Analyse des fraudes basée sur le comportement

L'analyse de la fraude basée sur le comportement identifie les fraudes en fonction de la manière dont une personne agit, plutôt qu'en fonction de ce qu'elle sait ou possède. Elle établit un modèle d'activité normale — pour un utilisateur, un segment ou une population — et signale tout écart significatif par rapport à ce modèle. Elle détecte les attaques que les contrôles d'identité ne permettent pas de repérer, mais elle peut être contournée par des attaquants suffisamment patients pour établir eux-mêmes cette base de référence.

Également appelé Analyse comportementale, détection comportementale de la fraude
Types de signaux Modèles de transaction, comportement des sessions, navigation et chronologie, signaux des appareils et du réseau, comportements biométriques tels que la dynamique de frappe et de toucher
Options de base Historique par utilisateur, segment de pairs ou normes de population
Le plus fort face à Prise de contrôle de comptes, bots et automatisation, et ingénierie sociale en cours
Le plus faible face à Les fraudes commises par le véritable titulaire du compte et les stratagèmes à long terme qui établissent leur propre référence
Fonctionne Tout au long d'une séance, et pas seulement à un moment où une décision doit être prise
Problème de démarrage à froid Un nouveau compte ne dispose d'aucun historique permettant de faire une comparaison

Comment ça marche ?

Le principe repose sur le fait que la fraude se distingue d'une utilisation légitime, même lorsque les identifiants sont corrects. Un pirate ayant volé un mot de passe dispose du bon secret, mais se comporte comme une personne qui ne connaît pas bien le compte : il navigue différemment, hésite à des endroits différents, agit plus vite ou plus lentement, et se connecte depuis un appareil et un réseau différents.

Les signaux se répartissent en trois couches. Transactionnel Ces règles portent sur les montants, les contreparties, la fréquence et le calendrier. Session Ces comportements englobent les parcours de navigation, le temps passé sur chaque page, ainsi que les habitudes de remplissage et de correction des formulaires. Interaction Ces comportements englobent la cadence de frappe, les mouvements de la souris, la pression exercée sur l'écran tactile et l'orientation de l'appareil — autant de signaux difficiles à imiter délibérément, car ils ne sont pas contrôlés consciemment.

Cette comparaison nécessite alors une référence, et le choix de cette référence détermine ce que le système est capable de détecter :

Valeur de référence Détecte Limitation
L'histoire personnelle de l'individu Une autre personne utilisant un compte connu Inutile pour un nouveau compte ; perd de son efficacité lorsque le comportement réel change
Un segment de pairs Activité inhabituelle pour ce type de client Plus grossier, et « inhabituel » ne signifie pas « frauduleux »
Modèles de fraude connus Répétitions de méthodes déjà observées Indifférent à toute nouveauté
Signaux d'automatisation démographique Bots, scripts et activités générées par des comptes automatisés Une automatisation sophistiquée reproduit la diversité humaine

Ses points forts et ses faiblesses

L'analyse comportementale est la meilleure réponse disponible à piratage de compte, car l'usurpation d'identité est précisément le cas où les identifiants sont valides mais où la personne se trompe. Ce système est également efficace contre l'automatisation à grande échelle et contre l'ingénierie sociale, lorsque l'utilisateur légitime est guidé en temps réel tout au long d'une transaction et que son hésitation transparaît.

Ces deux modes de défaillance sont d'ordre structurel et ne peuvent donc pas être corrigés par de meilleurs modèles.

La fraude interne lui échappe complètement. Lorsque c'est le véritable titulaire du compte qui commet la fraude, il n'y a pas d'anomalie comportementale : ce comportement correspond à celui de la personne sur laquelle le profil de référence a été établi. Fraude interne Il s'agit là d'un tout autre problème de détection.

Les attaquants patients établissent leur propre référence. A identité artificielle qui effectue des transactions normales depuis six mois a permis au système d'apprendre ce qu'est la « normale », et le bust-out au final, s'écarte d'une norme établie par le fraudeur. Le modèle fonctionne exactement comme prévu et donne une réponse erronée.

Pourquoi est-ce important pour la vérification d'identité ?

Ces deux types de défaillance ont une cause commune : le comportement est évalué par rapport à une référence, or celle-ci ne permet en rien de déterminer si l'identité qui se cache derrière est réelle. L'analyse comportementale vient donc compléter la vérification d'identité plutôt que de s'y substituer — un point qu'il convient de préciser, car les fournisseurs de solutions comportementales laissent parfois entendre le contraire.

