D-Analyse, détection de fraude douanière

Le projet

La Douane Malagasy cherchait à mieux détecter la fraude lors des importations par voie maritime. Le contrôle était manuel, alors qu’une grande quantité de données restait inexploitée.

Les déclarations, leurs articles et les fraudes constatées vivent dans des tables distinctes : il a d’abord fallu les relier pour étiqueter chaque article, puis préparer des données très déséquilibrées, où les fraudes sont rares.

J’ai ensuite entraîné un modèle qui estime la probabilité de fraude d’un article, et développé D-Analyse pour que les inspecteurs et les analystes accèdent aux statistiques les plus demandées, lancent des prédictions et en tirent des rapports.

Contribution

Étiqueter les données

Jointure des déclarations, de leurs articles et des fraudes constatées, pour savoir quels articles ont fraudé.

Préparer les données

Séparation entraînement et test avant tout traitement, valeurs manquantes complétées par K-NN et par mode, encodage one-hot et target encoding, standardisation.

Rééquilibrer les classes

Les déclarations non frauduleuses sont regroupées en 50 classes par K-Means, puis 10 % de chaque classe forment le sous-échantillon d’entraînement.

Entraîner et régler le modèle

Classification probabiliste, hyperparamètres cherchés avec GridSearchCV, entraînement et métriques avec scikit-learn.

Un tableau de bord

Les statistiques les plus demandées par l’équipe d’analyse : articles par importateur, classements, évolution des valeurs et des volumes, comparaison des prix unitaires.

Des prédictions à la demande

Les analystes soumettent un fichier Excel et obtiennent le risque de fraude estimé par le modèle.

Un module de rapport

Un éditeur de texte riche où l’on importe les graphiques du tableau de bord, puis un export en PDF.

Une API sécurisée

API Flask protégée par jetons JWT ; les traitements Pandas sont faits côté serveur, le front n’a qu’à afficher.

En images

D-Analyse : le tableau de bord des statistiques d’importation — Le tableau de bord : articles par importateur, classement des articles et des importateurs. Codes des importateurs floutés.

D-Analyse : le module de rapport, avec les graphiques importés dans l’éditeur — Le module de rapport : les graphiques du tableau de bord sont importés dans l’éditeur, puis exportés en PDF.

Architecture de D-Analyse : React, API Flask et base SQLite — L’architecture : un front React (Redux Toolkit, Chart.js, ReactQuill), une API Flask sécurisée par JWT qui traite les données avec Pandas, et une base SQLite.

Annexe du mémoire : l’algorithme des K-Means — Extrait de mon mémoire : l’algorithme des K-Means, utilisé pour sous-échantillonner les déclarations non frauduleuses avant l’entraînement.

1 / 4