Est-ce une fraude ou un
nouveau comportement ?
Deux techniques d’analyse pour faire la différence
Est-ce une fraude ou un nouveau comportement ?
Pouvez-vous faire la différence ?
©2014 Fair Isaac Corporation. Tous droits...
©2014 Fair Isaac Corporation. Tous droits réservés. 3
« Est-ce que
cette banque
sait au moins
qui je suis ? »
©2014 Fair Isaac Corporation. Tous droits réservés. 4
Deux façons de renverser la perception de Tom
De nouvelles technique...
©2014 Fair Isaac Corporation. Tous droits réservés. 5
1
Tom n’achète pas ordinairement des snowboards
haut de gamme à Aspe...
©2014 Fair Isaac Corporation. Tous droits réservés. 6
1
Les modèles adaptatifs sont sensibles aux
changements à court term...
©2014 Fair Isaac Corporation. Tous droits réservés. 7
Voici une autre façon de comprendre le comportement normal de Tom :
...
©2014 Fair Isaac Corporation. Tous droits réservés. 8
1
Quel est le risque ?
„ 2h00
„ Retrait de 200 € à un
	 guichet auto...
©2014 Fair Isaac Corporation. Tous droits réservés.
1
9
Quel est le risque ?
„ 2h00
„ Retrait de 200 € à un
	 guichet auto...
©2014 Fair Isaac Corporation. Tous droits réservés. 10
1
Le risque de fraude est plus faible
même si seulement certains de...
©2014 Fair Isaac Corporation. Tous droits réservés. 11
Les personnes dont les caractéristiques
sont similaires ont tendanc...
©2014 Fair Isaac Corporation. Tous droits réservés. 12
Le comportement du client est
comparé aux archétypes en temps réel
...
©2014 Fair Isaac Corporation. Tous droits réservés. 13
C’est probablementTom, dans la mesure
où l’achat d’un snowboard cor...
©2014 Fair Isaac Corporation. Tous droits réservés. 14
À l’inverse, il est peu probable qu’il
achète un tableau dans une g...
+ 21
©2014 Fair Isaac Corporation. Tous droits réservés. 15
Commencez avec les avantages que les listes de comportements
(...
Comprendre non seulement qui est votre
client, mais également qui il devient
De cette manière, vous maîtriserez la détecti...
Prochain SlideShare
Chargement dans…5
×

Est-ce une fraude ou un nouveau comportement ?

477 vues

Publié le

Deux techniques d’analyse pour faire la différence

Publié dans : Technologie
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
477
Sur SlideShare
0
Issues des intégrations
0
Intégrations
12
Actions
Partages
0
Téléchargements
7
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Est-ce une fraude ou un nouveau comportement ?

