Faux positif
Un faux positif est un résultat qui indique la présence d'une situation alors qu'elle n'existe pas. Dans le domaine de la prévention de la fraude et de la conformité, cela signifie qu'un client, une demande ou une transaction légitime a été signalé(e) comme suspect(e) — une personne réelle bloquée par un contrôle destiné à empêcher quelqu'un d'autre d'agir.
C'est l'un des deux éléments d'une paire. L'autre, un faux négatif, correspond à une fraude qui a échappé au contrôle. Chaque contrôle génère ces deux éléments, et aucun paramétrage ne permet de les éliminer.
| Définition | Un cas légitime identifié à tort comme suspect |
| Erreur inverse | Faux négatif — fraude considérée à tort comme légitime |
| Également appelé | Fausse alerte, erreur de type I |
| Où ils se concentrent | Vérification des sanctions, surveillance des transactions, prise de décision relative aux demandes |
| Qui le ressent ? | Le client d'abord, l'équipe de révision ensuite |
| Mesuré par | Taux de faux positifs et le taux de fausses découvertes |
Les quatre résultats
Toute instruction qui entraîne une décision binaire produit quatre résultats, et c'est en les désignant avec précision que l'on peut poursuivre la discussion.
| Vraiment frauduleux | Vraiment légitime | |
|---|---|---|
| Signalé | Vrai positif — le contrôle a fonctionné | Faux positif — un véritable client a été interpellé |
| Adopté | Faux négatif — une fraude a pu passer | Vrai négatif — le contrôle a fonctionné |
Ces deux erreurs sont liées par le seuil de décision. Le fait de le resserrer transforme simultanément les faux négatifs en vrais positifs et les vrais négatifs en faux positifs. Il n'existe aucun seuil permettant de réduire ces deux types d'erreurs à la fois ; c'est pourquoi les débats visant à déterminer si un système est « trop strict » ou « trop laxiste » portent en réalité sur le coût relatif de ces deux erreurs.
Qui paie réellement en cas de faux positif ?
Ce coût est généralement qualifié de « main-d'œuvre de révision », ce qui en représente la partie la plus infime et la seule que l'organisation perçoit directement.
C'est le client qui en supporte la plus grande partie, et cette charge n'est pas répartie de manière équitable. Une demande signalée correspond à une personne qui attend — souvent au moment même où elle a le plus besoin que le service fonctionne. Un paiement bloqué correspond à une facture impayée. Une inscription refusée envoie une personne vers un concurrent, et celle-ci revient rarement. Aucun de ces éléments n’apparaît dans les chiffres de l’équipe chargée de la lutte contre la fraude, et la plupart apparaissent dans ceux d’autres services : taux de conversion, volume d’assistance, réclamations.
La répartition est plus importante que la moyenne. Les faux positifs touchent de manière disproportionnée les personnes qui s'écartent de ce que le système considère comme normal : dossier succinct les clients, les nouveaux arrivants, les personnes dont le nom peut être transcrit de plusieurs façons, celles qui ont récemment déménagé ou changé de nom, ainsi que les utilisateurs d'appareils plus anciens. Le taux global de faux positifs peut s'améliorer alors que la charge pesant sur un groupe spécifique s'alourdit, sans que ce chiffre global ne le reflète en quoi que ce soit.
Il s'agit là d'un problème d'équité qui, sur les marchés réglementés, relève de plus en plus de la surveillance. C'est également un problème commercial, car les groupes les plus touchés sont souvent les segments en pleine croissance.
Pourquoi est-ce important pour la vérification d'identité ?
Le cadre qui permet de gérer les faux positifs : Un faux positif n'est généralement pas un cas où le système s'est trompé. Il s'agit d'un cas pour lequel le système n'a pas pu se prononcer et qui a été transmis à un niveau supérieur par défaut.
A vérification des sanctions Une alerte concernant un client dont le nom est identique à celui d'une personne désignée ne constitue pas une erreur de mise en correspondance. Le moteur a fonctionné comme prévu. Il ne disposait que d'un nom, et rien d'autre ; or, un nom à lui seul ne permet pas de distinguer deux personnes.
