Prévention de la fraude : comment l'IA permet de suivre les changements de comportement des clients

Face à des typologies de fraude de plus en plus complexes, il est plus difficile pour les établissements de disposer d’outils de détection puissants. Même si certains signaux d’alerte concernent de nombreux types de fraude, une détection précise nécessite une approche quasi chirurgicale. Dans un environnement de risque qui ne cesse d’évoluer, comment les établissements peuvent-ils détecter sans faute la fraude de manière proactive, efficace et précise ?

Signaux d’alerte les plus courants

Les changements de comportement des clients sont souvent un indicateur majeur de fraude. Ainsi, dans le cas de la maltraitance financière des personnes âgées, l’American Bankers Association (ABA) a identifié 14 signaux d’alerte à surveiller, à savoir : 

• Des transactions effectuées soudainement pour le client par des tiers, sans les documents exigés, même s’il s’agit d’un proche ou d’un aidant
• Des changements au niveau des informations de compte, dont l’envoi de relevés à une adresse ne figurant pas dans le dossier du client
• Des transactions beaucoup plus importantes que d’habitude ou qui dépassent soudainement les fonds disponibles

D’autres délits sont plus sophistiqués, notamment la fraude par la prise de contrôle d’un compte (ATO). Dans ce cas, un fraudeur utilise des informations obtenues par piratage ou ingénierie sociale pour accéder au compte et aux fonds d’un client. Il tente ensuite de se comporter comme s’il était le client pour éviter d’être détecté. Malgré la complexité de la fraude ATO, certaines caractéristiques sont généralement identifiables. Ainsi des changements au niveau du comportement de connexion d’un client peuvent indiquer qu’un tiers (voire un robot) tente d’accéder à son compte. Parmi les autres signaux d’alerte, citons des changements dans les habitudes de l’utilisateur ou l’utilisation d’adresses IP qui ne correspondent pas à l’emplacement habituel du client.

On notera des caractéristiques similaires en cas de fraude au paiement en ligne ou par carte de crédit. Dans tous les cas, ce sont des changements importants au niveau de l’historique du comportement, notamment l’emplacement, le rythme ou le montant des transactions, qui peuvent alerter les analystes et les systèmes d’alerte.

Comportements complexes : des caractéristiques invisibles

Il existe cependant de nombreux changements de comportement qui sont beaucoup plus subtils et qui nécessitent une approche plus granulaire. Ces changements génèrent des caractéristiques atypiques que les personnes proches du client remarqueront, mais qui passeront inaperçues pour les autres. Ainsi, certaines habitudes des clients sont associées à leur psychologie, par exemple les moments de la journée où ils font leurs achats ou encore leurs styles d’épargne et d’investissement. Les criminels qui commettent des fraudes de type ATO se spécialisent plus particulièrement dans l’imitation de l’identité du client légitime . Aussi, l’indicateur de fraude le plus puissant est souvent une association complexe de signaux qui, pris isolément, paraissent anodins.

Les règles classiques ont souvent du mal à identifier des changements de comportement aussi nuancés tandis que les analystes n’ont pas le temps de s’imprégner des nuances du comportement de chaque client.

L’intelligence artificielle au service de l’analyse comportementale

Dès lors, comment une équipe de prévention de la fraude qui traite de gros volumes de profils clients peut-elle détecter des caractéristiques qui peuvent sembler anodines pour ceux qui ne maîtrisent pas le comportement spécifique de chaque client ? Comment des analystes humains peuvent-ils envisager de rassembler seuls tous les signaux faibles et complexes qui ne déclenchent pas les règles traditionnelles ?

Les anomalies comportementales cachées et interconnectées exigent des solutions suffisamment puissantes pour détecter des caractéristiques en volume. Grâce à l’apprentissage automatique, l’analyse comportementale peut relier des points de données qui semblent sans rapport entre eux au sein du profil d’un client, même en présence de comptes multiples et de caractéristiques distinctes. Armées d’outils puissants, les équipes chargées d’identifier la fraude et le risque peuvent détecter des caractéristiques invisibles à l’œil nu, ce qui leur permet de garder une longueur d’avance sur les typologies de fraude complexes.

Programmez une présentation sur la supervision des transactions enrichie par l'IA