La fraude aux paiements prend de nombreuses formes et son impact financier est important. Les pertes des entreprises dues à la fraude aux paiements en ligne devraient dépasser 362 milliards de dollars à l'échelle mondiale d'ici 2028.

Gérer efficacement la fraude aux paiements signifie concevoir des systèmes qui détectent et bloquent les attaques sans créer de frictions telles que vous repoussez les clients légitimes. Cela comprend des contrôles à plusieurs niveaux, une détection ajustée et des boucles de rétroaction qui améliorent la précision au fil du temps.

Ci-dessous, nous aborderons le fonctionnement de la détection de la fraude, les stratégies de prévention permettant de réduire l'exposition et les tendances en matière de fraude aux paiements que les entreprises devraient connaître.

Points clés

• Une gestion de la fraude efficace combine la détection fondée sur des règles et l'apprentissage automatique pour détecter à la fois les modèles d'attaque connus et les nouvelles tactiques que les règles statiques ne détecteraient pas.

• À mesure que le volume de transactions augmente, l'automatisation et les boucles de rétroaction deviennent le fondement des opérations de lutte contre la fraude. La vérification manuelle est réservée aux cas véritablement ambigus.

• Les outils intégrés aux solutions de paiement, les plateformes tierces et les systèmes internes conviennent tous à un profil d'entreprise différent. Le bon choix dépend du volume de transactions, des ressources internes et de l'exposition globale à la fraude.

Qu'est-ce que la gestion de la fraude aux paiements?

La gestion de la fraude aux paiements est un ensemble de stratégies et de systèmes que les entreprises utilisent pour détecter, prévenir et réagir aux transactions frauduleuses. Dans les environnements de paiement numérique, la fraude aux paiements implique souvent des identifiants volés, des signaux d'identité manipulés ou l'abus de processus de litige légitimes.

Il existe quatre catégories courantes pour les entreprises qui traitent des paiements en ligne :

• Fraude par carte : Cela se produit lorsqu'une personne utilise des informations de carte volées pour effectuer des achats non autorisés. L'entreprise expédie les biens ou fournit le service, puis fait face à une rétrofacturation lorsque le véritable titulaire de la carte s'en rend compte.

• Test frauduleux de cartes : Il s'agit d'une attaque de volume. Les criminels qui ont acquis des listes de numéros de carte volés effectuent des dizaines ou des centaines de petites tentatives d'autorisation sur une même page de paiement pour découvrir quelles cartes sont encore actives. Les entreprises absorbent les frais d'autorisation. Une attaque d'envergure suffisante peut faire grimper les taux de refus au point d'endommager la relation de l'entreprise avec son acquéreur.

• Fraude par prise de contrôle de compte (ATO) : Cela implique qu'un pirate prend le contrôle d'un compte client légitime et utilise les modes de paiement sauvegardés pour effectuer des achats. Comme la transaction provient d'un compte connu avec un historique de confiance, des règles simples ne détectent souvent pas une tentative de prise de contrôle de compte.

• Fraude amicale : Il s'agit de litiges déposés par de véritables titulaires de carte qui ont reçu ce qu'ils ont commandé mais prétendent le contraire pour obtenir un remboursement sans retourner l'article. L'impact sur l'entreprise est le même que celui de la fraude par carte, mais la différence ici réside dans l'identité de l'acteur frauduleux.

Comment la fraude aux paiements est-elle détectée?

La détection se produit à plusieurs moments du cycle de vie de la transaction : avant l'autorisation, lors de l'autorisation et après le règlement. De nombreux systèmes de gestion de la fraude superposent différentes méthodes pour couvrir différents types d'attaques.

Il existe deux principaux types de détection :

• Détection basée sur des règles : Des règles fixes et dynamiques signalent les transactions correspondant à des modèles de fraude connus (par exemple, le pays de facturation ne correspond pas à l'adresse IP, une carte a été utilisée plus de cinq fois en une heure, la plage de numéros d'identification bancaire (BIN) a un taux de fraude historiquement élevé). Les règles s'exécutent instantanément et vous donnent un contrôle direct, mais elles sont rigides. Les tactiques de fraude évoluent plus vite que les ensembles de règles ne peuvent être mis à jour manuellement, et des règles trop générales bloquent des clients légitimes.

