Les cinq principales priorités lors de l’examen de l’utilisation de l’apprentissage automatique dans la prévention de la fraude

Heureusement, l’accès à des solutions avancées de protection contre la fraude basées sur l’apprentissage automatique (ML) n’a jamais été aussi simple qu’aujourd’hui. Chez Experian, nous sommes à l’avant-garde du développement de services basés sur le ML qui répondent aux besoins des entreprises de toutes tailles et positions sur le marché. Et ML prouve continuellement sa valeur en aidant nos clients non seulement à tirer davantage de bénéfices et de valeur de leurs produits existants. Cela les aide également directement à réduire la charge opérationnelle, à prévenir davantage de fraudes et à rationaliser le parcours des bons clients.

Ici, nous examinons les cinq priorités qui sous-tendent les organisations qui obtiennent les meilleurs résultats en utilisant le ML dans le cadre de leur boîte à outils de prévention de la fraude.

1. Adoptez l’apprentissage automatique

Le premier est aussi de loin le plus important. Tout simplement, investissez, adoptez et utilisez l’apprentissage automatique dans le cadre de vos opérations quotidiennes. Aujourd’hui, pour à peu près toutes les entreprises opérant dans le domaine du crédit, des finances personnelles ou de la vente au détail, les capacités de ML doivent simplement être un élément essentiel de la boîte à outils d’évaluation de la fraude.

Pourquoi? Parce que vos concurrents le font déjà et récolter les bénéfices qui y sont associés. Le fait de ne pas correspondre à leur niveau de capacités leur donnera simplement un avantage inutile. Certaines entreprises continuent de croire que le ML est encore l’apanage de quelques leaders du marché à la pointe de l’investissement technologique. Si cela a jamais été vrai, ce n’est plus le cas. Aujourd’hui, même de nouvelles start-ups se lancent avec des solutions basées sur ML en place, et les avantages vont bien au-delà de la possibilité de détecter rapidement la fraude. Ils peuvent également mieux servir leurs clients et gérer une organisation allégée dans laquelle les machines et les personnes se concentrent sur ce qu’elles font de mieux.

En bref, le ML est une nécessité concurrentielle.

2. Mettez à jour votre stratégie de fraude

La deuxième priorité est d’assurer votre stratégie de prévention de la fraude est régulièrement mis à jour. Certaines entreprises installent la technologie, établissent les règles, puis laissent tout tel quel pendant plusieurs années. Mais les menaces de fraude auxquelles ils sont confrontés changent chaque jour, ce qui signifie que leur stratégie doit également évoluer en permanence.

Heureusement, la capacité du ML à consommer et à analyser plusieurs points de données différents sur l’ensemble du portefeuille de produits d’une entreprise en fait également un outil idéal pour analyser et pérenniser votre approche stratégique de la prévention de la fraude. Alors, utilisez la technologie pour plus que simplement repérer la fraude au jour le jour. Utilisez-le également pour définir la situation dans son ensemble. L’adoption du ML peut être un excellent moment pour faire une pause, faire le point, mettre à jour votre stratégie et booster le retour sur investissement de vos solutions existantes.

3. N’arrêtez jamais d’investir

La troisième priorité est étroitement liée à la seconde : assurez-vous d’investir en permanence dans vos capacités existantes. Tout comme pour votre stratégie de lutte contre la fraude, le fait de ne pas investir entraînera une dégradation progressive des performances de vos outils de prévention de la fraude et des rendements qu’ils génèrent.

Ceci est particulièrement important lorsque les entreprises pénètrent de nouveaux marchés. Prenons l’exemple d’Amazon entrant dans le domaine de l’assurance, ou de banques établies et d’entreprises de services financiers entrant effectivement dans le commerce de détail avec des produits « achetez maintenant, payez plus tard ». Les nouvelles menaces qu’ils voient soudainement à travers ces nouveaux canaux et portefeuilles de produits sont très différentes de celles qu’ils combattent depuis des années.

