Apprentissage automatique pour la détection des fraudes : utiliser la technologie pour détecter davantage de fraudes

Au cours des dernières années, le nombre de services antifraude disponibles sur le marché a augmenté et il est devenu tout aussi important de fournir une vue consolidée du risque global de fraude d’activités telles que les demandes de crédit, les transactions ou connectez-vous.

Et tout en protégeant les clients grâce à détecter la fraude est une priorité des organisations, la nécessité de découvrir les activités frauduleuses doit être mise en balance avec l’importance de ne pas nuire à l’expérience des véritables clients en les soumettant à des retards et à des contrôles inutiles.

L’émergence de plus de sources de données, à un niveau plus granulaire, avec plus de précision et de contrôle nous ouvre de nouvelles opportunités dans la détection des tentatives frauduleuses. Dans l’ensemble du paysage des données, nous constatons comment les données changentet comment l’utilisation de données de meilleure qualité, plus précises et validées peut aider les organisations à prendre des décisions plus solides.

Alors que de nombreuses organisations auront adopté des stratégies traditionnelles basées sur des règles, celles-ci nécessitent beaucoup d’efforts pour être gérées et avec l’augmentation des services et des points de données qui les alimentent, le nombre de permutations devient trop important pour que les humains puissent les gérer. Avec l’augmentation du trafic numérique et la nécessité d’identifier et d’accepter les bons clients tout en prévenant les mauvais, et plus de points de données à ajouter aux modèles de risque traditionnels, techniques optimales de prévention de la fraude ont naturellement évolué vers ceux alimentés par l’apprentissage automatique (ML).

Pourquoi adopter l’apprentissage automatique dans la détection des fraudes ?

Avec le nombre croissant de services antifraude complémentaires disponibles aujourd’hui, il est devenu plus important de fournir une vue consolidée du risque global de fraude.

Alors que de plus en plus de consommateurs exigent une prise de décision et une prestation de services instantanées, il est de plus en plus nécessaire d’intégrer des contrôles de fraude plus précis dans le parcours client, plutôt que de retarder les décisions ou les transactions en introduisant des authentifications hors ligne. Lors de la prise de décisions en ligne où le parcours client sera affecté, il est encore plus important que seules les activités présentant un risque réel d’être frauduleuses soient empêchées.

À l’inverse, il est également important de ne pas nuire à l’expérience des véritables clients en les soumettant à des retards inutiles pendant que les contrôles de fraude sont effectués. Les consommateurs peuvent très bien s’en aller, entraînant la perte d’un client potentiellement rentable, s’ils sont soumis à des vérifications supplémentaires qui prennent du temps.

De plus, il y a une limite à l’efficacité d’une stratégie de référence basée sur des règles car elle nécessite beaucoup d’efforts à gérer et le nombre de permutations, qui peut devenir trop important pour un humain.

L’adoption d’une approche d’apprentissage automatique peut aider les organisations à intégrer un parcours client fluide, tout en signalant les tentatives frauduleuses potentielles qui pourraient avoir un impact sur les résultats.

« Les pertes dues à la fraude pourraient être paralysantes si elles ne sont pas maîtrisées. Lorsqu’elles envisagent où investir, les organisations n’ont pas besoin d’investir de l’argent dans les équipes chargées de la fraude sur le site, mais plutôt de se demander si le ML serait une alternative appropriée. »

James Torselli, chef de produit, Experian UK&I

Idées fausses courantes sur l’apprentissage automatique

1. L’apprentissage automatique est une nouvelle technologie

Les techniques que nous utilisons depuis plus de 15 ans dans nos tableaux de bord tant en crédit qu’en identité et fraude sont des branches du machine learning. Alors que beaucoup pensent que l’apprentissage automatique est une nouvelle solution, nous affinons les techniques pour donner des résultats plus précis depuis plus d’une décennie.

2. L’apprentissage automatique est un auto-apprentissage

Pas nécessairement – ​​alors que les modèles peuvent continuellement évoluer en fonction de l’expérience récente, cela ne doit pas nécessairement être le cas. Dans le domaine de l’identité et de la fraude, nous ne déployons pas de modèles d’auto-apprentissage au motif que cela simplifie considérablement les aspects de gouvernance. Les performances du modèle sont surveillées en permanence et, là où elles se sont dégradées, seront actualisées. Les modèles de remplacement ne seront déployés qu’avec une visibilité complète des différences entre ce modèle et le modèle précédent, ce qui permettra de définir le seuil de référencement en fonction des volumes souhaités de références/de détection de fraude.

3. « Modèles supervisés » signifie que les gens sont impliqués et « modèles non supervisés » ne signifie pas

Les modèles « supervisés » et « non supervisés » sont des termes liés à la disponibilité des données sur les résultats, et non à l’implication humaine. Tous nos modèles impliquent un élément de validation humaine.

« L’apprentissage automatique donne vraiment aux organisations la possibilité de rationaliser leur processus décisionnel ; augmenter l’intégration de bons clients, trouver plus de fraudes, tout en réduisant les coûts opérationnels. »

Sarah McCallum, chef de produit, Fraud Solutions UK&I

Qui peut utiliser l’apprentissage automatique pour détecter la fraude ?

Alors que de nombreuses organisations utilisent déjà l’apprentissage automatique dans certains processus, la mise en œuvre d’une plus grande profondeur d’automatisation dans la détection des fraudes est toujours considérée par certains comme coûteuse et inaccessible.

Cependant, avec le grand nombre de points de données désormais nécessaires pour identifier avec précision la fraude, l’utilisation du ML devient incontournable. L’apprentissage automatique a la capacité de rechercher et de comprendre les relations complexes entre tous les points de données d’une application, offrant aux organisations des modèles de fraude hautement prédictifs qui leur permettent de minimiser les faux positifs, de générer moins de références et de produire de meilleurs résultats pour les bons clients.

Bien que généralement, l’accès à l’apprentissage automatique pour la fraude ait été limité aux organisations membres de consortiums et capables d’investir dans les capacités de pointe, des solutions deviennent disponibles pour les petites start-ups, les challengers ou les organisations de taille moyenne qui souhaitent bénéficier des avantages de la machine. apprendre, sans barrières. L’accès à des données plus riches et plus granulaires, permettant une notation plus efficace de la fraude, n’est plus réservé aux organisations les plus riches. Mais plutôt un accessible à tous, pour offrir aux consommateurs et aux prêteurs, un niveau plus robuste de prévention de la fraude.

Vous pourriez également aimer...