top of page

​

Détection de fraude

La data science, un nouveau levier à actionner
​

Les systèmes anti-fraude traditionnels, basés sur l’analyse manuelle de déclaratifs ou sur des règles métier automatisées, présentent souvent une rigidité dans la prise de décision, ce qui peut bloquer des des transactions ou dossiers sains et générer un manque à gagner.

 

Les algorithmes prédictifs, l’analyse automatisée de déclaratifs, l’exploitation de données transactionnelles, de navigation web et d’open data sont autant de nouveaux leviers d’aide à la décision, qui peuvent être mis au service de l’anti-fraude.

​

​

Un complément à l’intervention humaine
​

La data science et l’exploitation de nouveaux types de données permettent de fournir des outils plus performants pour mieux cibler les dossiers à analyser, en complément des systèmes existants, ou encore pour proposer de nouveaux critères de décision. On se dirige ainsi vers  un “analyste augmenté”.

La lutte anti-fraude nécessite une innovation constante pour anticiper l’évolution des comportements frauduleux. Les experts anti-fraude de Quantmetry disposent d’outils qui vous donnent une longueur d’avance

NOS EXPERTISES

Techniques de débiaisage pour lutter contre la  pression de sélection et la dégradation de la base d’apprentissage

Les auto encodeurs :

une approche semi-supervisée permettant de détecter les cas de fraude après avoir appris de l’ensemble des cas “normaux”

Détection de communautés de fraudeurs

des techniques de pointe basées sur analyse de graphes sociaux pour lutter contre la fraude en réseaux et la cybercriminalité

Traitement automatisé de documents

Les techniques de Natural Language processing, de, traitement d’image et de deep learning pour exploiter les contenus non structurés.

SUCCESS STORIES

Télécommunications
Détection de fraude à la souscription

Contexte

Notre client a souhaité améliorer ses performances en détection des fraudes à la souscription au téléphone mobile.

 

Objectif

  • Amélioration du modèle en place

  • Mise en place d’une méthodologie pérenne de traitements

 

Projet

  • 5 mises en production de modèles différents

  • Dernier modèle : ensemble de 3 sous-modèles

    • Chaque commande traitée est affectée à l’un de ces sous-modèles de façon aléatoire

    • Chaque sous-modèle est basé sur la détection séparée des types de fraude et sur le calcul d’une espérance de perte financière

  • Mise en place d’une méthodologie de MCO (Maintien en Conditions Opérationnelles) et de métriques pour éviter la dérive des performances du modèle

  • Résultats :

    • Gain de vente : 2,5 %

    • Gain opérationnel : -20% de commandes traitées en manuel

    • Diminution du coût de la fraude : -25 %

    • Diminution du temps de traitement : -7 %

 

Technologies

Python

Pour nous, l'apport des technologies Big Data n'est pas tant dans l'augmentation du taux de détection mais plutôt dans l'amélioration et l'automatisation des processus de contrôle. [...] Notre objectif est d'accélérer le traitement des demandes de crédit. C'est surtout un enjeu de service client.

DGA Crédit Agricole Consumer Finance

bottom of page