Lutter contre la fraude grâce à l'apprentissage automatique

Pratik Choudhary, responsable du développement commercial, et Sheldon West, responsable de la data science au sein de la région EMEA, vous en diront plus sur les principes de l'apprentissage automatique et sur son impact significatif dans la lutte contre la fraude.

Comment les entreprises utilisent-elles l'apprentissage automatique pour lutter contre la fraude aux paiements ?

Les entreprises ont généralement recours à deux pratiques principales d'apprentissage automatique : l'apprentissage supervisé et l'apprentissage non supervisé. Dans l'apprentissage automatique supervisé, un modèle est construit en utilisant des données qui sont associées à une marque indiquant si le paiement était authentique ou frauduleux et incluant idéalement le type de fraude (escroquerie ou prise de contrôle du compte, par exemple).

Lorsque les data scientists créent un modèle avec les données, les labels et les caractéristiques appropriés, le modèle apprend des schémas. Grâce à ces informations, le modèle peut passer au crible plus de données qu'un humain et trier les paiements sûrs de ceux qui sont potentiellement frauduleux. Les entreprises bénéficient d'informations exploitables en temps réel avec moins de faux positifs.

Dans l'apprentissage non supervisé, le modèle ne nécessite pas de label pour chaque événement ou paiement. Au lieu de cela, il s'appuie sur des algorithmes pour trouver des segments d'intérêt dans les données. Cette approche est particulièrement utile pour la détection des anomalies, puisque chaque observation n'est pas forcée à entrer dans un groupe. Elle est particulièrement utile pour identifier les valeurs atypiques par rapport au profil de base d'un utilisateur, comme le montre LexisNexis® BehavioSec® User Profiling, qui reconnaît les utilisateurs légitimes en analysant leurs schémas comportementaux uniques. Cela permet au système d'identifier les points de données qui diffèrent de manière significative de leurs pairs, justifiant un examen plus approfondi. L'apprentissage non supervisé est particulièrement efficace dans les cas où la fraude n'est pas évidente.

Comment les modèles d'apprentissage automatique optimisent-ils l'expérience client, la confiance et le risque ?

Cette technologie peut être appliquée de nombreuses manières. Une application courante consiste à aider les entreprises et les banques à distinguer le type et le niveau de risque. Par exemple, lorsqu'un consommateur effectue un achat important, le modèle peut l'inciter à passer à l'authentification multifactorielle. Bien que cette approche soit efficace pour atténuer les types de fraude traditionnels tels que la prise de contrôle d'un compte, les mêmes mesures de protection ne fonctionnent pas dans toutes les situations.

Une autre application utile de l'apprentissage automatique consiste à reconnaître les risques liés aux escroqueries par ingénierie sociale, où les signaux sont plus subtils et donc plus difficiles à détecter. La grande souplesse de l'apprentissage automatique le rend particulièrement efficace dans ces cas.

Par exemple, dans le cas d'un acteur malveillant qui tente de contraindre une personne à transférer ses propres économies sur un compte non autorisé. Comme il s'agit de l'utilisateur légitime qui utilise son propre appareil à partir de son propre lieu de résidence, une étape supplémentaire ne fonctionnera pas, ce qui rend ce type de fraude particulièrement difficile à identifier et à gérer.

Cependant, nous savons que ce type de situation nécessite un canal de communication ouvert entre le fraudeur et la victime - peut-être un appel téléphonique. L'apprentissage automatique nous permet de combiner des fonctions innovantes telles que la détection active des appels avec d'autres signaux qui conduisent à des alertes précises exigeant une stratégie d'intervention plus nuancée.

Comment l'apprentissage automatique s'applique-t-il aux stratégies de prévention de la fraude dans le ecommerce ?

Dans le monde du ecommerce, les fraudeurs ont tendance à être plus opportunistes en ciblant les politiques de remboursement, les politiques de retour et d'autres gestes commerciaux que les entreprises offrent pour attirer les consommateurs. Dans ces cas, l'apprentissage automatique peut aider à quantifier le « rapport entre la confiance et le risque ».

Par exemple, il peut identifier les utilisateurs légitimes, ce qui permet à l'entreprise d'offrir un remboursement instantané et transparent tout en alertant l'entreprise sur les irrégularités détectées. Cette capacité à entraver les mauvais acteurs tout en garantissant une transaction fluide pour les clients légitimes peut être considérée comme l'une des clés de l'amélioration de l'expérience client et de la fidélisation.

Comment les entreprises peuvent-elles exploiter la puissance de l'apprentissage automatique pour lutter contre la fraude ?

L'apprentissage automatique est un outil puissant basé sur les statistiques et les mathématiques, mais il nécessite quelques ingrédients clés pour optimiser son efficacité. Tout d'abord, il faut des données fiables et diversifiées. Parallèlement, les data scientists d'une entreprise doivent avoir une solide compréhension de la fraude et de la criminalité financière afin de pouvoir élaborer des modèles appropriés. Et si l'expertise technique est importante, la capacité à penser de manière créative est un attribut tout aussi essentiel. Enfin, la collaboration, telle que le crowdsourcing, entre les acteurs de l'industrie peut fournir des informations utiles sur les risques existants et émergents. En bref, la fraude ne cesse d'évoluer et l'innovation continue est la clé pour rester dans la course.

L'expérience client est au centre des préoccupations, et l'objectif primordial est donc toujours de « garantir une expérience exceptionnelle à ceux qui le méritent ». La puissance de l'apprentissage automatique réside dans sa personnalisation. LexisNexis® Risk Solutions élabore des solutions sur mesure qui aident les entreprises à distinguer les mauvais acteurs, les escroqueries et les fraudes des interactions légitimes avec les consommateurs finaux.