Chaque système de détection de la fraude aux paiements tente de détecter les transactions frauduleuses sans bloquer les transactions légitimes. Pour trouver le bon 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 bancaire ont diminué de 1,2 % pour atteindre 33,41 milliards de dollars, en partie grâce aux modèles de prévention de la fraude basés sur l'IA.

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

Points à retenir

• Les systèmes de détection de la fraude superposent une logique basée sur des règles et du machine learning pour détecter les transactions frauduleuses en temps réel. Le défi le plus important consiste à minimiser les faux positifs.

• Quatre indicateurs principaux déterminent les performances du système de fraude : le taux de fraude, le taux de faux positifs, le taux de rétrofacturation et le taux d'autorisation. Mais le fait d'en affiner un seul tend à dégrader les autres.

• L'ajustement continu (commentaires post-autorisation, règles contextuelles et tests de seuil délibérés) permet de maintenir la précision d'un système de fraude au fil du temps.

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

La détection de la fraude aux paiements est le processus d'identification des transactions frauduleuses en temps réel et de prise de mesures avant que l'argent ne soit transféré au mauvais endroit. Cela peut impliquer le refus d'une transaction, l'exigence d'une authentification ou le signalement d'une transaction pour vérification manuelle. Cela dépend de la confiance du système et du 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 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, car ils permettent de suivre la fréquence à laquelle une carte bancaire, une adresse IP (Internet Protocol) ou un appareil donné apparaît dans des transactions sur une courte période. Mais ces contrôles sont fragiles, car les modèles de fraude changent et une règle ajustée pour l'attaque du mois dernier pourrait rater celle de ce mois-ci.

Machine learning et IA

Les modèles de machine learning évaluent des centaines de fonctionnalités simultanément pour produire un score de risque. Les modèles supervisés s'entraînent sur des données historiques étiquetées et apprennent quelles combinaisons de fonctionnalités 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.

Décision en temps réel

Les règles et les modèles doivent s'exécuter rapidement. Le score de fraude se trouve dans la fenêtre d'autorisation de paiement, de sorte que la latence ajoutée réduit la conversion. Les modèles doivent être suffisamment légers pour évaluer en temps réel, et l'infrastructure doit s'adapter aux pics de volume de transactions. Le système doit également agir sur des informations partielles, car vous ne saurez souvent pas si une transaction aboutit à un litige avant plusieurs semaines.

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

Un faux positif, également appelé faux refus de paiement, est une transaction légitime que votre système refuse à tort. C'est le coût le moins évoqué de la prévention de la fraude, mais il peut avoir des conséquences 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 de revenus directe est évidente, et un client dont le paiement est refusé ne réessaie souvent pas.

Des seuils trop prudents permettent de détecter plus de fraudes, mais bloquent aussi plus de clients légitimes. L'assouplissement des seuils augmente les taux d'autorisation, mais laisse passer plus de fraudes. Aucune configuration ne permet d'éliminer les deux problèmes. De meilleurs modèles, des ensembles de fonctionnalités plus riches et davantage de données réseau permettent de modifier cet équilibre.

Quels indicateurs utiliser pour mesurer les performances de la détection de la fraude ?

Ces quatre indicateurs sont les plus importants pour évaluer un système de détection de la fraude :

• Taux de fraude : le pourcentage de transactions qui sont frauduleuses, mesuré par le volume de litiges ou les signalements de fraude confirmés. Ce taux vous indique la quantité de fraude qui passe, mais c'est un indicateur retardé.

• Taux de faux positifs : le pourcentage de transactions légitimes refusées à tort. 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 client vous donnent une idée.

• Taux de rétrofacturation : le volume de transactions contestées par rapport au volume total des transactions. Des taux de rétrofacturation élevés et soutenus peuvent déclencher des programmes de surveillance qui imposent des amendes ou des restrictions de traitement, de sorte que les entreprises doivent s'efforcer de maintenir ce taux à un niveau bas.

• Taux d'autorisation : le pourcentage de tentatives de transaction qui sont autorisées avec succès. Ce taux est votre indicateur côté conversion et reflète les refus de carte bancaire par l'émetteur et les refus de votre système. Un taux de fraude en hausse accompagné d'un taux d'autorisation en hausse signifie généralement que les seuils sont trop lâches. Une baisse du taux d'autorisation avec un taux de fraude stable suggère qu'ils sont trop stricts.

Comment évaluer les outils de détection de la fraude aux paiements ?

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

• Outils de lutte contre la fraude intégrés au fournisseur de services de paiement (PSP) : ils sont intégrés à votre PSP, partagent les données du tunnel de paiement et ne nécessitent aucune intégration distincte. Le compromis est souvent une personnalisation limitée. Vous dépendez de la qualité du modèle du PSP et vous ne pouvez pas facilement ajuster les seuils ou les règles au-delà de ce que le fournisseur expose.

• Plateformes de machine learning tierces : elles offrent une modélisation plus sophistiquée, souvent avec un réglage spécifique au secteur et des contrôles granulaires sur les règles et les seuils. Elles s'intègrent via des interfaces de programmation d'application (API) et évaluent les transactions avant ou pendant l'autorisation. La configuration de l'intégration nécessite plus de travail, et l'acheminement des données vers un système externe introduit une latence dont vous devrez tenir compte.

• Systèmes internes : ils 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 nécessitent le développement continu de modèles pour garder une longueur d'avance sur les tactiques de fraude en développement.

Lorsque vous comparez les options, quelques questions peuvent vous aider à y voir plus clair parmi les affirmations des fournisseurs :

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

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

• À quelle vitesse pouvez-vous agir face à de 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 workflow de la file de vérification manuelle ? Quel est le montant des frais d'exploitation qu'il génère ?

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'autorisation. Les entreprises peuvent consulter le score de risque de Radar et créer des règles par-dessus sans écrire de code. Elles peuvent bloquer les transactions dépassant 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'autorisation ?

L'optimisation est continue, car les modèles de fraude évoluent, votre clientèle change et un système réglé pour la combinaison de transactions du trimestre dernier pourrait être moins performant ce trimestre. Quelques pratiques peuvent faire une différence constante :

• Réintégrez les signaux de post-autorisation dans votre modèle : les rétrofacturations et les signalements de fraude confirmés sont les signaux dont votre modèle a besoin. Les réintégrer régulièrement dans les données d'entraînement empêche la précision de la détection de dériver à mesure que les modèles de fraude changent. Un modèle statique se dégrade avec le temps.

• Segmentez vos règles en fonction du contexte : un contrôle de vitesse calibré pour votre transaction moyenne peut être trop agressif pour les clients fidèles dont le montant est élevé et trop indulgent 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 globaux.

• Gérez activement votre file de vérification : les transactions signalées pour une vérification manuelle se situent entre une autorisation et un refus automatisés. Si votre file d'attente est longue et lente à traiter, vous retardez les clients légitimes ou vous ne vérifiez pas les fraudes. La définition de priorités en fonction du score de risque et l'établissement de chemins d'escalade clairs peuvent améliorer les deux résultats.

• Testez les modifications de seuil : lorsque vous ajustez une règle ou un seuil de modèle, exécutez-le sur un échantillon de transactions avant de l'appliquer de manière générale. C'est la seule façon de savoir si une modification améliore le compromis entre fraude et autorisation ou si elle le modifie simplement.

Comment Stripe Radar peut-il 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.