Encore une fois, le ML peut être une ressource extrêmement puissante lorsqu’il s’agit de se protéger contre de nouvelles menaces ou de mettre à jour et de mettre à niveau leur parc existant. Mais il y a des défis à relever, surtout si vous êtes tenté de penser que vous pouvez créer et maintenir votre propre modèle ML. Dans les entreprises de taille moyenne en particulier, on ne réalise parfois pas à quel point cela peut être coûteux et délicat.

Experian Fraud Score apporte la prochaine génération de capacité de prévention de la fraude à toute organisation qui prend au sérieux la lutte et la prévention de la fraude

En savoir plus

Par exemple, les spécialistes des données dont vous aurez besoin pour constituer votre équipe sont très coûteux et difficiles à trouver de nos jours. Et ils seront occupés, car un modèle ML nécessite une surveillance constante de la détérioration de la qualité et pour s’assurer qu’il traite systématiquement les clients de manière équitable et sans parti pris.

De plus, les modèles ML doivent être recyclés sur de nouveaux ensembles de données et mis à jour beaucoup plus fréquemment que vous ne le pensez – un autre coût opérationnel. Enfin, ne sous-estimez pas les difficultés rencontrées : si construire un modèle rapide pour la R&D est relativement facile, le mettre en production et l’intégrer dans les sources de données existantes est beaucoup plus difficile.

4. Travailler en partenariat avec ML

Quatrièmement, il est essentiel de s’assurer que personne dans l’équipe de prévention de la fraude ne commence à considérer le ML (ou plutôt l’intelligence artificielle en général) comme une menace. Il arrive parfois que les professionnels de la fraude aient l’impression qu’en investissant dans la technologie, les entreprises suggèrent que les machines peuvent faire leur travail mieux qu’elles-mêmes.

Rien ne pourrait être plus éloigné de la vérité. Vois-le de cette façon. Les entreprises exploitent généralement un ML « supervisé », où les données relatives aux observations liées à la fraude, souvent recueillies sur de nombreuses années, sont utilisées pour créer un modèle d’apprentissage automatique dans lequel les données peuvent être analysées à grande échelle. Cela joue sur les points forts des machines et des humains qui travaillent ensemble : le ML peut consommer autant de points de données qu’il est possible de l’alimenter. Et les humains peuvent examiner les résultats en utilisant une logique basée sur leur connaissance et leur compréhension des résultats de fraude existants pour s’assurer que la stratégie est optimisée.

En bref, permettez au ML de vous permettre de faire un meilleur travail pour l’entreprise. Et libérez votre équipe de l’examen interminable des données, ce qui lui permet de se concentrer sur les domaines à haut risque qui comptent vraiment.

5. Trouvez le Saint Graal

La dernière priorité est ce qu’on pourrait appeler le Saint Graal de la prévention de la fraude. Autrement dit, utiliser le ML pour lutter contre les trois éléments qui composent le coût total de la fraude : augmenter le nombre de fraudes que vous détectez ; réduire le fardeau opérationnel que la lutte contre la fraude peut imposer à votre organisation et à son personnel ; et améliorer le parcours de vos bons clients.

Pour atteindre ce résultat idéal, vous devez mettre en place une stratégie de fraude à plusieurs niveaux, avec une technologie qui peut fonctionner en parallèle ou de manière séquentielle pour traiter les e-mails, les appareils, les identités et d’autres sources de risque. La bonne solution ML prendra alors toutes les données de toutes ces sources et analysera toutes les règles qui ont été déclenchées pour créer un score de probabilité de fraude.

Cela fournit ensuite la base d’une stratégie qui vous permet de toujours prendre les meilleures décisions en matière de fraude. Il est pratiquement impossible d’y parvenir et d’atteindre ce Saint Graal sans utiliser une solution ML qui rassemble cette capacité totale.

Chez Experian, nous faisons constamment évoluer notre portefeuille ML et les solutions individuelles qu’il contient pour maintenir nos clients à la pointe des meilleures pratiques en matière de prévention de la fraude. En savoir plus sur la prochaine génération de prévention de la fraude ou Nous contacter à présent.

Vous pourriez également aimer...