Combiner la prévention de la fraude et la lutte contre le blanchiment d'argent
Le FRAML1 n'est pas un phénomène nouveau. L'idée de consolider les processus de surveillance de la fraude et de la lutte contre le blanchiment d'argent (LBC) pour en accroître l'efficacité et l'efficience existe depuis près de deux décennies. Alors, pourquoi un tel regain d'intérêt pour le FRAML de la part d'un large éventail d'institutions financières et d'entreprises ?
Tout d'abord, les criminels financiers deviennent de plus en plus sophistiqués, qu'il s'agisse de ceux qui escroquent des particuliers ou des institutions, ou de ceux qui, en aval, légitiment les gains mal acquis. Cela rend la détection et la prévention de la fraude et des autres crimes financiers toujours plus complexes, nécessitant des approches hautement personnalisées et ciblées pour chaque crime.
Mais les organisations prennent également conscience que pour détecter et prévenir efficacement la fraude et le blanchiment d'argent, il est essentiel de les comprendre pleinement. Lorsqu'une fraude se produit, il y a généralement blanchiment d'argent, car les criminels utilisent des comptes de mules, des techniques de superposition et des schémas de transactions complexes pour déplacer et dissimuler les fonds volés. Cette interdépendance entre fraude et blanchiment d'argent signifie que s'attaquer à l'un sans s'attaquer à l'autre crée des lacunes importantes en matière de détection et de prévention des risques.
Cette prise de conscience croissante a encouragé le développement de trois types de « FRAML1 » :
- Le FRAML opérationnel est le type le plus conventionnel et celui qui existe depuis le plus longtemps. Les institutions, généralement de petites banques, regroupent leurs fonctions pour superviser la fraude et la LBC sous un même toit. Dans ce modèle, les entreprises bénéficient largement de l'efficacité accrue obtenue grâce au déploiement et à l'utilisation conjointe de deux systèmes.
- FRAML analytique : une approche émergente, plus courante dans les grandes institutions comme les grandes banques. Dans ce modèle, les fonctions de lutte contre la fraude et de lutte contre le blanchiment d'argent restent distinctes, mais les analyses et les signaux de risque pour les deux sont intégrés à leurs systèmes respectifs. Voici quelques exemples de ce modèle en action :
- Compléter les alertes LBC par des analyses comportementales et de localisation pour identifier les activités inhabituelles susceptibles de faciliter le blanchiment d’argent.
- Enrichir les alertes de fraude avec des données contextualisées de lutte contre le blanchiment d'argent ou de connaissance du client (KYC). Ce cas d'usage est devenu plus courant car une vision combinée de la fraude et de la lutte contre le blanchiment d'argent peut avoir un impact considérable sur la capacité d'une entreprise à détecter les comptes mules, en augmentation ces dernières années.
- Une solution unique combinant fraude et LBC, même lorsque les deux fonctions métier sont distinctes. Le principal avantage de cette approche, qui gagne également en popularité, est qu'en cas de pic de fraude, les analystes LBC peuvent être plus facilement déployés sur des postes dédiés à la fraude, et inversement. Cette approche a même son propre terme, « FRoML », car il s'agit techniquement d'une application de « fraude ou », plutôt que strictement de « fraude et LBC ».
Il est crucial de noter que, bien que le FRAML soit souvent utilisé pour décrire les applications mentionnées ci-dessus, le véritable FRAML va au-delà de la simple combinaison de fonctionnalités de lutte contre la fraude et de lutte contre le blanchiment d'argent. Idéalement, un large éventail de signaux de risque devrait être consolidé au sein d'un système unifié.
Chartis Research, cabinet d'études indépendant spécialisé dans les technologies de gestion des risques pour la criminalité financière, les risques financiers, la gouvernance, la gestion des risques et la conformité (GRC) et le trading, a identifié deux cas d'utilisation remarquables du FRAML en action.
L'approche « FRoML » a connu une croissance notable, notamment parmi les FinTechs, qui mettent en place les éléments nécessaires à un modèle opérationnel plus flexible.
Une start-up de taille intermédiaire spécialisée dans les paiements, dotée d'une équipe de gestion des risques d'environ 60 personnes dédiée à la fraude et à la lutte contre le blanchiment d'argent, a mis en œuvre une approche FRoML en intégrant la détection de la fraude et de la lutte contre le blanchiment d'argent au sein d'une plateforme unique dotée d'une interface universelle et de fonctionnalités de gestion des dossiers. L'entreprise a qualifié cette évolution de « changeante », lui permettant de réaffecter facilement les analystes entre les alertes de fraude et de surveillance des transactions, avec un minimum de perturbations.
Avantages : Les gains d'efficacité sont estimés à une amélioration de la productivité de 20 %, et les projections suggèrent que ce chiffre pourrait atteindre 40 % au cours des 12 prochains mois. Ces gains résultent d'une résolution plus rapide des alertes, d'une réduction des temps d'arrêt des analystes en période de faible volume d'alertes et d'une efficacité accrue des enquêtes.
L'entreprise a également bénéficié d'un avantage indirect : une intégration plus rapide grâce à la réduction des goulots d'étranglement, ce qui a entraîné une réduction des taux d'abandon et une augmentation du nombre de nouveaux clients. De plus, alors que l’entreprise avait initialement prévu une période de six mois pour former et perfectionner les analystes afin qu’ils puissent opérer dans les deux domaines, elle y est parvenue en un peu plus de deux mois.
Un exemple plus spécifique, mais néanmoins percutant, est l'utilisation de l'analyse FRAML. Cette approche gagne du terrain auprès des institutions financières de toutes tailles, et est adoptée par les plus grandes entreprises.
Une importante banque nord-américaine de premier plan a mis en œuvre une approche d'analyse FRAML il y a plus d'un an. Le modèle alimente une interface analytique unique, accessible à ses équipes de lutte contre la fraude et de lutte contre la criminalité financière, en générant des informations provenant de sources multiples (données et signaux de risque issus de ses fonctions de détection de fraude, de connaissance du client, de documentation, de sanctions et de surveillance des transactions).
Avantages : La banque a augmenté sa détection des mules de plus de 30 % dès la première année de mise en œuvre.
Il est temps de se lancer ?
Phénomène nouveau ou pas, le FRAML est là pour durer. À un moment ou à un autre, de nombreuses entreprises ont envisagé, puis rejeté, l'adoption d'une approche consolidée. Mais avec la disponibilité croissante du FRAML et des solutions d'orchestration, il est temps de reconsidérer la situation.
On reproche souvent aux approches FRAML traditionnelles leur manque de flexibilité, mais la situation évolue. Les organisations souhaitant mettre en œuvre une stratégie combinée de lutte contre la fraude et le blanchiment d'argent doivent s'assurer que leur système intégré est suffisamment flexible pour répondre aux besoins immédiats.
Cependant, il est tout aussi important de reconnaître qu'à moyen et long terme, les exigences d'évolutivité et de flexibilité évolueront, souvent de manière exponentielle. Les institutions doivent donc commencer à poser les bases dès aujourd'hui pour assurer la réussite de leurs futurs déploiements. La première étape consiste à évaluer et à définir leurs propres analyses de rentabilité, ainsi que les lacunes à combler.
Prêt à renforcer et à unifier votre stratégie de prévention de la criminalité financière ?
Contactez-nous dès aujourd'hui pour découvrir comment l'intégration des efforts de détection de la fraude et de lutte contre le blanchiment d'argent peut permettre à votre organisation de relever les défis futurs.
1 Abbréviation de "Fraud" et "Anti-money laundering"