمیم با تحلیل کمّی و تصمیم‌گیری روزانهٔ پراثر را می‌خواهد
Brex توان تبدیل یافته‌های پیچیده به روایت روشن برای مدیران ارشد را «استثنایی» می‌خواهد
همهٔ آگهی‌ها همکاری با Product، Engineering، Data Science و Operations را می‌خواهند
Stripe دنبال کسی است که ناهنجاری را دنبال کند تا علت ریشه‌ای را پیدا کند
Stripe در سنگاپور می‌نویسد اطلاعات اغلب ناقص است و الگوها سریع عوض می‌شوند
دانش حوزه‌ای
ATO، هویت ساختگی، تقلب طرف اول و سوم و scams (فهرست آگهی Navan)
جریان تراکنش و chargeback؛ Affirm دانش کاری پردازش پرداخت را می‌خواهد
احراز هویت و onboarding در آگهی‌های Navan و Affirm آمده است
Brex دنبال کردن تغییرات مقرراتی را در کنار روندهای صنعت می‌خواهد
Certified Fraud Examiner؛ در امتیازهای آگهی Brex و Robinhood آمده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به تحلیلگر استراتژی مقابله با تقلب
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
SQL، Python و کار با دادهٔ تراکنش
ابزار روزمرهٔ این کار SQL است. Stripe در آگهی Fraud Strategist آمریکا «SQL پیشرفته» را شرط حداقلی گذاشته و Brex «SQL و/یا Python» را برای پاک‌سازی داده، مدل‌سازی آماری و خودکارسازی می‌خواهد. هدف این مرحله این است که بتوانید روی جدول تراکنش‌ها و حساب‌ها هر سؤالی را خودتان جواب بدهید.
آمار، متریک‌ها و آزمایش
کار اصلی شما سنجیدن است: یک قاعدهٔ تازه چقدر تقلب را می‌گیرد و چند مشتری درستکار را اذیت می‌کند. Brex از این نقش تعریف و پایش KPIهایی مثل false positive rate و fraud capture rate را می‌خواهد و Navan آزمایش و A/B test روی قواعد، آستانه‌ها و استراتژی‌های مبتنی بر مدل را. precision، recall و طراحی آزمایش را اینجا یاد بگیرید.
دانش حوزهٔ تقلب و پرداخت
باید انواع تقلب را بشناسید تا بدانید در داده دنبال چه بگردید. Navan آشنایی با کارت و جریان تراکنش، احراز هویت و گونه‌های تقلب را می‌خواهد: تصاحب حساب (ATO)، هویت ساختگی (synthetic identity)، تقلب طرف اول و سوم و کلاهبرداری‌های فریب‌محور (scams). راهنمای Stripe هم توضیح می‌دهد chargeback چیست و چرا هر تصمیم مسدودسازی هزینهٔ دوطرفه دارد.
یادگیری ماشین برای تشخیص تقلب
لازم نیست خودتان مدل تولیدی بسازید، اما باید خروجی آن را بفهمید. Plaid در آگهی Fraud Strategist صریحاً نوشته این نقش مدل نمی‌سازد، ولی باید خروجی مدل، مثل precision/recall و توزیع امتیاز، را آن‌قدر خوب بفهمد که برای مخاطب غیرفنی توضیح دهد. دادهٔ تقلب به‌شدت نامتوازن است؛ کتاب رایگان ULB یک فصل کامل به همین موضوع داده است.
