En 2024, les clients des États-Unis ont à eux seuls perdu 12,5 milliards de dollars à cause de la fraude, soit une augmentation de 25 % par rapport à l'année précédente. Bien souvent, la fraude ressemble à une transaction normale jusqu'à ce qu'elle ne le soit plus : un bot de test de cartes bancaires peut soumettre des dizaines de petits paiements sur différentes cartes en quelques minutes, un fraudeur peut utiliser des identifiants volés pour passer une commande de grande valeur avec expédition accélérée, ou un client peut contester un paiement qu'il a réellement autorisé.

Les meilleurs logiciels de détection de la fraude permettent de détecter ces mécanismes avant qu'ils ne se transforment en litiges, en utilisant une logique basée sur des règles, le machine learning (ML) et des signaux de transaction en temps réel pour séparer les achats légitimes des achats frauduleux. Nous expliquons ci-dessous comment fonctionnent les logiciels de détection de la fraude, quelles sont les fonctionnalités importantes lors de l'évaluation d'une solution de prévention de la fraude, et comment adapter un système à l'exposition de votre entreprise à la fraude.

L’essentiel à retenir

• La détection de la fraude moderne utilise une logique basée sur des règles, le ML, ou les deux, pour détecter les mécanismes de fraude connus ainsi que les tactiques émergentes qui échapperaient aux règles statiques.

• Les taux de faux positifs sont tout aussi importants que les taux de détection, car le blocage de clients légitimes engendre ses propres pertes de revenus.

• Les entreprises qui utilisent déjà des prestataires de paiement dotés d'une détection de la fraude native peuvent souvent se passer d'une intégration tierce. Les outils de détection de la fraude intégrés s'appuient sur des signaux au niveau du réseau que les plateformes indépendantes ont souvent du mal à reproduire.

Qu'est-ce qu'un logiciel de détection de la fraude ?

Les logiciels de détection de la fraude liée aux paiements évaluent les transactions pour identifier et bloquer les activités frauduleuses avant qu'elles ne se traduisent par des litiges, des vols de biens ou des comptes compromis. En général, ils interviennent entre une tentative de transaction et son approbation, et appliquent une combinaison de règles, de modèles et de signaux pour décider si un paiement doit aboutir.

Comment fonctionne un logiciel de détection de la fraude ?

Les systèmes de détection de la fraude diffèrent dans la façon dont ils décident ce qu'il faut bloquer. Il existe des systèmes basés sur des règles et des systèmes basés sur le machine learning.

Détection basée sur des règles

Les systèmes basés sur des règles appliquent une logique conditionnelle aux transactions entrantes : si une transaction dépasse un certain montant, provient d'une région à haut risque ou déclenche une vérification de vélocité (par exemple, plus de cinq achats avec la même carte bancaire en 10 minutes), elle est signalée ou bloquée.

L'avantage est la transparence : vous pouvez voir exactement pourquoi une transaction a été signalée. La limite est que les règles ne détectent que ce que vous avez anticipé lors de leur rédaction. Un mécanisme de fraude que vous n'avez jamais vu auparavant ne déclenchera aucune règle tant que vous n'aurez pas mis à jour votre logique.

Modèles de machine learning

La détection basée sur le machine learning s'appuie sur l'historique des données de transaction pour identifier ce qui est « normal » et signaler les écarts. Une transaction unique provenant d'un nouvel appareil ou d'un nouveau pays, ou effectuée à une heure inhabituelle pour un montant atypique, peut sembler correcte si elle ne présente qu'une seule de ces caractéristiques. Mais lorsqu'elles sont combinées, la transaction peut être considérée comme à haut risque. Le modèle pondère ces signaux en fonction de ce qui est réellement prédictif dans l'historique de vos transactions.

L'avantage significatif par rapport aux règles est l'adaptabilité : les tactiques de fraude évoluent constamment et les modèles de machine learning peuvent détecter des mécanismes émergents avant même que vous n'ayez rédigé une règle à leur sujet. L'inconvénient est l'opacité, car il est plus difficile d'expliquer exactement pourquoi une transaction spécifique a fait l'objet d'un refus de paiement, ce qui complique la vérification des faux positifs.

Dans tous les cas, ces systèmes doivent fonctionner en temps réel au moment où la transaction est soumise. Ils doivent être suffisamment rapides pour l'accepter ou la refuser avant l'expiration de la session de paiement et sans introduire de retards perceptibles lors du paiement. Certains systèmes suivent également le comportement tout au long du tunnel de paiement et intègrent des signaux au niveau de la session dans le score de risque avant même que le paiement ne soit soumis.