  1. 1. Est-ce une fraude ou un nouveau comportement ? Deux techniques d’analyse pour faire la différence
  2. 2. Est-ce une fraude ou un nouveau comportement ? Pouvez-vous faire la différence ? ©2014 Fair Isaac Corporation. Tous droits réservés. 2 Tom, entrepreneur en technologie, achète un snowboard haut de gamme à Aspen, au Colorado : une transaction qui semble étrange comparée à ses schémas de comportement traditionnels. Est-ce le premier signe que sa carte a été compromise par un fraudeur ? Ou est-ce simplement un nouveau comportement de la part du titulaire légitime de la carte ? Une décision instantanée, dont l’enjeu pour votre banque va au-delà de la prévention des fraudes La réduction des faux positifs, c’est-à-dire des transactions légitimes signalées comme suspectes ou déclinées, a un impact direct et immédiat sur la façon dont vos titulaires de carte perçoivent la qualité de votre service. Et même si Tom appréciera d’être avisé si une fraude est en cours, trop de vérifications l’amèneront à se poser des questions…
  3. 3. ©2014 Fair Isaac Corporation. Tous droits réservés. 3 « Est-ce que cette banque sait au moins qui je suis ? »
  4. 4. ©2014 Fair Isaac Corporation. Tous droits réservés. 4 Deux façons de renverser la perception de Tom De nouvelles techniques d’analyse aident les banques à protéger son compte et son expérience client en : 1 Comprenant mieux ce que fait normalement Tom 2 Comprenant ce que Tom ne fait pas (mais pourra faire plus tard)
  5. 5. ©2014 Fair Isaac Corporation. Tous droits réservés. 5 1 Tom n’achète pas ordinairement des snowboards haut de gamme à Aspen Un modèle de fraude qualifierait probablement la transaction de Tom de suspecte, et pourrait décliner l’autorisation. Bâti sur des mois ou des années de données transactionnelles, il détecterait un risque élevé en se basant non seulement sur le type et le lieu inhabituels de l’achat (Tom vit à New York), mais également sur les schémas de comportement traditionnels d’autres titulaires de carte dont le profil est similaire. Mais qu’adviendrait-il si le modèle de fraude pouvait prendre en compte non seulement les schémas de comportement traditionnels, mais également le comportement le plus récent dans l’environnement de production ? Comprendre en détail ce que fait normalement le titulaire de la carte
  6. 6. ©2014 Fair Isaac Corporation. Tous droits réservés. 6 1 Les modèles adaptatifs sont sensibles aux changements à court terme du comportement d’achat Un modèle adaptatif, utilisé en conjonction avec le modèle de fraude, affine la détection en comparant la transaction de Tom à d’autres opérations récentes, à la fois frauduleuses et non frauduleuses. Il s’avère que Tom n’est pas le seul à s’être récemment découvert une passion pour le snowboard. Le modèle adaptatif a constaté récemment un grand nombre d’achats d’articles de sport comme celui-ci. Les cas générés sur d’autres titulaires de carte au profil similaire ont été jugés non frauduleux. Comprendre en détail ce que fait normalement le titulaire de la carte
  7. 7. ©2014 Fair Isaac Corporation. Tous droits réservés. 7 Voici une autre façon de comprendre le comportement normal de Tom : comme tous les consommateurs, il a ses habitudes Il peut avoir un guichet automatique favori et des montants spécifiques qu’il retire généralement à certaines heures du jour ou de la semaine. Des magasins et des vendeurs en ligne favoris pour certains types d’achats. Des destinations de voyage et des hôtels favoris. Les listes de comportements (Behavior Sorted Lists) de FICO suivent l’évolution de ces favoris au cours du temps Elles complètent les profils traditionnels des titulaires de carte en fournissant une vue plus détaillée des schémas transactionnels normaux. Cela vous permet de mieux faire la distinction entre un comportement normal et un comportement suspect. Voici comment… Favorite gas station spend amount and frequency Station-service, montant de dépenses et fréquence favoris Favorite Wi-fi cafe Café Wi-Fi favori Favorite ATM and cash withdrawal amount Guichet automatique et montant de retrait favoris Favorite travel city and hotel 1 Comprendre en détail ce que fait normalement le titulaire de la carte