قواعد، موتور تصمیم و ابزارهای AI در عمل
حالا همه را کنار هم بگذارید: قاعده‌ای که روی سطح ریسک مدل نوشته می‌شود، شبیه‌سازی اثر آن روی داده‌های گذشته و پایش بعد از انتشار. مستندات Stripe Radar نمونهٔ خوبی از این زبان قاعده است. آگهی‌های ۲۰۲۶ ابزارهای LLM را هم به این کار اضافه کرده‌اند: Brex به‌کارگیری ابزارهای مبتنی بر LLM برای تشخیص و خودکارسازی شناسایی الگوهای تقلب را می‌خواهد و Stripe در سنگاپور راه‌حل‌های مبتنی بر ایجنت برای خودکار کردن workflowهای ریسک.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
داده و تحلیل
ابزار اصلی کار؛ در آگهی‌های Stripe، Brex، Navan، Lyft، Affirm و Rain آمده و Stripe در آمریکا «SQL پیشرفته» را شرط حداقلی گذاشته است
برای تحلیل، آزمودن استراتژی و خودکارسازی؛ Affirm تسلط به SQL و Python و Navan دانش کاری Python برای تحلیل و اعتبارسنجی استراتژی را می‌خواهد
مدل‌سازی و سنجش
کتابخانهٔ پایهٔ یادگیری ماشین در Python؛ ابزار precision_recall_curve آن برای انتخاب آستانه به کار می‌آید و Socure آن را در آگهی Data Scientist II نام برده است
کتابخانهٔ gradient boosting برای دادهٔ جدولی، که برای ساختن مدل‌های تمرینی روی دادهٔ تراکنش مناسب است
توضیح اینکه هر ویژگی چقدر در امتیاز مدل اثر داشته؛ برای ساختن استراتژی «قابل توضیح» که Navan می‌خواهد
قواعد و پلتفرم‌های تصمیم
قواعد Radar روی سطح ریسکی نوشته می‌شوند که مدل‌های AI استرایپ می‌دهند و رابط آزمون آن اثر قاعده را روی ۶ ماه تراکنش گذشته شبیه‌سازی می‌کند
پلتفرم ریسک که موتور قاعده، یادگیری ماشین، سیگنال دستگاه و رفتار و مدیریت پرونده را کنار هم ارائه می‌کند
پلتفرم مقابله با تقلب و جرایم مالی مبتنی بر AI، با راه‌حل‌هایی برای بانک‌ها و شرکت‌های پرداخت
گزارش، مدل داده و ابزارهای AI
ساختن مدل‌های داده و تبدیل‌های SQL قابل نگهداری؛ Affirm آن را برای استانداردسازی دادهٔ تقلب و تراکنش نام برده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر عملیات یا تحقیقات تقلب (نقطهٔ ورود)
۰ تا ۲ سال
بررسی هشدارها و پرونده‌ها، تحلیل سیگنال‌های تراکنش و رفتار و مستندسازی تصمیم؛ آگهی Fraud Investigations Analyst در Robinhood برای ۰ تا ۲ سال تجربه، ۲۳ تا ۲۷ دلار در ساعت پیشنهاد می‌دهد
تحلیلگر استراتژی تقلب / Fraud Strategy Associate
۲ تا ۵ سال
~$125K
میانگین سالانه (آمریکا)
طراحی و تنظیم منطق تشخیص، پایش KPIها و ساختن گزارش برای مدیران؛ آگهی Brex برای این سطح ۳ سال تجربه می‌خواهد
Fraud Strategist ارشد
۵+ سال
~$202K
میانگین سالانه (آمریکا)
مالکیت استراتژی یک محصول یا بازار، ارزیابی ریسک پیش از عرضهٔ محصول تازه و همکاری نزدیک با Data Science و Engineering؛ Stripe در آمریکا ۶ سال و Plaid ۵ تا ۱۰ سال تجربه می‌خواهد
Lead / Decision Scientist استراتژی تقلب
۷+ سال
تعیین نقشهٔ راه بلندمدت استراتژی تقلب، از ابزار و موتور قاعده تا ادغام مدل و خودکارسازی، و منتورینگ تحلیلگران؛ آگهی Navan ۷ تا ۱۰+ سال و آگهی Affirm ۷+ سال تجربه می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
طرف مقابل خودش را تطبیق می‌دهد
عمومیقاعدهای که امروز جواب می‌دهد، فردا دور زده می‌شود. Stripe در آگهی Fraud Strategist می‌نویسد ماهیت کار سریع عوض می‌شود تا با چالش‌های تازه‌تر و پیچیده‌تر مقابله شود و Rain از راه‌های تازهٔ تقلبی می‌گوید که فناوری پرداخت جدید باز می‌کند.
