Chaque système de détection de la fraude dans les paiements tente d'intercepter les transactions frauduleuses sans bloquer les transactions légitimes. Pour atteindre cet équilibre, il faut comprendre comment fonctionnent les systèmes de détection, où ils échouent, et comment mesurer et ajuster les performances au fil du temps.

En 2024, les pertes mondiales liées à la fraude par carte ont diminué de 1,2 % pour s'établir à 33,41 milliards de dollars, en partie grâce aux modèles de prévention de la fraude basés sur l'IA.

Ci-dessous, nous examinerons comment fonctionnent les systèmes modernes de détection de la fraude, pourquoi les faux positifs sont aussi coûteux que la fraude, et comment évaluer et améliorer vos outils pour de meilleurs résultats.

Principaux points à retenir

• Les systèmes de détection de la fraude superposent une logique basée sur des règles et l'apprentissage automatique pour intercepter les transactions frauduleuses en temps réel. Le plus grand défi consiste à minimiser les faux positifs.

• Quatre indicateurs clés déterminent les performances du système de fraude : le taux de fraude, le taux de faux positifs, le taux de litiges et le taux d'approbation. Cependant, affiner l'un d'eux isolément a tendance à dégrader les autres.

• Des réglages continus – rétroaction post-autorisation, règles contextuelles et tests de seuil délibérés – permettent de maintenir la précision d'un système de fraude au fil du temps.

Qu'est-ce que la détection de la fraude dans les paiements ?

La détection de la fraude dans les paiements est le processus d'identification des transactions frauduleuses en temps réel et d'intervention sur celles-ci avant que l'argent ne soit transféré au mauvais endroit. Cela peut impliquer de refuser une transaction, d'exiger une authentification ou de signaler une transaction pour vérification manuelle. Cela dépend de la confiance du système et du niveau de risque que l'entreprise est prête à absorber.

Comment fonctionnent les systèmes modernes de détection de la fraude ?

Un système de détection de la fraude moderne superpose plusieurs mécanismes. Aucune méthode unique n'est susceptible de tout détecter. Ces couches fonctionnent en séquence ou en parallèle, chacune apportant un signal à une décision finale.

Voici les couches :

Détection basée sur des règles

Les moteurs de règles appliquent une logique fixe ou dynamique aux données de transaction. Si une transaction remplit certaines conditions, elle est signalée ou refusée. Les contrôles de vitesse figurent parmi les règles les plus courantes, suivant la fréquence à laquelle une carte, une adresse IP (Internet Protocol) ou un appareil donné apparaît dans les transactions sur une courte période. Toutefois, ces contrôles sont fragiles, car les modèles de fraude évoluent et une règle adaptée à l'attaque du mois dernier pourrait manquer celle de ce mois-ci.

Apprentissage automatique et IA

Les modèles d'apprentissage automatique évaluent des centaines de caractéristiques simultanément pour produire un indice de risque. Les modèles supervisés s'entraînent sur des données historiques étiquetées et apprennent quelles combinaisons de caractéristiques prédisent chaque résultat. Les modèles non supervisés détectent les anomalies sans exemples étiquetés, ce qui les rend utiles pour découvrir des modèles de fraude qui ne sont pas apparus dans les données d'entraînement. L'avantage pratique par rapport aux règles est la généralisation : un modèle peut détecter un modèle qu'aucun analyste n'a explicitement défini parce qu'il trouve une structure dans les données plutôt que dans des conditions écrites.

Prise de décision en temps réel

Les règles et les modèles doivent fonctionner rapidement. L'évaluation de la fraude s'effectue dans la fenêtre d'autorisation du paiement, de sorte qu'une latence accrue diminue la conversion. Les modèles doivent être suffisamment légers pour évaluer en temps réel, et l'infrastructure doit évoluer en fonction des pics de volume de transactions. Le système doit également agir à partir d'informations partielles, car vous ne saurez souvent pas si une transaction donnera lieu à une contestation avant des semaines.

Quel est le problème des faux positifs dans la détection de la fraude dans les paiements ?

