SAN FRANCISCO—Stripe lance Radar 2.0, une solution qui offre de nouveaux outils conçus pour les grandes entreprises et inclut d’importantes améliorations de ses modèles de machine learning.

Rien qu'en 2017, Radar a déjoué pour 4 milliards de dollars de tentatives de fraude. S'appuyant sur les transactions effectuées par des centaines de milliers d’entreprises sur le réseau Stripe, Radar a permis à ses utilisateurs de personnaliser les systèmes de défense de leur entreprise. Utilisé par des entreprises et des start-up innovantes dans plus de 100 pays, Radar associe instantanément les données des transactions aux informations transmises par les banques et les réseaux de cartes bancaires. Avec Radar 2.0, les spécialistes de la gestion du risque des grandes entreprises bénéficient de nouveaux outils avancés de prévention de la fraude.

« Les modèles de machine learning de Stripe s'appuient sur des centaines de milliards de points de données issus du réseau Stripe. Nous utilisons ces points de données pour mettre à jour nos modèles de fraude et permettre aux entreprises d’identifier avec précision les fraudeurs et de réduire jusqu'à 25 % leur taux de fraude, tout en conservant un taux d'acceptation des paiements élevé », déclare Michael Manapat, Responsable ingénierie en charge de Radar et du machine learning chez Stripe. « En lançant Radar for Fraud Teams, nous mettons à disposition des équipes chargées de la lutte antifraude des grandes entreprises un ensemble d'outils leur permettant d'effectuer des contrôles granulaires et de gérer la fraude de la manière la plus efficace possible. »

Optimisation de Radar grâce aux améliorations apportées au machine learning

Stripe annonce aujourd'hui la plus importante mise à jour de ses modèles de machine learning depuis le lancement de Radar en 2016. L'ajout de centaines de nouveaux signaux permet de distinguer les fraudeurs des clients légitimes et de détecter les comportements d'achat frauduleux. Grâce à ces nouveaux modèles de machine learning, les entreprises peuvent encore réduire leur taux de fraude d'environ 25 % (tout en conservant un taux d'acceptation des paiements élevé).

Radar intègre un nouveau mécanisme de prévention de la fraude à ses modèles de machine learning : la détection des proxys. Ce mécanisme mesure le temps aller-retour entre la plateforme Stripe et le navigateur d'un fraudeur potentiel et est capable de déterminer si celui-ci utilise un proxy ou un VPN.

Radar analyse en continu les comportements des utilisateurs. L'outil met à jour et perfectionne ses modèles quotidiennement en évaluant le profil de paiement de chaque utilisateur afin de déterminer le modèle le plus performant. Grâce à l'élaboration de modèles de machine learning conçus pour des cas d'usage précis, Radar est capable de fournir aux entreprises de toutes tailles, tous secteurs confondus, des services plus précis et plus performants. En optant pour un service basé sur le cloud, les utilisateurs bénéficient de mises à jour quotidiennes. Les mécanismes de défense peuvent alors s'adapter encore plus rapidement aux stratégies des fraudeurs, qui changent constamment.

Présentation de Radar for Fraud Teams

Conçu pour les équipes spécialisées dans la lutte antifraude, Radar for Fraud Teams offre une meilleure visibilité et un contrôle plus précis pour l'identification et la prévention de la fraude.

Grâce à Radar, les professionnels chargés de la lutte contre la fraude au sein des grandes entreprises peuvent désormais :

• procéder à des analyses plus précises et plus rapides : lors de l’analyse des paiements, Radar permet de visualiser les informations importantes et les paiements similaires traités par l'entreprise. Grâce à une meilleure visibilité sur des attributs tels que les parcours d'achat type et les incohérences entre l'adresse IP d'origine et le pays d'émission de la carte, les professionnels de la gestion des risques peuvent rapidement identifier les activités frauduleuses.
  
• créer et tester en temps réel des règles personnalisées : il est possible de personnaliser la logique de prévention de la fraude de Radar au moyen de règles spécifiques (par exemple, « bloquer toutes les transactions de plus de 1 000 dollars lorsque le pays associé à l'IP ne correspond pas à celui de la carte bancaire »). Radar teste également la règle sur les données historiques afin d’aider l'équipe de gestion des risques à évaluer son impact sur les transactions réelles.
  
• définir des seuils de risque personnalisés : grâce à Radar, les spécialistes du risque peuvent optimiser leurs revenus en définissant des seuils personnalisés de blocage des paiements.
  
• configurer des listes d'autorisation et de blocage : les utilisateurs peuvent désormais concevoir et tenir à jour des listes d'attributs (numéros de carte, e-mails, adresses IP, etc.) à bloquer ou à autoriser automatiquement.
  
• accéder à des analyses détaillées sur les performances des mesures antifraude : Radar permet d’analyser les tendances en matière de litige, l'efficacité de la vérification des paiements signalés et l'impact des règles personnalisées.
  

« Les entreprises en ligne doivent sans cesse s'adapter pour faire face à des fraudes de plus en plus complexes, vastes et coûteuses. Capable d’analyser les données en continu, le machine learning est un moyen efficace d'éviter des pertes de plusieurs milliards de dollars », déclare Jordan McKee, Analyste chez 451 Research. « Stripe Radar met désormais ces analyses à la disposition des équipes antifraude, tout en leur fournissant des données et des outils leur permettant d'améliorer leur capacité à lutter contre la fraude. Stripe Radar est également adapté aux grandes entreprises, qui peuvent l’utiliser pour tirer parti de la puissance du machine learning et de la vérification contextuelle. Avec la nouvelle version de Radar, Stripe étend sa gamme de solutions pour répondre aux besoins d'entreprises toujours plus grandes et complexes. »

Watsi, Fitbit, Restocks, Patreon et d'autres entreprises ont déjà adopté Radar for Fraud Teams pour une gestion plus simple et plus efficace de la fraude. Pour en savoir plus, consultez stripe.com/radar.