بده‌بستان زیان و اصطکاک
عمومیهر قاعدهٔ سخت‌گیرتر تقلب کمتری را رد می‌کند، اما مشتری سالم بیشتری را هم اذیت می‌کند. راهنمای Stripe همین بده‌بستان را توضیح می‌دهد و Navan متریک‌های زیان تقلب، نرخ تأیید، false positive و اصطکاک مشتری را با هم به این نقش می‌سپارد.
برچسب دیر می‌رسد
عمومیمعلوم شدن اینکه یک تراکنش واقعاً تقلب بوده زمان می‌برد؛ راهنمای Stripe توضیح می‌دهد صاحب کارت ممکن است بعداً متوجه شود و از راه بانک chargeback ثبت کند. پس اثر یک قاعدهٔ تازه را همیشه نمی‌شود فوراً و کامل سنجید.
AI مولد در دست متقلبان
عمومیDeloitte پیش‌بینی می‌کند AI مولد زیان تقلب در آمریکا را تا ۲۰۲۷ به ۴۰ میلیارد دلار برساند. تحلیلگر باید الگوهایی را بشناسد که پیش‌تر وجود نداشتند و دفاع را سریع‌تر از قبل به‌روز کند.
در دسترس بودن در اوج حمله
شرکت بزرگحملهها برنامهٔ اداری نمی‌شناسند. Affirm از این نقش می‌خواهد در زمان اوج فعالیت تقلب پاسخ‌گو و در دسترس باشد.
ورود بدون سابقه سخت است
عمومیآگهیهای استراتژی معمولاً تجربه می‌خواهند: Brex ۳+ سال، Stripe در سنگاپور ۴ تا ۸ سال و در آمریکا ۶+ سال، Navan ۷ تا ۱۰+ سال. نقش‌های ۰ تا ۲ سال بیشتر در تحقیقات و عملیات تقلب پیدا می‌شوند، مثل آگهی Robinhood.
حقوق و بازار کار جهانی
حقوق جهانی تحلیلگر استراتژی مقابله با تقلب
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, Fraud Strategy Analyst, estimate updated Apr 2025, total pay: 25th–75th pct; median = average (25 salaries)
- Brex posting, Fraud Strategy Associate (San Francisco / New York / Seattle, 3+ yrs), published Oct 21 2026: posted base salary range; median = midpoint
- Stripe posting, Fraud Strategist (US offices or remote, 6+ yrs), published Aug 21 2026: posted US base salary range; median = midpoint
- Glassdoor Canada, Fraud Strategy Analyst, estimate updated Oct 2026, total pay: 25th–75th pct; median = average (238 salaries)
- Lyft posting, Fraud & Risk Analyst (Toronto, 5+ yrs), published Aug 12 2026: posted base pay range; median = midpoint
- Glassdoor UK, Fraud Strategy Analyst, estimate updated Oct 2026, total pay: 25th–75th pct; median = average (16 salaries)
- Stripe posting, Fraud Strategist (Singapore; 4–8 yrs required, spans mid and senior), published Sep 15 2026: posted annual salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: SQL پیشرفته و Python
window function، join های پیچیده و تحلیل دادهٔ رویدادمحور را تمرین کنید؛ Python را در حد pandas محکم کنید.
ماه ۲: دانش حوزهٔ تقلب
گونه‌های تقلب، chargeback و بده‌بستان false positive و false negative را بخوانید.
ماه ۳: متریک‌ها و داشبورد
با شبیه‌ساز تراکنش کتاب ULB داده بسازید و پروژهٔ داشبورد سلامت تقلب را تمام کنید.
ماه ۴: قاعده و backtest
زبان قاعدهٔ Stripe Radar را بخوانید و چند قاعده روی دادهٔ خودتان شبیه‌سازی کنید.
ماه ۵: فهم مدل
precision، recall و دادهٔ نامتوازن را یاد بگیرید و یک مدل ساده بسازید تا خروجی‌اش را بفهمید.
