Détection des fraudes

La détection des fraudes consiste à identifier les transactions, les comptes ou les demandes qui ne correspondent pas à ce qu'ils prétendent être, avant que le préjudice ne se produise. Parfois appelée « technologie de détection des fraudes » ou « système de détection des fraudes », elle combine des règles, l'apprentissage automatique et des indicateurs liés à l'identité et au comportement pour aboutir à une décision prise en quelques millisecondes.

Également appelé Technologie de détection de la fraude, système de détection de la fraude, analyse de la fraude
Période de décision Quelques millisecondes pour les paiements ; quelques secondes pour l'intégration
Deux types de moteurs Règles — explicites et explicables ; modèles — appris et offrant un meilleur taux de rappel
Familles de signaux courantes Identité, appareil, comportement, réseau, vitesse, transaction
Principaux types de fraude Prise de contrôle de compte, identité synthétique, données de première main, paiement, abus de promotions
Compromis fondamental Les faux positifs entraînent une perte de chiffre d'affaires et nuisent à la réputation ; les faux négatifs entraînent des pertes financières directes
Pression réglementaire Exigences en matière d'explicabilité dans les décisions de crédit et d'octroi de prêts
Faiblesse structurelle La détection analyse le comportement, et non l'intention

Comment ça marche ?

Tout système de lutte contre la fraude est une fonction de notation intégrée à une politique. Des signaux sont introduits, un score est généré, puis des seuils déterminent s'il faut approuver, refuser ou transmettre le dossier pour examen. Ce qui est intéressant, c'est de savoir quels sont ces signaux et qui fixe ces seuils.

Règles Il s'agit de conditions explicites définies par des analystes : refuser une transaction par carte provenant d'un nouvel appareil situé dans un pays depuis lequel le client n'a jamais effectué de transaction auparavant. Elles sont rapides, vérifiables et faciles à expliquer à une autorité de régulation. Elles sont également fragiles : un fraudeur qui explore un ensemble de règles en repère les limites en quelques jours, et les bibliothèques de règles s’accumulent pour former des milliers de conditions qui se chevauchent et que personne n’ose supprimer.

Modèles d'apprentissage automatique déduire des schémas à partir d'un historique étiqueté et repérer des combinaisons auxquelles aucun analyste n'aurait pensé. Leur performance évolue différemment : ils ont besoin d'étiquettes, ils dérivent à mesure que les comportements changent, et ils sont plus difficiles à expliquer. La plupart des institutions utilisent les deux approches : des règles pour gérer les cas connus et des modèles pour traiter le reste.

Les signaux sont plus importants que le moteur. Identité Ces indices permettent de déterminer si le demandeur est bien réel. Appareil Les signaux permettent d'identifier le matériel et de détecter les émulateurs et les caméras virtuelles. Comportemental Les signes qui permettent d'observer la manière dont une personne interagit — le rythme de frappe, les hésitations sur certains champs — sont des indices qu'un véritable expert saurait déceler. Réseau Les signaux relient les comptes grâce à des attributs communs, ce qui permet de mettre en évidence un réseau de fraude qui, pris individuellement, semblent être des clients sans aucun lien entre eux. Vitesse Le nombre de signaux correspond au nombre de tentatives sur des plages horaires.

Le traitement en temps réel et le traitement par lots ont des objectifs différents. Le traitement en temps réel bloque une transaction en cours ; le traitement par lots identifie des tendances sur plusieurs semaines qu’aucune décision prise isolément ne permettrait de détecter. Les systèmes qui ne recourent qu’à la première méthode ne parviennent pas à détecter les fraudes lentes et patientes.

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

La plupart des fraudes sont en réalité des problèmes d'identité déguisés en problèmes transactionnels. Le piratage de compte consiste en un compte légitime dont le titulaire n'est pas la bonne personne. La fraude à l'identité synthétique concerne un compte qui n'a jamais eu de véritable titulaire. La fraude de première partie consiste en une personne légitime qui se fait passer pour quelqu'un d'autre.

Cela signifie que la qualité de la détection dépend de la qualité de l'identification au point d'entrée. Un système qui analyse des comptes dont les titulaires n'ont jamais été correctement vérifiés se base sur une référence faussée : il apprend le comportement de comptes dont il ne peut garantir l'authenticité et le considère comme normal.

