es Español

Briser les règles en matière de prévention de la fraude

"Pouvons-nous continuer à nous fier uniquement aux contrôles statiques classiques basés sur des règles qui ne reflètent que notre expérience passée? Certainement pas."
Partager sur Twitter
Comparer en linkedin
Partager sur Facebook
Comparer en email

Comme beaucoup d'autres clients, j'ai reçu en novembre 2020 une communication de ma banque qui, après m'avoir salué correctement, m'invitait à inclure mes données personnelles dans un fichier commun pour la prévention de la fraude dans les opérations bancaires. C'est un email qui, au moins, donne matière à réflexion. La première réflexion est que les données de chacun sont précieuses pour prévenir la fraude, mais la seconde est qu'elles pourraient être utilisées à une autre fin que celle pour laquelle elles ont été transférées, et dans ce cas, elles nécessiteraient un consentement. Ensuite, nous allons nous concentrer sur la première idée; les avantages de disposer de bonnes données pour lutter contre la fraude.

Nous allons inévitablement vers une transformation automatique et intelligente de tous les processus. Certains nous incluent dans notre rôle de client (si nous effectuons un achat en ligne ou utilisons un véhicule associé à une assurance) ou en tant qu'employé (si nous déclarons nos notes de frais, ou si nous participons au processus d'achat d'un matériel ou service d'un fournisseur). ETn chacun de ces processus, nous laissons une trace et cette trace est collectée par les données. Tout ce qui a été collecté dans un processus automatique est une donnée de qualité car elle est collectée en temps réel, aux mêmes moments du processus et dans la même mesure.  

Si le processus doit être automatique et intelligent, pourquoi le processus de prévention de la fraude, à la fois interne et externe, devrait-il être réactif et insensé? Nous devons compléter nos systèmes anti-fraude, dans de nombreux cas basés sur des contrôles statiques, avec des techniques d'intelligence artificielle qui apprennent directement à partir des données et s'adaptent à la situation actuelle avec agilité. Pouvons-nous continuer à nous fier uniquement aux contrôles classiques basés sur des règles statiques qui ne reflètent que notre expérience passée? Certainement pas et en plus, si la situation change, le contrôle doit changer automatiquement, pour minimiser les faux positifs dans nos investigations.

Notre esprit est seulement capable de découvrir des schémas de comportement frauduleux avec peu de variables et dans un environnement qui n'est pas très dynamique et connu. Dans le même temps, les fraudeurs utilisent des méthodes très complexes et de plus en plus difficiles à imaginer. Un fraudeur essaiera toujours d'anticiper un système antifraude basé sur des règles (statique) conçu par une équipe d'experts commerciaux. Ensuite, Comment découvrir de nouvelles méthodes de fraude en temps quasi réel? Avec des modèles analytiques qui extraient agilement les connaissances des données avec des algorithmes de 'apprentissage automatique ', c'est-à-dire la branche de l'intelligence artificielle qui étudie la capacité des machines à «apprendre» par elles-mêmes en utilisant les données comme matière première.

Bien que nous souffrions tous en tant qu'humains avec l'idée que les machines vont nous remplacer, la réalité est tout à fait différente, puisque nous sommes destinés à se compléter et dans ces processus, cette réalité devient évidente. Il n'y a pas de meilleur moyen d'illustrer cette symbiose homme-machine que le «paradoxe de Moravec», qui dans sa version la plus résumée dicte ce qui suit: «Ce qui est difficile pour un humain est facile pour une machine, et vice versa». Une machine est capable de trouver facilement des schémas de fraude basés sur des corrélations dans des centaines de variables. Comment un humain peut-il compléter ce shaker de données? Inclure des ingrédients optimaux, tels que la créativité ou l'intuition humaine, lors de l'introduction de variables pouvant indiquer une fraude.

Nous pouvons également évaluer les résultats offerts par ce système intelligent avec nos recherches et dans ce cas, comment la machine rend-elle la pareille? Réapprendre directement à partir des données avec les échecs et les réussites après nos investigations grâce à des mécanismes lancés automatiquement.