ماه ۶: پورتفولیو و درخواست
پروژه‌ها را با README و یک یادداشت تصمیم مرتب کنید و برای نقش‌های عملیات تقلب، Fraud Strategy Associate یا Risk Analyst اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
داشبورد سلامت تقلب روی دادهٔ شبیه‌سازی‌شده
مبتدیبا شبیه‌ساز تراکنش کتاب رایگان ULB یک مجموعه‌دادهٔ ساختگی بسازید و با SQL و یک ابزار داشبورد، متریک‌هایی مثل نرخ تقلب، مبلغ زیان، نرخ تأیید و false positive را در طول زمان نشان دهید. در README توضیح دهید هر متریک چه تصمیمی را پشتیبانی می‌کند.
backtest چند قاعدهٔ تشخیص
متوسطچند قاعدهٔ ساده (مثلاً بر پایهٔ مبلغ، تعداد تراکنش در ساعت گذشته یا کشور کارت) بنویسید و مثل رابط آزمون Stripe Radar، اثر هر کدام را روی چند ماه دادهٔ گذشته بسنجید: چند تقلب را می‌گیرد، چند تراکنش سالم را مسدود می‌کند و چند پرونده به صف بررسی می‌فرستد.
مدل تشخیص تقلب و انتخاب آستانه بر پایهٔ هزینه
متوسطروی دادهٔ مسابقهٔ IEEE-CIS یک مدل gradient boosting بسازید، با اعتبارسنجی زمانی ارزیابی کنید و آستانه را نه با دقت کلی، بلکه با هزینهٔ تقلب از دست رفته در برابر هزینهٔ مسدود کردن مشتری سالم انتخاب کنید. منحنی precision-recall و استدلال انتخاب را گزارش کنید.
استراتژی ترکیبی مدل و قاعده با طرح آزمایش
پیشرفتهامتیاز مدل پروژهٔ قبلی را به چند بازهٔ ریسک تقسیم کنید و برای هر بازه تصمیم بگیرید: تأیید، بررسی دستی یا مسدودسازی. بعد یک یادداشت دوصفحه‌ای بنویسید که این استراتژی را چطور با A/B test و با چه متریک‌هایی (زیان، نرخ تأیید، اصطکاک مشتری) می‌سنجید.
دستیار LLM برای خلاصه‌سازی پرونده‌های بررسی
پیشرفتهروی یادداشت‌های پروندهٔ ساختگی، ابزاری بسازید که با یک LLM خلاصه، دستهٔ احتمالی تقلب و شواهد کلیدی هر پرونده را بیرون بکشد. خروجی را با چند ده نمونهٔ برچسب‌خورده بسنجید و تصمیم نهایی را همیشه به انسان بسپارید؛ محدودیت‌ها را صادقانه گزارش کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق صفحهٔ معرفی‌اش در Point Predictive، از بنیان‌گذاران BasePoint Analytics بود که CoreLogic آن را خرید و در آنجا به معرفی فناوری‌های تازهٔ تشخیص ریسک و الگو به صنعت بانکداری و وام مسکن کمک کرد. تیم‌های جهانی مشاورهٔ تقلب را در BasePoint Analytics، CoreLogic و FICO رهبری کرده و پروژه‌هایی در آمریکا، استرالیا، بریتانیا، کانادا و آسیا انجام داده است.
امروز Chief Strategist شرکت Point Predictive است و طبق همین صفحه با بیش از ۱۰۰ بانک، وام‌دهنده و شرکت در سراسر جهان روی طراحی استراتژی، راه‌حل و روش‌های عملیاتی برای کاهش هزینه کار کرده است.
مسیر او نشان می‌دهد عنوان «استراتژیست» در این حوزه از ترکیب داده، تحلیل و فرایند می‌آید، نه فقط از ابزار. کسی که هر سه را کنار هم بفهمد، می‌تواند از تحلیل به طراحی برنامه‌های مقابله با تقلب در مقیاس بزرگ برسد.
دکترای علوم کامپیوتر را از University of Wisconsin-Madison گرفته، Fulbright Fellow و استاد مدعو Carnegie Mellon بوده و استاد مدعو Universidade de Lisboa – IST است.
هم‌بنیان‌گذار و Chief Science Officer شرکت Feedzai است و بخش پژوهش آن را اداره می‌کند. طبق صفحهٔ معرفی Feedzai، در ساختن پلتفرم RiskOps این شرکت برای مقابله با تقلب مالی نقش داشته و نویسنده یا هم‌نویسندهٔ بیش از ۱۰۰ مقالهٔ علمی و بیش از ۹۰ درخواست ثبت اختراع است.
