Les approches traditionnelles et les plates-formes de gestion des fraudes héritées ont des limites qui peuvent entraîner trop d'alertes fausses positives à enquêter et des coûts opérationnels élevés, une condition qui permet aux activités malveillantes de ne pas être détectées.
En règle générale, ces solutions produisent des preuves d'activité après la fraude, ce qui est un exemple classique de trop peu, trop tard.
Un inconvénient majeur de ces solutions ponctuelles est que les données introduites dans leurs moteurs manquent de contexte et que l'on se fie à des règles souvent non prédéterminées et non empiriques pour porter un jugement sur la légitimité des transactions.
Des systèmes et des bases de données disparates rendent difficile l'identification, l'authentification et la validation rapides des interactions avec les citoyens. Dans le même temps, ils peuvent introduire plus de frictions dans le voyage, surtout si les citoyens doivent fournir leurs coordonnées plusieurs fois à différents services ou vous contacter via différents canaux.
En décomposant les silos de solutions ponctuelles, entourés d'analyses avancées et en intégrant les systèmes de manière flexible, vous pouvez implémenter un écosystème de fraude qui fournit une vue citoyenne unique (fraude) pour la transaction.
Cela vous permet d'identifier et d'authentifier les clients avec plus de certitude, d'identifier et de réagir plus rapidement aux fraudes potentielles et de supprimer les frictions de vos parcours clients avec des services rapides et cohérents sur tous les canaux.
Les avancées récentes dans une gamme de technologies allant des mégadonnées, de l'apprentissage automatique et des améliorations des API ont fusionné pour créer de nouvelles approches pour détecter la fraude.
Ceux-ci peuvent détecter des comportements et des activités anormaux et périphériques en temps réel, entourés d'une stratégie et d'une capacité de gestion du flux de travail, pour fournir des évaluations de risques précises afin que les atténuations puissent être déclenchées rapidement.
Le gouvernement britannique a fait des progrès depuis le rapport de la NFA en 2010 qui parlait de «centrique» et de «connectivité» en créant un état d'esprit des données à travers le Digital Economy Act (DEA) 2017 et l'Open Data Agenda, mais il est clair qu'il y a encore des progrès à faire fait.
Le Cabinet Office a construit une boîte à outils de partage et d'analyse des données, lancé des projets pilotes de partage de données et embauche des analystes qualifiés dans les différents ministères pour aider à lutter contre la fraude. Mais les criminels et les pirates utilisent déjà des technologies avancées, notamment l'IA, pour collecter des informations et effectuer des fraudes à la vitesse de la machine.
Pour suivre le rythme des criminels, le secteur public doit envisager d'améliorer les anciennes méthodes de détection de la fraude, en progressant dans les nouvelles approches qui utilisent:
Avec une approche holistique des données, du flux de travail et des décisions réparties sur tous les points de détection, le secteur public peut gravement affecter le coût de la fraude dans l'ensemble du domaine gouvernemental.
Experian est le sponsor principal de « Conférence internationale sur l'analyse des données de lutte contre la fraude 2020 » en mars. Avec d'autres partenaires des secteurs public et privé, nous partagerons nos expériences d'utilisation des données et des analyses pour lutter contre la fraude et les erreurs au sein du gouvernement. Nous sommes impatients de participer à cette discussion et de contribuer à la lutte contre la fraude à l'avenir.
Vous voulez faire partie de la discussion? Inscrivez-vous ici