La collaboration offre des avantages immédiats. Selon la nature des données, nous pouvons utiliser différentes techniques d'apprentissage pour compléter notre système actuel. Si nous avons les résultats des enquêtes ou des antécédents de fraude, des modèles prédictifs ou de classification peuvent être utilisés pour trouver des cas très similaires à ceux trouvés dans le passé. Par exemple, si nous construisons un modèle de prévention de la fraude à l'assurance, le coup du lapin, nous devons inclure les clients qui ont déjà fait l'objet d'une enquête et qui se sont révélés frauduleux, afin que la machine apprenne d'eux et nous propose d'autres clients suspects car ils ont des comportement à ceux-ci, ainsi que leur probabilité de fraude. Au contraire, si les investigations ne sont pas disponibles car il s'agit d'un nouveau processus, nous partirons de modèles de détection d'anomalies qui nous proposeront des comportements différents de ceux des autres individus et constituent un bon point de départ pour débuter nos investigations. Les deux modèles précédents sont des modèles qui détectent les comportements individuels, mais il ne faut pas oublier que la fraude est souvent collaborative. Il faut donc disposer d'une autre technique complémentaire appelée analyse de graphes ou de réseaux qui permet de découvrir des structures d'entreprise anormales ou des opérations suspectes réalisées par un groupe. En ce qui concerne les structures d'entreprise, l'administration fiscale aura accès à la base de données des notaires sur les bénéficiaires effectifs des entreprises pour renforcer la lutte contre la fraude et mener des enquêtes complètes (lien).

En résumé, Il est évident que les mécanismes et les systèmes pourraient être repensés ou mis en place dans des processus dans lesquels les données seraient un allié essentiel pour déterminer si une opération susceptible d'être frauduleuse est en cours ou pour sonner l'alarme sur la possibilité qu'elle soit frauduleuse. .. En fait, des systèmes aux applications multiples peuvent être développés dans notre vie quotidienne. Imaginons, par exemple, un système qui, sur la base de notre historique précédent, soit capable de déterminer dans un processus d'achat en ligne si l'opération effectuée est suspecte, afin de détecter si quelqu'un en dehors de nous a pu usurper notre identité de manière frauduleuse. utilisez nos cartes bancaires.

Un autre exemple ayant un impact sur notre vie quotidienne est le développement d'une assurance conduite qui intègre des systèmes permettant de déterminer si notre conduite ou celle d'autres personnes ayant accès à notre véhicule (comme notre conjoint ou nos enfants) peuvent être déclarée pertinente en cas de sinistre ou après un accident.

L'une des applications de la 'machine learning«Dans la lutte contre la fraude, dans laquelle nous avons détecté une augmentation de l'intérêt de nombreuses entreprises, se concentre sur le développement de systèmes intelligents qui aident à gérer le processus d'allocation des dépenses des employés. Autrement dit, un système qui vous permet de déterminer si une dépense qu'un employé attribue à votre travail présente un montant anormal basé sur les données du reste des employés de l'entreprise. Nous constatons un intérêt similaire pour le développement d'applications qui surveillent le processus d'achat de services et de matériaux d'une entreprise. Dans ce cas, un système intelligent peut compléter les contrôles de l'auditeur interne typiques, tels que le fractionnement, avec des modèles de détection d'anomalies utilisant les données de toutes les commandes passées par les acheteurs, les fournisseurs et les approbateurs.

Finalement, le processus de numérisation qui s'est accéléré l'année dernière est imparable, et doit nécessairement aussi atteindre la lutte contre la fraude pour aider les entreprises à être en mesure de réagir à ces conflits et à disposer d'outils qui contribuent à protéger leur capital (économique et humain) tout en respectant les règlements.

Pouvons-nous continuer à nous fier uniquement aux contrôles statiques classiques basés sur des règles qui ne reflètent que notre expérience passée? Définitivement pas

Manuel Marin Martinez

Directeur général FTI Consulting Espagne.

Science des données et analyse

Si l'article vous a intéressé,

Nous vous invitons à le partager sur les réseaux sociaux

Partager sur Twitter
Twitter
Comparer en linkedin
LinkedIn
Partager sur Facebook
Facebook
Comparer en email
Email

Laisser un commentaire

Ce site utilise Akismet pour réduire les spams. Découvrez comment vos données de commentaire sont traitées.

Contact

Remplissez le formulaire et une personne de notre équipe vous contactera sous peu.