Transaction Anomaly Detection（异常交易检测）

Skill-Transaction-Anomaly-Detection · 19-风控反欺诈

experimentoptimizationfraud_detection广告与投放客服与VOC风控与合规WF-B 广告优化WF-C 客服分诊WF-E Review监控

收录于跨境风险防御作战室

年化 ROI3-8 万元

实现难度⭐⭐☆☆☆

业务优先级⭐⭐⭐☆☆

业务视角

适用角色运营负责人 / 合规负责人 · 品牌负责人 · CEO

适用平台Amazon 刷评检测与举报 · TikTok Shop 刷单识别 · 竞品 Listing 攻击溯源

什么情况下用竞品刷单刷好评，自己的 BSR 和评分被打压；账号/ASIN 被恶意投诉删除；店铺有异常订单不确定是真实买家

成功是什么样的识别过滤刷评/恶意竞争行为，账号风险提前预警，维权有数据证据，降低封号风险

业务痛点

竞品刷评打压我们我们的好评被恶意举报删除不知道差评是真实的还是恶意的如何证明竞品恶意行为

1. 解决的问题

Isolation Forest + 动态阈值检测异常交易模式。特征：订单金额、支付方式、IP 国家 vs 收货国家、下单到支付间隔、同一 IP 下单频率、地址变更次数。

2. 核心算法逻辑

Isolation Forest + 动态阈值检测异常交易模式。特征：订单金额、支付方式、IP 国家 vs 收货国家、下单到支付间隔、同一 IP 下单频率、地址变更次数。

3. 业务应用场景

同一个 IP（印尼）在 10 分钟内下了 5 单吸奶器，收货地址美国不同州，使用 5 张不同信用卡。$z$-score 4.8 → 触发高风险预警，自动 hold 订单等待人工审核。拦截盗刷订单 $5000。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

ROI：3-8 万元 | 难度：⭐⭐☆☆☆ | 优先级：⭐⭐⭐☆☆

7. 代码模板

代码块数量：1 · 路径：未检测到

import numpy as np
from sklearn.ensemble import IsolationForest

def transaction_anomaly_score(features, window_history):
    """z-score anomaly detection with rolling baseline"""
    mu, sigma = window_history.mean(axis=0), window_history.std(axis=0) + 1e-6
    z_scores = np.abs((features - mu) / sigma)
    max_z = z_scores.max(axis=1)
    return {'z_scores': max_z, 'high_risk': max_z > 3.5}

# test
hist = np.random.randn(500, 6) * 0.5
curr = np.array([[3.0, 4.2, -2.8, 3.5, 0.1, 4.5]])  # anomalous
r = transaction_anomaly_score(curr, hist)
print(f"z-score: {r['z_scores'][0]:.1f}, high_risk: {r['high_risk'][0]}")
assert r['high_risk'][0]
print("[✓] Transaction Anomaly 测试通过")

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。