Le problème du « démarrage à froid » en est l'illustration la plus parlante. Lors de l'ouverture d'un compte, il n'y a pas d'historique ; les signaux comportementaux sont donc à leur niveau le plus faible précisément au moment où la question de l'identité est la plus ouverte. C'est là que l'authentification des documents et la comparaison biométrique entrent en jeu, et c'est là que informations en temps réel Les informations relatives à l'appareil et au réseau apportent un contexte que le comportement seul ne peut pas encore fournir.

Ces deux éléments s'associent efficacement dès lors que l'ordre des étapes est respecté. Vérifiez l'identité au moment de la création du compte afin de vous assurer qu'il appartient à une personne réelle et correctement identifiée ; ensuite, confiez à l'analyse comportementale le suivi d'un compte dont les données de référence ont une valeur. Identité fictive et identité volée Les mesures de contrôle visent la population que les modèles comportementaux ne prennent pas en compte, à savoir celle qui n’a jamais disposé d’une identité légitime par rapport à laquelle s’écarter.

Ce que l'analyse comportementale ne peut pas faire

Il ne permet pas d'établir l'identité. Il détecte tout changement dans un motif. Quant à savoir à qui appartient ce motif, c'est une autre histoire.

Il n'a aucun élément sur quoi s'appuyer lors de l'intégration. L'absence d'historique signifie qu'il n'y a pas de valeur de référence par utilisateur, et les valeurs de référence par segment sont bien moins précises.

Cela pénalise le véritable changement. Un nouvel emploi, un nouveau pays, un nouvel appareil, un événement marquant dans la vie… Autant de changements de comportement tout à fait normaux, mais qu’un modèle trop sensible interprète comme un risque.

L'explicabilité constitue une véritable contrainte. Lorsqu'une décision a des répercussions sur l'accès au crédit ou à un compte, une alerte que personne ne peut expliquer est difficile à justifier auprès d'un organisme de réglementation ou du client.

La biométrie comportementale soulève des questions relatives à la vie privée. La dynamique de la frappe et celle du toucher constituent des données biométriques selon plusieurs critères, et les considérer comme de simples données télémétriques est une erreur.

Foire aux questions

Qu'est-ce que l'analyse de la fraude basée sur le comportement ?

Méthode de détection des fraudes consistant à comparer le comportement d'une personne à un modèle attendu, plutôt qu'à vérifier ses connaissances ou ce qu'elle possède. Elle s'appuie sur les schémas de transaction, la navigation au cours d'une session et des signaux d'interaction tels que le rythme de frappe et la dynamique tactile, et signale tout écart significatif.

En quoi cela diffère-t-il de la détection de la fraude basée sur des règles ?

Les règles codifient des schémas spécifiques connus à l'avance ; elles sont explicables mais statiques. L'analyse comportementale apprend ce qui est normal et signale les écarts par rapport à cette norme, ce qui permet de détecter des méthodes pour lesquelles aucune règle n'a été définie — au prix d'une plus grande difficulté à les expliquer. La plupart des programmes utilisent les deux approches.

L'analyse comportementale permet-elle de détecter la fraude d'identité synthétique ?

C'est rare, en soi. Une identité synthétique qui se comporte normalement pendant des mois établit justement la référence par rapport à laquelle le modèle effectue ses mesures ; ainsi, tout écart ultérieur s'écarte d'une norme créée par le fraudeur. La détection des identités synthétiques relève d'un problème d'identité, qui est traité dès l'ouverture du compte.

La biométrie comportementale est-elle la même chose que l'analyse comportementale ?

La biométrie comportementale en est un sous-ensemble. Elle désigne plus précisément les signaux d'interaction tels que le rythme de frappe, les mouvements de la souris et la pression exercée lors du toucher. L'analyse comportementale a une portée plus large, puisqu'elle englobe également les modèles de transactions et de sessions ; seules certaines de ces données constituent des données biométriques au sens réglementaire du terme.

Lectures complémentaires

Découvrez nos solutions

L’exploration de nos solutions est à portée de clic. Essayez nos produits ou discutez avec l’un de nos experts pour approfondir notre offre.

Rapport
Analyse de la montée en puissance de la fraude à l'identité alimentée par l'IA

L'IA n'a pas seulement accéléré la fraude. Elle en a fait un véritable système. Nous avons analysé des millions d'interactions liées à l'identité afin de cartographier l'évolution des attaques d'usurpation d'identité selon les régions, les types d'attaques et les niveaux de sophistication — et d'identifier ce que les organisations doivent repenser pour rester dans la course.

Consultez les données