Fraude en ligne : L’IA automatise la revue manuelle des transactions
HiPay intègre le Machine Learning pour la détection de la fraude et automatise le traitement des transactions « challengées » par le module de scoring
L’Intelligence Artificielle plébiscitée par les retailers, c’est ce que montre une étude récente de SLI Systems : recommandation de produit, service client, chatbot, réalité augmentée… autant d’usages orientés utilisateurs. Mais pour les marchands, une des principales préoccupations reste la fraude en ligne.
Le nombre de transactions sur les sites d’e-commerce ne cesse de croître, il a progressé de plus de 20 % sur le premier trimestre de l’année 2017 en France selon le rapport de la FEVAD. Mais les pertes dues à la fraude continuent elles aussi de croître. En France, la fraude à la carte de paiement a représenté 400 millions d’euros en 2016.
Pour lutter contre la fraude, les acteurs du paiement tels que HiPay proposent des solutions logicielles basées sur le scoring. A partir de règles prédéfinies par le marchand et sous la supervision d’une équipe dédiée chez le prestataire, l’application calcule pour chaque transaction en cours un score qui permet d’évaluer son niveau de risque. Ce score détermine l’état final de la transaction comme étant autorisée, bloquée ou « challengée » (c’est-à-dire nécessitant une revue manuelle), ou active une demande d’authentification de type 3D-Secure.
Dans le cadre d’une revue manuelle, la transaction est placée en suspens jusqu’à son traitement par une intervention humaine. Une attente qui tend à dégrader l’expérience d’achat des utilisateurs légitimes. L’idée d’utiliser l’Intelligence Artificielle pour automatiser cette phase manuelle n’est pas nouvelle. Mais les progrès récents dans le domaine notamment grâce au Machine Learning permettent d’envisager des solutions autonomes qui apprennent et s’adaptent par elles-mêmes.
Avec la solution de lutte contre la fraude HiPay Sentinel, l’éditeur français se lance à son tour dans le Machine Learning. Développé en interne par l’équipe de R&D, le module prédictif Smart Decision est capable d’avaler des teras de données transactionnelles, comportementales et contextuelles relatives aux transactions, afin de prendre automatiquement une décision pertinente en cas de transaction « challengée ».
Concrètement, comment ça marche ?
Il y a d’abord une phase d’apprentissage dans laquelle on alimente l’algorithme avec d’une part les données transactionnelles provenant des marchands : données de paiement en ligne(mais également de paiement en magasin, ce qui permet d’avoir une meilleure connaissance du client), données des impayés provenant des banques.
On alimente d’autre part avec des données comportementales concernant les utilisateurs : vélocité des transactions sur une certaine période, heure d’achat, montant de la commande, contrôle de cohérence, etc. Lesdonnées contextuelles sont elles aussi intégrées dans l’apprentissage. On pense par exemple aurisque que peut représenter l’envoi d’une commande à une certaine adresse, ou celui que représente l’utilisation d’un certain moyen de paiement, etc. « L’ensemble de ces données sont utilisées pour entraîner les algorithmes à qualifier le risque en fonction de tous ces paramètres, sachant qu’il y a plusieurs centaines de paramètres, et à établir des modèles d’apprentissage spécifiques à chaque marchand » explique Alexandre Czech, Chef de Projet Data Science chez HiPay.
Après cette phase d’apprentissage, l’algorithme devient un module prédictif complètement autonome et qui a la capacité d’évoluer en fonction de l’activité du marchand. Par exemple, en cas de pic d’activités pendant les soldes, il saura ne pas qualifier de comportement frauduleux des utilisateurs qui reviennent plus fréquemment avec des montants de panier plus élevés.
L’enjeu de l’automatisation
Grâce à cette innovation, le temps de réponse pour l’utilisateur est instantané quel que soit le scoring de la transaction, un plus appréciable en terme d’expérience utilisateur.
« Pour les e-commerçants, les résultats de détection des fraudes seront globalement meilleurs qu’avec une intervention humaine, certains comportements frauduleux étant relativement difficiles à appréhender dans certains cas » poursuit Cyril Tanneau, Head of Data Analyticschez HiPay.
Avec le module prédictif, le taux de détection des fraudes est très variable et dépend de l’expertise de l’équipe dédiée à la fraude, mais on peut le réduire jusqu’à 50 % dans certains cas. « Notre objectif est d’optimiser le taux d’acceptation : on va chercher à optimiser le nombre de transactions qu’on laisse passer tout en limitant le nombre de transactions qu’on va bloquer. On ne sait jamais si la transaction qu’on a bloquée était légitime ou non, notre curseur va être de maximiser le taux d’acceptation tout en limitant la fraude, en observant sur le long terme comment se comporte notre algorithme. L’enjeu principal est que l’utilisation des algorithmes soit bénéfique pour le business de nos clients » précise le Chef de Projet Data Science de HiPay.
Pour les clients qui n’ont pas d’équipe dédiée et qui traitent les informations de fraude par différents collaborateurs en surcharge de temps, le gain de temps est considérable.
« La prochaine étape, c’est de déployer le Machine Learning sur l’ensemble des briques de paiement. Nous travaillons sur l’optimisation de chacune de ces briques pour perfectionner le parcours client, maximiser les performances… » nous confie Cyril Tanneau.
Propos recueillis par @PierreTran journaliste