زمینه‌های مورد علاقه‌ای که خودش نام می‌برد، پردازش دادهٔ پرسرعت، یادگیری ماشین، AI مسئولانه و مصورسازی داده، تقریباً همان چیزهایی است که یک سیستم ضدتقلب لحظه‌ای لازم دارد. به نظر می‌رسد در این حوزه پژوهش و محصول خیلی به هم نزدیک‌اند.
عضو Machine Learning Group در Université Libre de Bruxelles (بلژیک) و نویسندهٔ رابط (contact author) کتاب Reproducible Machine Learning for Credit Card Fraud Detection است. طبق پیش‌گفتار کتاب، این اثر حاصل ده سال همکاری این گروه با شرکت Worldline است.
این کتاب را همراه Wissam Siblini، Bertrand Lebichot و Gianluca Bontempi به‌صورت رایگان و متن‌باز منتشر کرده است: همهٔ بخش‌های کددار نوت‌بوک Jupyter هستند و روی کامپیوتر خود خواننده یا در Google Colab اجرا می‌شوند. کتاب به موضوع‌هایی می‌پردازد که به گفتهٔ نویسندگان کمتر مستند شده‌اند، مثل انتخاب متریک ارزیابی و راهبرد اعتبارسنجی.
انتشار کار به‌صورت باز و قابل تکرار، دانش یک همکاری صنعتی را به منبع آموزشی برای همه تبدیل کرده است. برای تازه‌واردی که به دادهٔ واقعی تقلب دسترسی ندارد، همین شبیه‌ساز و نوت‌بوک‌ها نزدیک‌ترین تمرین به کار واقعی است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Fraud Strategy Associate
تحلیل نیازمندی‌ها
Industry Experience: 3+ years of experience in fraud strategy, risk operations, or data-driven business operations within a financial services or high-growth fintech environment.
سه سال تجربه کافی است و «عملیات ریسک» هم پذیرفته می‌شود؛ یعنی کسی که در تیم عملیات یا تحقیقات تقلب یک بانک یا فین‌تک کار کرده، مستقیم واجد شرایط است.
ضروریTechnical Mastery: Capable with SQL and/or Python for data wrangling, statistical modeling, and automation.
«و/یا» یعنی تسلط به یکی کافی است، اما باید بتوانید با آن داده را تمیز کنید، مدل آماری ساده بسازید و کار تکراری را خودکار کنید. در عمل SQL پایهٔ کار روزانه است.
ضروریOperational Mindset: Proven ability to build scalable processes and manage complex projects from data exploration through to operational rollout.
کار با تحلیل تمام نمی‌شود؛ باید یافته را تا اجرای واقعی در فرایند شرکت ببرید. نمونه‌ای از کاری که از تحلیل تا اجرا برده‌اید، در مصاحبه وزن زیادی دارد.
مهمCommunication: Exceptional ability to synthesize complex analytical findings into clear, executive-level strategic narratives.
مخاطب شما مدیران ارشدند. باید بتوانید نتیجهٔ یک تحلیل پیچیده را در چند جملهٔ روشن بگویید: مشکل چیست، چقدر هزینه دارد و چه پیشنهادی دارید.
مهمAdvanced Certification: Certified Fraud Examiner (CFE) designation.
مدرک CFE انجمن ACFE امتیاز است، نه شرط. برای کسی که از رشتهٔ غیرمرتبط می‌آید، راهی برای نشان دادن دانش حوزه است.
مفیدExperience with Snowflake, Salesforce, and data visualization platforms like Hex.
ابزارهای مشخص این شرکت‌اند؛ اگر SQL را خوب بلد باشید، یاد گرفتن Snowflake و Hex سریع است.
مفیدExperience utilizing AI tools to enhance internal operational efficiency.
کارفرما انتظار دارد خودتان با ابزارهای AI کار کنید و کارهای دستی تیم را با آن‌ها سریع‌تر کنید؛ نمونهٔ واقعی از چنین خودکارسازی در رزومه ارزشمند است.