Quels types de fraude liée aux paiements un logiciel de détection de la fraude peut-il détecter ?

Les entreprises sont couramment confrontées à différents types de fraude liée aux paiements : la fraude sans présentation de la carte (CNP), le test de cartes bancaires, le piratage de compte (ATO) et la fraude amicale. Chacune exploite une vulnérabilité différente du flux de transaction et peut être détectée par un logiciel de prévention de la fraude.

• Fraude CNP : un fraudeur utilise des données de carte volées pour effectuer des achats ne nécessitant aucune carte physique. La détection repose sur des signaux que le titulaire de la carte ne déclencherait pas en temps normal, tels que des adresses de facturation et de livraison qui ne correspondent pas, des empreintes d'appareil inhabituelles et des comportements anormaux.

• Test de cartes bancaires : les fraudeurs qui obtiennent des numéros de cartes volés vérifient lesquelles sont actives, généralement en soumettant des transactions d'un montant faible ou nul sur de nombreuses cartes de manière rapprochée. Les vérifications de vélocité et la prise d'empreinte d'appareil constituent les principales contre-mesures.

• Fraude ATO : dans la fraude ATO, des personnes malveillantes accèdent à un compte client légitime (souvent par bourrage d'identifiants, en utilisant des paires de noms d'utilisateur et de mots de passe divulguées) et utilisent des moyens de paiement sauvegardés pour passer des commandes. La détection utilise des signaux comportementaux (par exemple, une connexion depuis un appareil inconnu, des changements soudains de mot de passe suivis d'achats, ou des changements d'adresse juste avant une commande de grande valeur).

• Fraude amicale : un client effectue une transaction légitime, reçoit la marchandise, puis conteste le paiement auprès de sa banque. Les logiciels de détection de la fraude peuvent être utiles en signalant les comptes ayant des antécédents de litige ou les achats qui correspondent à des mécanismes connus, tels que des biens de grande valeur avec expédition accélérée pouvant être facilement revendus.

Quelles sont les fonctionnalités importantes d'un logiciel de détection de la fraude ?

Les fonctionnalités les plus importantes dépendent fortement de votre volume de transactions, de votre exposition à la fraude et de votre configuration technique. Toutefois, certaines capacités sont toujours pertinentes.

Tenez compte des éléments suivants :

• Précision de la détection : un système qui refuse 85 % des fraudes et 15 % des commandes légitimes échange une perte de revenus contre une autre. Recherchez des plateformes qui publient des taux de faux positifs en même temps que des taux de détection, car l'association de ces deux chiffres est bien plus révélatrice que le seul taux de détection.

• Personnalisation des règles : les modèles préconçus constituent un point de départ. Il est presque toujours nécessaire d'y ajouter une logique spécifique à l'entreprise, comme le blocage de certaines zones géographiques, l'exigence du protocole 3D Secure pour les commandes supérieures à un certain seuil, et l'ajustement des scores de risque pour les clients connus et sûrs. Les plateformes qui vous permettent d'écrire et de tester des règles personnalisées sans l'aide d'un ingénieur sont considérablement plus flexibles dans la pratique.

• Intégration à l'infrastructure de paiement : un outil de prévention de la fraude qui vous oblige à faire passer les données de transaction par une API (interface de programmation d'application) distincte introduit de la latence et des points de défaillance. Les systèmes intégrés au tunnel de paiement ou créés nativement dans votre prestataire de paiement évitent cette complexité.

• Reporting et gestion des cas : lorsque votre équipe examine des transactions signalées, elle a besoin de contexte (pourquoi la transaction a été signalée, quels signaux y ont contribué et à quoi ressemblaient des transactions similaires). Un logiciel de gestion de la fraude qui présente clairement ces informations accélère l'examen manuel et vous aide à affiner vos règles au fil du temps.

• Évolutivité : un système qui gère votre volume actuel doit pouvoir en gérer 10 fois plus sans perte de rapidité ou de précision. Les périodes de forte affluence comme le Black Friday connaissent souvent des pics de fraude ; c'est aussi à ces moments-là que vous souhaitez le moins subir de ralentissements.

Quels sont les défis liés aux logiciels de détection de la fraude ?

Les logiciels de détection de la fraude ont deux rôles : signaler avec précision les tentatives de fraude et ne pas bloquer les transactions légitimes. L'un des défis les plus persistants en matière de détection de la fraude consiste à trouver un équilibre. Le logiciel doit traiter rigoureusement les signaux de fraude sans créer de frustration pour les clients légitimes.