La vérification de l'identité lors de la création de compte présente deux avantages pour la détection en aval. Elle permet d'éliminer une catégorie de fraude avant même qu'elle ne touche l'ensemble de la population, et elle associe une identité vérifiée à chaque compte, ce qui rend l'analyse du réseau pertinente. Il est utile de relier les comptes en fonction d'un appareil partagé ; les relier en fonction d'attributs d'identité vérifiés communs est toutefois bien plus efficace. L'intelligence en temps réel de Microblink intègre des signaux d'identité dans cette décision, et détection des identités synthétiques et usurpées traite les deux types de cas qui échappent à la surveillance des transactions en donnant l'impression d'être tout à fait normaux.

Règles contre apprentissage automatique

  Basé sur des règles Apprentissage automatique
Conçu à partir de Connaissance par les analystes des schémas connus Résultats historiques étiquetés
Explicabilité Élevé — c'est l'état qui explique tout Inférieur ; nécessite un travail d'interprétabilité
Une nouvelle forme de fraude On ne s'en rend pas compte tant qu'une règle n'a pas été établie Permet de détecter des combinaisons invisibles
Maintenance Les bibliothèques s'accumulent et entrent en conflit Réapprentissage, surveillance de la dérive, qualité des étiquettes
Rapidité de déploiement Immédiat Des semaines, et il faut suffisamment de données étiquetées
Résistance adversaire Faible — la détection permet de repérer les contours Plus élevé, mais les modèles peuvent eux aussi être mis à l'épreuve
Adéquation réglementaire Simplicité dans la prise de décision en matière de crédit Il faut des outils favorisant l'explicabilité

Ce qu'il ne peut pas faire

Il ne peut pas percevoir l'intention. La détection consiste à observer les comportements et à en tirer des conclusions. Un nouveau client dont le comportement est inhabituel et un fraudeur dont le comportement est inhabituel apparaissent identiques au moment de la prise de décision, ce qui constitue la source irréductible des faux positifs.

Il ne peut pas corriger les étiquettes erronées. Les modèles apprennent à partir des cas identifiés comme frauduleux. Les fraudes qui n’ont jamais été détectées sont considérées comme légitimes, ce qui fait que le modèle apprend à les accepter — une boucle de rétroaction qui rend de plus en plus difficiles à détecter les schémas persistants qui passent inaperçus.

Il ne permet pas de détecter la fraude interne lors de la procédure d'intégration. Une personne réelle, utilisant sa véritable identité et n'ayant pas l'intention de rembourser, passe tous les contrôles d'identité avec succès, car il n'y a rien de faux chez elle. Il s'agit là d'un problème de solvabilité et de comportement qui ne se révèle que plus tard.

Les seuils relèvent d'une décision commerciale, et non d'une décision technique. C'est là qu'il faut mettre en balance les revenus générés par ces opérations et les pertes, et aucun modèle ne permet de déterminer la réponse. Les systèmes présentés comme entièrement automatisés ont pris cette décision à la place de quelqu'un.

Foire aux questions

Quelle est la différence entre la détection de la fraude et la prévention de la fraude ?

La détection permet d'identifier les fraudes en cours ou passées. La prévention empêche qu'elles ne se produisent : vérification de l'identité lors de l'inscription, exigence d'une authentification renforcée pour les actions à risque. La détection est un contrôle portant sur l'activité ; la prévention est un contrôle portant sur l'accès.

Comment les modèles d'apprentissage automatique détectent-ils des fraudes qu'ils n'ont jamais rencontrées auparavant ?

En apprenant à reconnaître le profil normal plutôt qu’en mémorisant des cas de fraude connus. Une activité qui s’écarte sur plusieurs dimensions à la fois est considérée comme anormale, même si cette combinaison précise n’est jamais apparue lors de l’apprentissage, ce que les règles ne peuvent pas faire.

Pourquoi les systèmes de détection des fraudes génèrent-ils des faux positifs ?

En effet, les comportements inhabituels et frauduleux se ressemblent. Un client légitime qui voyage, effectue un achat inhabituel ou utilise un nouvel appareil génère la même signature d'anomalie qu'un pirate. Réduire le nombre de faux positifs augmente le nombre de fraudes qui passent entre les mailles du filet.

La détection des fraudes remplace-t-elle la vérification d'identité ?

Non, et considérer cela comme un substitut est une erreur courante et coûteuse. Les motifs de détection concernent les comptes et les transactions ; si l'identité derrière un compte n'a jamais été vérifiée, le raisonnement part d'un point de départ peu fiable. Ces deux éléments sont séquentiels, et non alternatifs.

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