مفیدتحلیل مسئولیت‌ها
Data Mining: Use SQL and Python to mine large-scale data, and apply LLM-based tools to detect and automate the identification of fraudulent patterns across credit, deposit, and card payment rails.
این همان بخش «AI» شغل است: علاوه بر کوئری، از LLM برای پیدا کردن و خودکار کردن تشخیص الگوها استفاده می‌کنید. دامنه هم گسترده است: اعتبار، سپرده و پرداخت کارتی.
Vendor and Rule Optimization: Design and refine automated detection logic to proactively mitigate risk while maintaining a frictionless experience for legitimate customers.
قلب کار: نوشتن و تنظیم منطق تشخیص، با این قید که مشتری درستکار اذیت نشود. «Vendor» یعنی تنظیم ابزارهای فروشندگان بیرونی هم با شماست.
Emerging Threat Intelligence: Stay ahead of industry trends and regulatory shifts to rapidly deploy new defensive strategies against novel fraud vectors.
باید روندهای تازهٔ تقلب و تغییرات مقرراتی را دنبال کنید و دفاع تازه را سریع مستقر کنید؛ یادگیری در این شغل هیچ‌وقت تمام نمی‌شود.
Workflow Architecture: optimize the internal processes for fraud investigations, ensuring operational discipline, case visibility, and high-fidelity documentation.
فرایند تیم تحقیقات هم به شما مربوط است: اینکه پرونده‌ها چطور دیده، پیگیری و مستند شوند.
Tooling & Infrastructure: Define and manage the technical requirements for internal AI-driven tools and third-party risk-reduction platforms.
خودتان ابزار را نمی‌سازید، اما مشخص می‌کنید ابزار AI داخلی یا پلتفرم بیرونی باید چه کند؛ نوشتن نیازمندی روشن برای مهندسان بخشی از کار است.
KPI Management: Define and monitor key performance indicators (KPIs) such as false positive rates, fraud capture rates, and operational turnaround times.
سه متریک اصلی همین‌جا آمده‌اند: چند مشتری سالم اشتباهی گرفته شده‌اند، چه سهمی از تقلب کشف شده و پرونده‌ها با چه سرعتی رسیدگی می‌شوند.
Impact Assessment: Conduct deep-dive post-mortems on fraud incidents to quantify financial impact and recommend structural process improvements.
پس از هر رخداد باید بگویید چه شد، چقدر هزینه داشت و چه تغییری جلوی تکرارش را می‌گیرد؛ تحلیل ریشه‌ای مهارتی است که در مصاحبه هم می‌سنجند.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ AIمحور این شغل در ۲۰۲۶ می‌دهد: تحلیلگری با سه سال تجربه که با SQL یا Python و ابزارهای مبتنی بر LLM الگوهای تقلب را پیدا می‌کند، منطق تشخیص را تنظیم می‌کند، KPIها را می‌پاید و نتیجه را برای مدیران روایت می‌کند. آگهی شرط مدرک دانشگاهی ندارد و مدرک CFE را امتیاز می‌داند. بازهٔ حقوق پایه در آگهی سانفرانسیسکو ۱۱۱٬۱۹۷ تا ۱۳۸٬۹۹۶ دلار در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای Fraud Strategy Analyst وجود ندارد. نزدیک‌ترین گروه در O*NET «Fraud Examiners, Investigators and Analysts» است که Fraud Analyst یکی از عنوان‌های گزارش‌شدهٔ آن است. O*NET داده‌های اشتغال این گروه را از گروه بزرگ‌تر «Financial Specialists, All Other» می‌گیرد و برای آن از ۲۰۲۵ تا ۲۰۳۵ رشد «متوسط» (۳ تا ۴٪) در آمریکا نشان می‌دهد. این گروه بیشتر بازرسان و محققان تقلب را در بر می‌گیرد و تصویر دقیقی از تقاضا برای نقش‌های داده‌محور این صفحه نمی‌دهد.