Au-delà de ce travail continu, les systèmes basés sur des règles et les systèmes basés sur le ML sont confrontés à des défis distincts :

• Les règles deviennent obsolètes : les tactiques de fraude évoluent constamment. Un ensemble de règles qui était efficace il y a six mois peut présenter des lacunes notables aujourd'hui. Sans révision régulière, les systèmes basés sur des règles tendent vers l'obsolescence.

• La qualité des données pour les modèles de ML varie : les modèles de ML ne valent que par les données sur lesquelles ils sont entraînés. Une plateforme utilisant les signaux de transaction de millions d'entreprises dans de nombreux secteurs aura un modèle très différent d'une plateforme dont la couverture est plus restreinte. Lorsque vous évaluez des fournisseurs, interrogez-les spécifiquement sur l'étendue de leurs données d'entraînement.

Comment choisir un logiciel de détection de la fraude pour votre entreprise ?

Le choix du logiciel de détection de la fraude approprié dépend du mode de fonctionnement de votre entreprise. Il vous faut un système facile à intégrer, simple à utiliser et adapté au type de fraude auquel vous êtes confronté.

Tenez compte de ces variables :

• Volume de transactions : pour les volumes plus faibles, la précision des modèles de ML peut être inconstante s'il y a moins de données historiques sur lesquelles s'entraîner. Les approches basées sur des règles ou hybrides peuvent surpasser le ML pur à plus petite échelle. Les entreprises traitant d'importants volumes tirent probablement davantage parti du ML, car les modèles disposent de suffisamment de signaux pour être véritablement prédictifs. Toutefois, les petites entreprises peuvent tout de même bénéficier d'un modèle de ML au niveau du réseau.

• Configuration technique : si vous utilisez un prestataire de paiement doté d'un service de détection de la fraude intégré, c'est souvent le bon point de départ. La complexité de l'intégration est minimale et les signaux de fraude sont déjà intégrés au tunnel de paiement. Si vous travaillez avec plusieurs processeurs ou si vous disposez d'une infrastructure de paiement complexe, vous aurez peut-être besoin d'une plateforme de lutte contre la fraude indépendante offrant une prise en charge étendue de l'intégration.

• Ressources internes : certaines plateformes de lutte contre la fraude nécessitent un travail d'ingénierie important pour leur configuration et leur maintenance ; d'autres sont conçues pour être gérées directement par des équipes opérationnelles non techniques. Si vous ne disposez pas d'une équipe dédiée à l'analyse de la fraude ou aux risques, privilégiez les plateformes dotées de modèles d'analyse par défaut robustes et d'interfaces de règles simples.

• Reporting et intégration des flux de travail : vérifiez que toute plateforme que vous évaluez se connecte à votre flux de gestion des litiges et exporte les données dans des formats compatibles avec votre suite d'outils de reporting. Les outils de prévention de la fraude qui ne s'intègrent pas correctement génèrent un travail manuel qui peut annuler les avantages de l'automatisation.

Comment Stripe Radar peut vous aider

Stripe Radar s’appuie sur des modèles d’IA entraînés à partir des données issues du réseau mondial de Stripe pour détecter et prévenir la fraude. Il met continuellement à jour ces modèles pour tenir compte des dernières tendances en matière de fraude, et protège ainsi votre entreprise à mesure que la fraude évolue.

Stripe propose également Radar for Fraud Teams, qui permet aux utilisateurs d’ajouter des règles personnalisées pour faire face aux scénarios de fraude propres à leurs activités et d’accéder à des analyses avancées en la matière.

Radar peut aider votre entreprise à :

• Prévenir les pertes dues à la fraude : Stripe traite plus de 1 000 milliards de dollars de paiements chaque année. À cette échelle, Radar peut détecter et prévenir la fraude avec une précision inégalée, ce qui vous permet de limiter les pertes financières.

• Augmenter les revenus : les modèles d’IA de Radar sont notamment entraînés avec des données réelles, provenant de litiges, d’informations clients ou encore de la navigation. Ils permettent à Radar d’identifier les transactions à risque tout en réduisant le nombre de faux positifs, ce qui contribue à augmenter vos revenus.

• Gagner du temps : Radar est intégré à Stripe et ne nécessite aucune ligne de code pour être configuré. Vous pouvez suivre vos performances en matière de fraude, définir des règles et accéder aux analyses depuis une plateforme unique, pour plus d’efficacité.

En savoir plus sur Stripe Radar, ou démarrez dès aujourd’hui.