Un faux positif, également appelé faux déclin, est une transaction légitime que votre système refuse de manière incorrecte. C'est le coût le moins discuté de la prévention de la fraude, mais il peut avoir des répercussions majeures. Si 0,1 % des transactions sont frauduleuses et que votre système bloque à tort 1,0 % des transactions légitimes, vous bloquez 10 fois plus de clients légitimes que de fraudeurs. La perte directe de revenus est évidente, et un client refusé au moment du paiement ne réessaie souvent pas.

Des seuils trop prudents détectent plus de fraude, mais aussi plus de clients légitimes. L'assouplissement des seuils augmente les taux d'approbation, mais laisse passer plus de fraude. Il n'existe aucune configuration qui élimine les deux problèmes. De meilleurs modèles, des ensembles de fonctions plus riches et davantage de données réseau modifient tous l'équilibre.

Quelles métriques devriez-vous utiliser pour mesurer les performances de détection de la fraude ?

Ces quatre métriques sont les plus importantes pour évaluer un système de détection de la fraude :

• Taux de fraude : Le pourcentage de transactions frauduleuses, mesuré par le volume de contestations ou les rapports de fraude confirmés. Ce taux vous indique l'ampleur de la fraude qui réussit à passer, mais c'est un indicateur retardé.

• Taux de faux positifs : Le pourcentage de transactions légitimes incorrectement refusées. Ce taux est plus difficile à mesurer avec précision, car vous ne savez pas toujours pourquoi un client a abandonné un achat, mais les données sur les transactions refusées et les rapports du service d'assistance vous en donnent une idée.

• Taux de litiges : Le volume de transactions contestées par rapport au volume total de transactions. Des taux de litiges élevés et constants peuvent déclencher des programmes de surveillance imposant des amendes ou des restrictions de traitement, il est donc recommandé aux entreprises d'essayer de maintenir cet indicateur à un niveau bas.

• Taux d'approbation : Le pourcentage de tentatives de transactions qui sont autorisées avec succès. Ce taux est votre indicateur du côté de la conversion et reflète les refus de paiement par carte de l'émetteur et les refus de votre système. Une augmentation du taux de fraude accompagnée d'une augmentation du taux d'approbation signifie généralement que les seuils sont trop souples. Une baisse du taux d'approbation avec un taux de fraude stable suggère qu'ils sont trop stricts.

Comment devriez-vous évaluer les outils de détection de la fraude dans les paiements ?

Le bon outil dépend de votre volume de transactions, de vos ressources techniques et du contrôle dont vous avez besoin sur la logique de détection. Il existe trois grandes catégories :

• Outils de fraude intégrés aux fournisseurs de services de paiement (FSP) : Ces outils sont intégrés à votre FSP, partagent des données provenant du processus de paiement et ne nécessitent aucune intégration distincte. Le compromis est souvent une personnalisation limitée. Vous dépendez de la qualité du modèle du FSP et ne pouvez pas facilement ajuster les seuils ou les règles au-delà de ce que le fournisseur expose.

• Plateformes d'apprentissage automatique tierces : Celles-ci offrent une modélisation plus sophistiquée, souvent avec des ajustements spécifiques au secteur et des contrôles granulaires sur les règles et les seuils. Elles s'intègrent via des interfaces de programmation d'applications (API) et évaluent les transactions avant ou pendant l'autorisation. La configuration de l'intégration demande plus de travail, et l'acheminement des données vers un système externe introduit une latence dont vous devrez tenir compte.

• Systèmes internes : Ceux-ci vous offrent un contrôle maximal, car vous possédez le modèle, le pipeline de données et la logique de décision. Ce contrôle s'accompagne d'un coût d'ingénierie considérable. La création et la maintenance d'un système de fraude en interne exigent un développement continu du modèle pour garder une longueur d'avance sur les tactiques de fraude en évolution.

Lorsque vous comparez des options, quelques questions peuvent permettre d'y voir clair parmi les affirmations des fournisseurs :

• Quelle est la précision de détection pour votre combinaison spécifique de transactions ?