  8. 8. ©2014 Fair Isaac Corporation. Tous droits réservés. 8 1 Quel est le risque ? „ 2h00 „ Retrait de 200 € à un guichet automatique Comprendre en détail ce que fait normalement le titulaire de la carte Un comportement qui paraîtrait généralement suspect est clairement légitime pour certaines personnes Mélanie : Approuver La transaction s’inscrit dans le schéma normal : elle a lieu à l’un des guichets favoris de Mélanie (près du restaurant où elle travaille) à une heure de la journée favorite (après son travail) François : Contacter La transaction ne s’inscrit pas dans le schéma normal : elle ne correspond à aucun des favoris de François
  9. 9. ©2014 Fair Isaac Corporation. Tous droits réservés. 1 9 Quel est le risque ? „ 2h00 „ Retrait de 200 € à un guichet automatique Comprendre en détail ce que fait normalement le titulaire de la carte Les listes de comportements mettent à jour les favoris après chaque transaction Indice Entité Fréquence Rang 1 ATM_77 F1=3,2 2 2 ATM_318 F2=9,2 1 3 ATM_291 F3=0,3 4 4 ATM_54 F4=2,7 3 Avantages : „ Enregistre pratiquement tout type d’entité (codes postaux, numéros de téléphones portables, comptes bancaires, etc.) „ Permet une évolution au cours du temps des schémas favoris „ Mesure la variance des comportements qui s’inscrivent dans le schéma normal „ Permet la création de variables complexes (par exemple, pourcentage des 5 dernières transactions qui avaient un rang de 3 ou plus) Banque en ligne Paiements mobiles Point de vente ATM Guichet automatique Le classement change en fonction de la fréquence
  10. 10. ©2014 Fair Isaac Corporation. Tous droits réservés. 10 1 Le risque de fraude est plus faible même si seulement certains des aspects de la transaction correspondent aux favoris du titulaire de la carte Lorsque Claire achète un jouet coûteux lors d’un voyage d’affaires à New York, la transaction est acceptée sans problème. Parmi les catégories d’achat favorites de Claire à Phoenix, où elle habite, figurent les jouets et vêtements haut de gamme pour enfants. Même sans aucune concordance avec les favoris, il est possible d’anticiper un nouveau comportement de la part d’un titulaire de carte Vous vous souvenez de notre snowboardeur Tom ? Il n’a jamais acheté de snowboard ni de skis, et il n’a jamais été à Aspen auparavant. Et pourtant, l’analyse de fraude prévoit que ce comportement est probable… Tournez la page pour en savoir plus sur la technologie analytique innovante actuellement mise au point par FICO Comprendre en détail ce que fait normalement le titulaire de la carte
  11. 11. ©2014 Fair Isaac Corporation. Tous droits réservés. 11 Les personnes dont les caractéristiques sont similaires ont tendance à se comporter de la même façon Tom partage les caractéristiques d’autres titulaires de carte. Les profils collaboratifs (Collaborative Profiles) de FICO génèrent des « archétypes » à partir de ces schémas de comportement globaux Une fois que cette nouvelle technologie, actuellement en cours de développement chez FICO, sera incorporée à la détection des fraudes, les modèles seront capables de prévoir avec précision les nouveaux comportements des clients. Cela s’applique notamment à un comportement transactionnel jamais observé sur le compte de Tom, mais néanmoins probable d’après les archétypes qui le définissent. Voici comment… 2 Un algorithme sophistiqué élabore des « archétypes » en identifiant des similitudes entre les comportements des clients Fande technologie Flux de données transactionnelles de diverses origines Assortiment de données regroupées en un « document » non structuré Chambre de compensation automatisée En ligne Mobile Point de vente Sportif Artiste Écologiste Guichet automatique Bricoleur Comprendre ce que le titulaire de la carte ne fait pas (mais pourra faire)
  12. 12. ©2014 Fair Isaac Corporation. Tous droits réservés. 12 Le comportement du client est comparé aux archétypes en temps réel Avec chaque transaction, le processus d’analyse met à jour le coefficient d’affectation des comportements du client à chacun des archétypes. Plus la variation de distribution entre les archétypes est importante, plus la transaction est risquée Est-ce Tom qui achète le snowboard ? Ou est-ce un fraudeur qui a volé sa carte ou ses données ? Voyons ce qu’il en est… 2 Mises à jour en temps réel à partir des flux de transactions Client Tom Évaluation dynamique du comportement de Tom 38,7 % 0,2 % 25,1 % 38,4 % 0,2 % 35,2 % 1,3 % 22,6 % 40,5 % 0,1 % 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % Est-ce Tom qui effectue la transaction ? Ou est-ce un fraudeur ? Distribution actuelle Distribution si la transaction est réalisée 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % 40,2 % 0,2 % 25,6 % 37,9 % 0,3 % Quelle est la différence ?! ! Comprendre ce que le titulaire de la carte ne fait pas (mais pourra faire)