منبع: O*NET OnLine — Fraud Examiners, Investigators and Analysts (13-2099.04), projections 2025–35 (data for Financial Specialists, All Other)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش ۲۰۲۴ ACFE و SAS، که بر پایهٔ نظرسنجی از نزدیک به ۱٬۲۰۰ عضو ACFE در اواخر ۲۰۲۳ است، ۱۸٪ متخصصان ضدتقلب گفتند از AI/ML استفاده می‌کنند و ۳۲٪ دیگر انتظار داشتند ظرف دو سال آن را به کار بگیرند. ۸۳٪ هم انتظار داشتند در همین مدت AI مولد را به ابزارهایشان اضافه کنند.
مرکز خدمات مالی Deloitte پیش‌بینی می‌کند AI مولد زیان تقلب در آمریکا را از ۱۲٫۳ میلیارد دلار در ۲۰۲۳ به ۴۰ میلیارد دلار در ۲۰۲۷ برساند؛ یعنی رشد مرکب سالانهٔ ۳۲٪.
O*NET برای گروه رسمی «Fraud Examiners, Investigators and Analysts»، با داده‌های گروه بزرگ‌تر Financial Specialists, All Other، از ۲۰۲۵ تا ۲۰۳۵ رشد «متوسط» ۳ تا ۴٪ اشتغال در آمریکا پیش‌بینی می‌کند.
دو روند هم‌زمان دیده می‌شود. از یک سو ابزار متقلبان قوی‌تر شده است: Deloitte پیش‌بینی می‌کند AI مولد زیان تقلب در آمریکا را تا ۲۰۲۷ به ۴۰ میلیارد دلار برساند. از سوی دیگر بخشی از کار خود تحلیلگر خودکار می‌شود: Brex از تحلیلگر می‌خواهد شناسایی الگوها را با LLM خودکار کند و Stripe کارهای دستی و تکراری را با ابزار و ایجنت. نتیجهٔ عملی این است که کسی که فقط پرونده بررسی می‌کند یا قاعدهٔ دستی می‌نویسد آسیب‌پذیرتر است از کسی که خروجی مدل را می‌فهمد، اثر تصمیم را می‌سنجد و خودکارسازی را طراحی می‌کند. در عین حال پذیرش AI کندتر از انتظار پیش رفته است: طبق ACFE و SAS، استفاده از AI و ML در برنامه‌های ضدتقلب از ۲۰۱۹ تنها ۵٪ رشد کرده و از پیش‌بینی‌های قبلی خیلی عقب مانده است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۶ منبع بررسی شده است.
- Fraud Strategy Associate — Brex, San Francisco (job posting)
- Fraud Strategist — Stripe, US (job posting)
- Fraud Strategist — Stripe, Singapore (job posting)
- Credit Risk, Fraud Strategist — Stripe (job posting)
- Data Scientist, Fraud — Stripe, Toronto (job posting)
- Fraud Strategist — Plaid (job posting)
- Data Scientist - Fraud — Plaid (job posting)
- Fraud Strategy Decision Scientist — Navan (job posting)
- Fraud & Risk Analyst — Lyft, Toronto (job posting)
- Analytics Lead, Deposit Fraud Risk — Affirm (job posting)
- Staff Software Engineer, Backend (Fraud Decisioning) — Affirm (job posting)
- Data Scientist - Fraud Risk — Rain (job posting)
- Data Scientist II, Fraud & Risk — Socure (job posting)
- Fraud Investigations Analyst — Robinhood (job posting)
- Glassdoor — Fraud Strategy Analyst salaries, United States
- Glassdoor — Fraud Strategy Analyst salaries, Canada
- Glassdoor — Fraud Strategy Analyst salaries, United Kingdom
- O*NET OnLine — Fraud Examiners, Investigators and Analysts (13-2099.04)
- Deloitte — Generative AI is expected to magnify the risk of deepfakes and other fraud in banking
- SAS — ACFE/SAS 2024 Anti-Fraud Technology Benchmarking Report (press release)
- Stripe — A primer on machine learning for fraud detection (Radar technical guide)
- Stripe Docs — Fraud prevention rules (Radar)
- Reproducible Machine Learning for Credit Card Fraud Detection — Foreword (ULB)
- Pedro Bizarro — Feedzai leadership
- Frank McKenna — Point Predictive leadership
- Sardine — About