Conquérir la fraude au crédit résiduelle, grâce au Machine Learning «expert»

Article
7/1/22
par Vinicius Malta

La fraude au crédit résiduelle a beau s’élever à « seulement » 10%, elle constitue un enjeu phénoménal pour le chiffre d’affaires et la réputation des établissements de crédit. S’attaquer à ces petits 10% étant une véritable gageure avec les méthodes « classiques », de plus en plus d’entreprises investissent dans l’IA et le Machine Learning. L’usage de ces technologies dans la lutte anti-fraude pourrait même tripler d’ici deux ans. Pourquoi un tel engouement ?

Machine learning versus credit fraud

Pour être plus performant face à la fraude, il faut des modèles plus complexes

Une grande partie de la fraude peut être détectée manuellement à l’aide de données brutes, en observant 20 à 30 variables à partir desquelles le service anti-fraude établit des règles. Le problème, c’est que cette méthode produit un modèle « simple », qui ne capture que des choses… simples. Or, la fraude résiduelle n’a rien de simple. La détecter exige de collecter beaucoup plus de données, de les croiser, de les contextualiser, et de les mettre à jour en permanence pour bénéficier d’un modèle aussi fin et agile que les tactiques des fraudeurs nouvelle génération. L’humain ne peut accomplir cet exploit seul, nous allons le voir.

Qui dit modèles complexes, dit grosses quantités de données à intégrer

On l’a dit, pour lutter contre la fraude résiduelle, il faut des modèles plus complexes. Donc, beaucoup plus de variables. Le problème n’est pas tant la disponibilité des données (elles abondent, que ce soit dans l’entreprise, en open source, ou chez des fournisseurs comme Creditsafe), que leur traitement.

Au-delà de 30 ou 40 points de mesure, les formules deviennent trop complexes pour la compréhension humaine. Avec des centaines d’indicateurs à croiser, comment s’y retrouver ? Choisir les variables à ajouter, évaluer leur poids et leur influence relative, les catégoriser, établir des relations entre elles (par exemple pour détecter un surendettement).

Ces tâches finissent par exiger des ressources humaines et financières colossales. C’est pourquoi de plus en plus d’entreprises adoptent l’Intelligence Artificielle et le Machine Learning, qui leur permettent de récolter une quantité illimitée de données, de les croiser et de calculer l’influence relative des différentes variables avec une précision, une fiabilité et une rapidité inégalées. L’humain est toujours à la barre, mais il ne s’épuise plus inutilement.

Comment garantir la pertinence des modèles dans la durée ?

Pour être efficace, un modèle doit être testé et évalué en conditions réelles. Il doit aussi pouvoir évoluer au rythme de la fraude, prompt à ajuster ses tactiques et à profiter de chaque opportunité. Là encore, l’humain trouve vite ses limites. Le processus de test peut être effectué une ou deux fois en interne manuellement.

Mais pour entretenir les modèles, il faut intervenir quasiment en continu… et donc faire appel à toujours plus de main d’œuvre et d’investissements pour espérer obtenir un résultat. Les entreprises ont besoin de l’IA et du ML pour automatiser réellement les processus de tests, vérifier les modèles et les faire évoluer en permanence avec un maximum de ROI et un effort minimal. [Saut de retour à la ligne]

Face aux subtilités de la fraude au crédit, il faut des solutions de ML expertes

Dans le cas de la lutte anti-fraude au crédit, toutes les solutions d’IA et de Machine Learning ne se valent pas. Les modèles d’autoML prêts-à-l’emploi ou généralistes sont insuffisants face à la multitude de pièges tendus par les fraudeurs et à la subtilité de leurs stratégies. Les établissements de crédit ont besoin de solutions ML expertes, ancrées dans de solides connaissances métiers.

Des solutions qui connaissent le fonctionnement des fraudeurs et les failles qu’ils vont exploiter ; qui savent quelles données intégrer, mais aussi comment les contextualiser, élaborer les bons modèles, et définir les stratégies à mettre en place au fil du temps.

L’exemple de la fraude au crédit en entreprise est parlant : beaucoup de cas se détectent uniquement si on observe les flux de matières premières ou les factures d’achats/de vente. Sans expertise métier, on peut avoir tendance à se contenter de consulter les comptes déposés aux greffes du Tribunal de Commerce… et passer ainsi à côté de la fraude.


L’idéal pour reconquérir la fraude au crédit résiduelle est de combiner la puissance des technologies de pointe, et une expertise poussée de la fraude financière. C’est le cas de notre solution Bleckwen Credit Fraud Services, dont les modèles sont animés par des experts du secteur, s’adaptent sur-mesure à votre activité, évoluent en permanence et viennent s’intégrer sans friction à vos dispositifs existants. 


Vous souhaitez en savoir plus ?

Image for the blog post
par Vinicius Malta

Les outils de vérification d'identité pour lutter contre la fraude

La numérisation de l'expérience client est un défi majeur pour les organisations financières.

Lire l'article
Image for the blog post
par Vinicius Malta

Les outils anti-fraude

La fraude liée aux prêts numériques, ainsi que le coût et la complexité de sa gestion, montent en flèche et sont 10 fois plus élevés sur les canaux en ligne que hors ligne !

Lire l'article
Image for the blog post
par Vinicius Malta

Le panorama des fraudes et des risques pour les établissements de financement

Les nouvelles formes de travail, l'incertitude persistante de l'économie mondiale et l'augmentation du coût de la vie apportent indubitablement de nombreuses opportunités pour les fraudeurs.

Lire l'article

Commencez avec

Bleckwen


DEMANDEZ UNE DÉMO
  • Résultats prouvés et économies garanties contre la fraude

  • Sur-mesure pour votre entreprise

  • Intégration facile et mise en œuvre rapide