  13. 13. ©2014 Fair Isaac Corporation. Tous droits réservés. 13 C’est probablementTom, dans la mesure où l’achat d’un snowboard correspond statistiquement à ce qu’il pourrait faire Il a un coefficient élevé dans la catégorie « Sportif », qui a une tendance marquée à acheter ce type de matériel. Le modèle de fraude intègre cette information et révise à la baisse son évaluation du risque de fraude. À l’inverse, il est peu probable qu’il achète un tableau dans une galerie de Soho Tom a une très faible affinité avec l’archétype « Artiste » et sa tendance à acheter des œuvres d’art et de la haute couture. 2 Distribution si la transaction est réalisée 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % 28,2 % 20,5 % 29,6 % 40,3 % 0,3 % Comprendre ce que le titulaire de la carte ne fait pas (mais pourra faire) Distribution si la transaction est réalisée 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % 40,2 % 0,2 % 25,6 % 37,9 % 0,3 %
  14. 14. ©2014 Fair Isaac Corporation. Tous droits réservés. 14 À l’inverse, il est peu probable qu’il achète un tableau dans une galerie de Soho Tom a une très faible affinité avec l’archétype « Artiste » et sa tendance à acheter des œuvres d’art et de la haute couture. 2 Distribution si la transaction est réalisée 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % 28,2 % 20,5 % 29,6 % 40,3 % 0,3 % Comprendre ce que le titulaire de la carte ne fait pas (mais pourra faire) Distribution si la transaction est réalisée 34,9 % 0,5 % 27,2 % 42,1 % 0,8 % 32,4 % 0,5 % 33,5 % 49,3 % 0,5 % Et s’il avait acheté une chaîne hi-fi ? Tom a aussi un fort coefficient dans la catégorie « Bricoleur », qui a un penchant marqué pour l’électronique.
  15. 15. + 21 ©2014 Fair Isaac Corporation. Tous droits réservés. 15 Commencez avec les avantages que les listes de comportements (Behavior Sorted Lists) confèrent à la gestion des fraudes Taux de détection plus élevés, taux de faux positifs plus faibles, clients plus satisfaits. Ensuite, profitez des avantages supplémentaires des profils collaboratifs (Collaborative Profiles). Ces nouvelles techniques analytiques se complètent pour vous aider à protéger encore mieux vos comptes clients et à fournir à vos clients une expérience hors pair. Par exemple, un changement important peut apparaître dans les listes de comportements (Behavior Sorted Lists), mais pas dans les profils collaboratifs (Collaborative Profiles). Cela peut être un signe que le client est en voyage, a déménagé ou changé d’emploi. Une évolution progressive affichée par les deux techniques d’analyse peut indiquer qu’un changement à plus long terme, tel que l’adoption d’un mode de vie plus sain ou une hausse du pouvoir d’achat, est en cours. La portée de ces renseignements s’étendra au-delà de la gestion des fraudes. En fait, vous pourrez… Combiner pour obtenir une connaissance encore plus approfondie du client « Ce qui nous a le plus impressionné est le fait que, même en tant que leader du secteur, FICO ne se repose pas sur ses lauriers, mais continue à innover. » CEB TowerGroup 2012
  16. 16. Comprendre non seulement qui est votre client, mais également qui il devient De cette manière, vous maîtriserez la détection des fraudes et offrirez une formidable expérience client Pour en savoir plus : Téléchargez les papiers blancs sur ce sujet : Insights #69: Is It Fraud? Or New Behavior? Insights #7: How Can Fraud Models Combat New Tricks? Consultez notre blogue : Banking Analytics Blog Pour plus de renseignements Amérique du Nord (numéro vert) Amérique latine et Caraïbes Europe, Moyen-Orient et Afrique Asie-Pacifique www.fico.com +1 888 342 6336 +55 11 5189 8222 +44 (0) 207 940 8718 +65 6422 7700 info@fico.com LAC_info@fico.com emeainfo@fico.com infoasia@fico.com FICO est une marque de commerce ou une marque déposée de Fair Isaac Corporation aux États-Unis et dans d’autres pays. D’autres noms de produits et de sociétés utilisés dans la présente peuvent être des marques de commerce de leur propriétaire respectif. © 2014 Fair Isaac Corporation. Tous droits réservés. 3045BK_FR 08/14 PDF

×