Les travaux de recherche de Feedzai permettent de détecter des modèles de fraude spécifiques au commerce électronique.

Pour un humain, ces informations détaillées sont intéressantes. Pour un robot, il s’agit de quelque chose d’encore plus important :

ce sont des éléments de décision essentiels, qui permettront de préconiser une action.

LES DONNEES NE CESSENT DE SE DEVELOPPER 163,000,000,000,000,000,000,000 163 zettabytes will be created by 2025 1

LES DONNÉES SONT DÉCONNECTÉES

Les banques se concentrent aujourd’hui davantage sur le produit que sur le type de clients, c’est pourquoi elles prennent des décisions au travers de silos de données. Dans la mesure ou les clients changent de canaux et de types de paiement, les données relatives à leurs transactions finissent dans des bases de données qui ne communiquent pas entre elles.

Pendant ce temps, des données externes enrichies et de grande valeur demeurent inexploitées, car beaucoup d’organisations ne disposent pas des infrastructures nécessaires pour intégrer ces sources de données externes et internes. Pour ces organisations, le big data n’est pas à un atout, mais plutôt une source de risques.

10%

des institutions financières utilisent des données d’analyse de machine learning pour mener les opérations d’authentification

40%

disposent de données multicanaux ou multi-produits pour adopter des décisions2

LES FRAUDEURS SE CACHENT DANS TOUTES CES DONNÉES, MAIS ILS LAISSENT DES INFORMATIONS SUBTILES DANS LEUR SILLAGE

Voici un exemple de nos découvertes, fondées sur des données réunies en 2017 :

1re TENDANCE OBSERVÉE :

LES FRAUDEURS AIMENT LES COMPTES NOUVEAUX

La plupart des fraudes se produisent dans les 100 premières heures qui suivent la création d’un compte.

2e TENDANCE OBSERVÉE :

LES FRAUDEURS AIMENT LES DISPOSITIFS EN REDÉMARRAGE

La tendance démontre qu’il y a peu de temps écoulé entre le moment du redémarrage et le moment ou intervient la transaction. Ceci est caractérisé par davantage de fraude.

Time Elapsed in Days

Number of Consecutive Digits

3e TENDANCE OBSERVÉE :

LES FRAUDEURS RAFFOLENT DES SUITE DE CHIFFRES

Les adresses de courriel composées de 2 à 4 chiffres consécutifs présentent davantage de risques de fraude.

4e TENDANCE OBSERVÉE

LES FRAUDEURS N’AIMENT PAS NOMMER LEURS DISPOSITIFS

Le taux de fraude est élevé lorsque le nom du dispositif est inconnu ou inexistant lors d’une transaction effectuée depuis un dispositif mobile.

5e TENDANCE OBSERVÉE

LES FRAUDEURS AIMENT LES CLES RAPPROCHÉES

La fraude est liée à des types de courriels falsifiés. Un des schémas consiste à ce que les lettres d’une adresse de courriel soient pratiquement identiques à la vraie, à une lettre près.

Percentage of Battery Left

6e TENDANCE OBSERVÉE :

LES FRAUDEURS CHARGENT LEURS BATTERIES

79 % des internautes téléchargent l’application mobile de leur banque, ce qui introduit une voie d’accès pour les fraudeurs.3

Les études montrent que le taux de fraude est plus élevé lorsque la batterie d’un dispositif mobile est bien chargée.

7e TENDANCE OBSERVÉE :

LES FRAUDEURS AIMENT LES ADRESSES DE COURRIEL OBSCURES

Les fraudeurs préfèrent certains noms de domaines de courriel à d’autres.

Email Domain Name

COMMENT FAIRE LE LIEN ENTRE TOUS CES ÉLÉMENTS ?

Il est difficile d’identifier les signaux spécifiques à une opération frauduleuse.
Connecter ces éléments entre eux afin de prendre une décision éclairée est encore plus compliqué. Un signal isolé n’est pas suffisant pour conclure à une « fraude » ou à « l’absence de fraude ». Cette page présente quelques signaux, mais un profil de transaction classique peut en comporter des milliers.

Les êtres humains ne sont pas capables de faire seuls le lien entre ces signaux pour prendre des décisions. C’est la force du machine learning : la faculté d’associer des milliers de points de données, pour recommander des mesures.

Learn how machine learning can stop fraud

Ebook


Retail banks face unique challenges at the point of account opening. Learn how banks can increase application acceptance while also reducing fraud?

Ebook


Emerging channels and payment types have created a new ecosystem of risk, and legacy systems cannot keep up. Read this report and get actionable insights to help you create a strategy for taking charge of the AI disruption that’s well underway.

Ebook


Learn how to eliminate high maintenance rules based engines, reduce false positives & make better decisions with machine learning basics.

Sources

1 Forbes, “What Will We Do When The World’s Data Hits 163 Zettabytes In 2025?,” Apr. 2017.

2 Aite, “Fraud is Now a Competitive Issue” Oct. 2017.

3 eMarketer, “Most People Have a Mobile Banking App, but Do They Use It?” Oct. 2017.