• Détection par apprentissage automatique (ML) : Les modèles d'apprentissage automatique évaluent simultanément des centaines de signaux pour produire un indice de risque pour chaque transaction. Contrairement aux règles statiques, ces modèles se mettent à jour en permanence lorsqu'ils sont exposés à de nouvelles données, ce qui signifie qu'ils s'adaptent lorsque les tactiques de fraude évoluent.

De nombreux systèmes de lutte contre la fraude en production combinent les deux. Les règles traitent les cas clairs, tandis que le ML traite la zone grise intermédiaire, où quelque chose cloche mais rien n'est définitivement faux. Les exécuter ensemble améliore la précision et vous permet d'appliquer différents seuils par segment de risque.

Quelles stratégies de prévention réduisent l'exposition à la fraude aux paiements?

La prévention arrête la fraude avant qu'elle ne se produise. La détection et la prévention fonctionnent mieux en tant que couches complémentaires, chacune opérant à un moment différent du flux de transactions.

Les tactiques de prévention de la fraude comprennent :

• Contrôles avant la transaction : Les limites de vitesse sur les tentatives de carte par session, le CAPTCHA, la prise d'empreinte des appareils lors de la création de compte et la vérification de l'adresse courriel au moment du paiement réduisent toutes l'exposition avant même qu'une transaction ne soit soumise. Si la calibration est trop permissive, la fraude peut passer; si elle est trop stricte, vous pourriez bloquer de véritables clients.

• 3D Secure (3DS) : Lorsqu'une transaction est authentifiée par 3DS et contestée par la suite, la responsabilité en cas de rétrofacturation incombe à l'émetteur de la carte plutôt qu'à votre entreprise. Il est préférable de l'appliquer de manière sélective plutôt qu'universelle, car cela ajoute des étapes au paiement et peut réduire la conversion sur les transactions à faible risque.

• Surveillance post-autorisation : La vérification des transactions après leur approbation, mais avant leur traitement, vous donne une fenêtre pour annuler les commandes suspectes. Cela est particulièrement pertinent pour les biens physiques de grande valeur.

• Gestion des rétrofacturations : Contester des rétrofacturations frauduleuses avec des preuves affecte directement votre taux de litiges et votre réputation auprès de votre acquéreur. Les entreprises dont les taux de litiges dépassent les seuils des émetteurs sont confrontées à des frais d'interchange plus élevés ou sont placées dans des programmes de surveillance de la fraude, ce qui en fait une préoccupation tant financière qu'opérationnelle.

Quelles tendances en matière de fraude aux paiements les entreprises devraient-elles surveiller?

Les modèles de fraude évoluent constamment. Voici quelques-unes des dernières tendances en matière de fraude aux paiements qui affectent les entreprises :

• Fraude sans présentation de la carte (CNP) : Étant donné que les transactions en ligne ne nécessitent pas la possession physique de la carte, les numéros de carte volés peuvent être utilisés jusqu'à leur annulation. Cela fait de la fraude CNP un problème courant pour les entreprises qui traitent des paiements en ligne.

• Test frauduleux de cartes par des robots : Les pirates utilisent des réseaux de robots distribués avec des adresses IP tournantes et des empreintes d'appareils usurpées pour mener des attaques de tests de cartes qui ressemblent superficiellement à du trafic réel. Les règles de vitesse seules ne parviennent souvent pas à les détecter si chaque robot se comporte dans les limites normales par appareil.

• Litiges pour fraude amicale : Les taux de litiges pour les biens numériques ont augmenté, car les consommateurs se sont familiarisés avec le processus de rétrofacturation. Une partie s'explique par une véritable confusion quant à la façon d'annuler des abonnements; mais une part importante ne l'est pas. Quoi qu'il en soit, cela apparaît dans votre taux de litiges.

• Fraude à la première partie avec achetez maintenant, payez plus tard (BNPL) : À mesure que la méthode BNPL s'est répandue, les cas de consommateurs utilisant les produits BNPL de mauvaise foi ont également augmenté. Ils effectuent des achats qu'ils n'ont jamais l'intention de rembourser ou affirment ne pas avoir reçu des commandes qui ont été traitées. C'est ici que la fraude et le risque de crédit se recoupent, et cela nécessite des contrôles différents de la fraude par carte.

Comment la gestion de la fraude aux paiements fonctionne-t-elle à grande échelle?