• À quoi ressemble le taux de faux positifs à votre seuil de fraude cible ?

• À quelle vitesse pouvez-vous réagir aux nouveaux modèles de fraude ? Pouvez-vous ajouter une règle en temps réel, ou cela nécessite-t-il un ticket d'assistance ?

• À quoi ressemble le flux de travail de la file de vérification manuelle ? Combien de frais d'exploitation cela crée-t-il ?

Stripe Radar est conçu pour équilibrer l'intelligence et la flexibilité dans la détection de la fraude. Il permet de stopper la fraude sans dégrader les taux d'approbation. Les entreprises peuvent voir l'indice de risque de Radar et élaborer des règles en plus, sans écrire de code. Elles peuvent bloquer les transactions au-delà d'un certain seuil, exiger une authentification 3D Secure pour une plage de scores spécifique, ou appliquer une logique plus stricte à une catégorie de produits particulière.

Comment réduire le risque de fraude sans nuire aux taux d'approbation ?

L'optimisation est un processus continu, car les modèles de fraude évoluent, votre clientèle change, et un système réglé pour la combinaison de transactions du trimestre précédent pourrait sous-performer ce trimestre. Quelques pratiques peuvent faire une différence constante :

• Réinjecter les signaux post-autorisation dans votre modèle : Les rétrofacturations et les rapports de fraude confirmés sont les signaux dont votre modèle a besoin. Les réinjecter régulièrement dans les données d'entraînement empêche la précision de détection de dériver au fur et à mesure que les modèles de fraude changent. Un modèle statique se dégrade au fil du temps.

• Segmenter vos règles par contexte : Un contrôle de la vitesse calibré pour votre transaction moyenne pourrait être trop agressif pour les clients fidèles à valeur élevée et trop clément pour les nouveaux clients. Les règles qui tiennent compte de l'historique du client, du type de produit ou du contexte d'achat produisent moins de faux positifs que les seuils généraux.

• Gérer activement votre file de vérification : Les transactions signalées pour vérification manuelle se situent entre une approbation et un refus automatisés. Si votre file est importante et lente à traiter, vous retardez les clients légitimes ou laissez la fraude sans vérification. La priorisation par indice de risque et l'établissement de voies de remontée claires peuvent améliorer les deux résultats.

• Tester les modifications de seuil : Lorsque vous ajustez un seuil de règle ou de modèle, exécutez-le sur un échantillon de transactions avant de l'appliquer à grande échelle. C'est la seule façon de savoir si une modification améliore le compromis entre la fraude et l'approbation ou ne fait que le déplacer.

Comment Stripe Radar peut vous aider

Stripe Radar utilise des modèles d’IA formés pour détecter et prévenir la fraude, entraînés sur les données du réseau mondial de Stripe. Il met continuellement à jour ces modèles en fonction des dernières tendances en matière de fraude, protégeant ainsi votre entreprise au fur et à mesure que les tactiques frauduleuses évoluent.

Stripe propose également Radar for Fraud Teams, qui permet aux utilisateurs d’ajouter des règles personnalisées pour faire face ce à des scénarios de fraude propre à leurs entreprises et d’accéder à des informations avancées sur la fraude.

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. Cette envergure permet à Radar de détecter et de prévenir la fraude avec une précision inégalée, vous permettant ainsi de réaliser des économies.

• Augmenter les revenus : les modèles d’IA de Radar sont entraînés sur des données réelles de contestations, des informations relatives aux clients, des données de navigation, et bien plus encore. Cela permet à Radar de détecter les transactions à risque et de réduire les faux positifs, augmentant ainsi vos revenus.

• Gagner du temps : Radar est intégré à Stripe et ne nécessite aucune ligne de code pour être configuré. Vous pouvez également surveiller vos performances en matière de fraude, définir des règles, etc., dans une seule plateforme, augmentant ainsi l’efficacité de vos équipes.

Apprenez-en plus sur Stripe Radar ou faites vos premiers pas dès aujourd’hui.