Cette distinction met en évidence la seule intervention qui permet de corriger ces deux types d'erreurs simultanément. Le fait de modifier le seuil revient à privilégier l'une au détriment de l'autre, selon une courbe déterminée par les données. L'ajout d'un attribut discriminant déplace la courbe. Une date de naissance vérifiée élimine définitivement tout risque de confusion entre les noms. Les identifiants vérifiés permettent d'associer plusieurs demandes à une même personne réelle, ce qui transforme un signal de vélocité ambigu en une réponse claire, quelle que soit la direction.
C'est pourquoi la vérification d'identité lors de l'intégration permet de réduire le volume d'alertes pendant des années par la suite, et pourquoi cet avantage passe généralement inaperçu dans l'analyse de rentabilité : le coût est pris en charge par le service d'intégration, tandis que les économies réalisées profitent aux services chargés de la conformité.
Ce que la réduction des faux positifs ne permet pas de faire
Cela ne peut pas se faire uniquement par le réglage. Chaque modification du seuil qui réduit les faux positifs augmente les faux négatifs. Seules les nouvelles informations échappent à ce mécanisme.
On ne peut pas se prononcer uniquement sur la base du taux. Un test de contrôle qui ne signale aucun cas présente un taux de faux positifs de 100 % et ne détecte rien. Ce chiffre n'a aucun sens s'il n'est pas associé au taux de détection avec lequel il a été obtenu.
Il n'est pas possible de le comparer d'une organisation à l'autre. Des populations différentes, présentant des taux de fraude différents, génèrent des compositions d'alertes différentes à partir de contrôles identiques.
Cela ne résout pas l'asymétrie sous-jacente dans la mesure. Les faux positifs génèrent du travail et des réclamations ; ils sont donc bien pris en compte. Les faux négatifs, par définition, ne sont pas détectés ; ils sont donc mal pris en compte. Les organisations ont tendance à ajuster leurs paramètres en fonction des erreurs qu’elles peuvent observer, ce qui n’est pas nécessairement celles qui coûtent le plus cher.
Foire aux questions
Quelle est la différence entre un faux positif et un faux négatif ?
Un faux positif signale comme suspect un élément légitime ; un faux négatif laisse passer un élément frauduleux. Ces deux phénomènes évoluent dans des directions opposées lorsque le seuil de décision change ; ainsi, réduire l'un en ajustant les paramètres augmente toujours l'autre.
Pourquoi y a-t-il autant de faux positifs dans le cadre des contrôles de conformité ?
Étant donné que la mise en correspondance doit être approximative pour tenir compte des variations de nom et de la translittération, les seuils sont fixés de manière prudente lorsque la responsabilité est stricte, et les entrées des listes contiennent souvent trop peu d'informations pour permettre une distinction. Il en résulte un volume d'alertes dont la grande majorité correspond à des collisions de noms plutôt qu'à des correspondances.
Un faux positif correspond-il à une erreur de type I ?
Oui. L'erreur de type I est le terme statistique désignant le rejet erroné d'une hypothèse nulle vraie, ce qui revient à signaler un élément qui n'avait en réalité rien d'anormal. L'erreur de type II correspond au faux négatif. Les termes en langage courant sont plus couramment utilisés dans le cadre des opérations de lutte contre la fraude.
Comment réduire les faux positifs sans pour autant laisser passer davantage de fraudes ?
En ajoutant des informations plutôt qu’en modifiant le seuil. Une date de naissance vérifiée, un numéro de document confirmé ou une identité clarifiée permettent de lever l’ambiguïté à l’origine de l’alerte, ce qui améliore simultanément les deux types d’erreurs. Les modifications du seuil ne permettent quant à elles que de privilégier l’un au détriment de l’autre.
Lectures complémentaires
- Taux de faux positifs — comment l'erreur est mesurée et quels sont les facteurs qui influencent son taux
- Vérification des sanctions — le groupe témoin où les faux positifs sont les plus nombreux
- Indice de fraude — à quoi s'applique le seuil de décision
- Aire sous la courbe — évaluation d'un modèle pour l'ensemble des seuils