La mécanique de la gestion de la fraude évolue à mesure que le volume des transactions augmente. Une entreprise qui s'étend à de nouvelles zones géographiques est confrontée à des modèles de fraude, à des règles de réseaux de cartes et à des taux de litiges différents selon le marché. Les opérations de lutte contre la fraude à grande échelle séparent généralement la gestion des règles, l'enquête et l'analyse. Regrouper ces trois fonctions dans un seul rôle généraliste ne permet pas de se développer et crée des lacunes en matière de surveillance.

À grande échelle, l'objectif est l'automatisation. Les files d'attente d'examen manuel qui traitent quelques centaines de transactions suspectes par semaine se transforment en retards; vous devrez automatiser les décisions sur les cas clairs et n'acheminer que les transactions véritablement ambiguës à un examen humain. Cela exige d'avoir confiance en la précision de votre modèle, ce qui signifie investir dans la formation et la surveillance continues. Si une transaction approuvée par votre modèle se transforme en rétrofacturation six semaines plus tard, ce résultat doit être ajouté à vos données de formation. Votre modèle doit également être formé sur les faux positifs. Sans cela, les performances du modèle se détériorent à mesure que les modèles de fraude évoluent.

Quels outils soutiennent la gestion des risques liés à la fraude aux paiements?

De nombreuses entreprises ont trois options générales en ce qui concerne les outils de gestion de la fraude. Le bon choix dépend du volume de transactions, des ressources internes et de la complexité réelle de votre exposition à la fraude.

• Outils de lutte contre la fraude natifs aux solutions de paiement : Ils sont intégrés à votre traitement des paiements, de sorte que les signaux de fraude et les données de paiement se trouvent dans le même système. Il n'y a pas de délai de transfert de données et aucune intégration supplémentaire n'est requise. Le compromis est que vous travaillez avec les outils d'une seule plateforme, qui pourraient ne pas couvrir tous les cas particuliers auxquels votre entreprise est confrontée.

• Plateformes tierces de lutte contre la fraude : Des plateformes tierces spécialisées viennent s'ajouter à votre suite d'outils de paiement et offrent plus de personnalisation, parfois avec un modèle de garantie de rétrofacturation. Il vaut la peine de les considérer pour les entreprises ayant une exposition à la fraude complexe ou à fort volume qui ont besoin de plus de contrôle qu'un outil natif ne peut en fournir, mais l'intégration et l'acheminement des données ajoutent de la complexité.

• Systèmes internes de lutte contre la fraude : Ceux-ci sont conçus par de grandes plateformes et des places de marché avec un volume de transactions et des modèles de fraude suffisamment importants pour justifier l'investissement en ingénierie. Ils vous donnent un contrôle total sur les signaux, les seuils et les boucles de rétroaction, mais cela représente un engagement d'ingénierie continu important, et non une conception ponctuelle.

Stripe Radar repose sur des modèles d'apprentissage automatique formés sur des données provenant de l'ensemble du réseau Stripe : des transactions dans des millions d'entreprises à travers le monde. Cette étendue de données de formation est importante. Le modèle a été confronté à des modèles de fraude à travers divers secteurs, régions et types d'entreprises, ce qu'un système de fraude interne n'a pas vu. Vous pouvez configurer des règles pour bloquer, autoriser ou vérifier des transactions en fonction de seuils d'indice de risque, et des règles peuvent être rédigées sans impliquer l'équipe d'ingénierie chaque fois que vous souhaitez ajuster les seuils.

Comment Stripe Radar peut vous aider

Stripe Radar utilise des modèles d'IA formés sur des données du réseau mondial de Stripe pour détecter et prévenir la fraude. Ces modèles sont mis à jour selon les dernières tendances en matière de fraude, afin que votre entreprise reste protégée à mesure que la fraude évolue.

Stripe propose également Radar for Fraud Teams, qui permet aux utilisateurs d’ajouter des règles personnalisées pour traiter des scénarios de fraude propres à leur entreprise 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 annuellement. Cette envergure permet à Radar de détecter et de prévenir précisément la fraude et de vous faire économiser de l'argent.

• Accroître les revenus : Les modèles d'IA de Radar sont formés à partir de données réelles sur les litiges, d'informations sur les clients, de données de navigation et plus encore. Cela permet à Radar d'identifier les transactions à risque, de réduire les faux positifs et de stimuler 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.