案例04｜Mastercard Decision Intelligence：100+ 變數、90% 偵測、假拒絕 −50%、年避免損失 24 億美元

一、案例定位

本案例依原書第 2 章 Mastercard Decision Intelligence 例重組。

從即時變數、Fraud Detection、False Decline 與 Prevented Losses 四個面向理解 AI Financial Risk Management。

二、學習目標

正確區分 Accuracy、False Decline Reduction 與 Financial Impact。
理解即時多變數分析的風控用途。
保留原書對 2021 部署與年度估計的敘述。

三、案例情境

原書指出 Mastercard Decision Intelligence 自 2021 全球部署，Real Time 分析每筆交易 超過 100 個 Variables，Fraud Detection Accuracy 為 90%，False Declines 降低 50%，估計每年避免 $2.4 billion 損失。

四、開始資料

指標	原書內容	解讀
部署	全球，自 2021	原書敘述
Variables	100+	每筆交易即時分析
Fraud Detection Accuracy	90%	模型績效
False Declines	降低 50%	合法交易誤拒改善
Prevented Losses	估計 $2.4B／年	原書財務影響估計

五、Excel／AI 分析方法

Excel 可追蹤 True Fraud、False Decline、Variables、Prevented Loss；AI 可協助分析 Pattern，但應分開呈現 Accuracy 與 False Decline，不能混成單一指標。

六、計算結果

原書已提供 90%、−50%、$2.4B／年；沒有交易總數，因此不能推算每筆交易平均節省。

七、結果分析與管理解讀

金融風控的價值同時來自攔截 Fraud 與減少誤拒合法客戶。單看 Fraud Accuracy 會漏掉 Customer Experience 與 Revenue Friction。

八、AI 提問詞

請分開分析 Fraud Detection Accuracy、False Decline Reduction、Prevented Losses 與 Variable Coverage，不要把不同指標合併成單一成功率。