Contrôle de la fraude : Définition, importance & Défenses

La surveillance de la fraude est une stratégie de prévention de la fraude qui consiste à surveiller en permanence les actions numériques afin de détecter les fraudes, d'identifier les risques et d'arrêter et de prévenir les attaques frauduleuses. Les technologies de l'information sont régulièrement utilisées par les institutions financières pour protéger à la fois les clients et les banques. 

Grâce à l'intelligence artificielle (IA), les programmes de surveillance de la fraude peuvent passer au crible de grandes quantités de données en peu de temps, apprenant en cours de route à reconnaître les menaces dès leur apparition.

En 2020, la Commission fédérale du commerce (FTC) a reçu plus de 2 millions de rapports de fraude, un chiffre qui continue d'augmenter à mesure que les gens adoptent une présence numérique encore plus importante. La surveillance de la fraude peut contribuer à minimiser les risques et les pertes liés aux menaces numériques.

Qu'est-ce que la surveillance de la fraude ?

Le suivi des comportements et des activités peut aider à prévenir et à détecter les fraudes en analysant en permanence toutes les actions au cours d'une session entière. Cela va au-delà d'une simple transaction financière et concerne la connexion, les modifications apportées aux profils de compte et toutes les activités effectuées au nom d'un client. 

La surveillance de la fraude peut s'adapter aux menaces actuelles et en évolution, car les services informatiques examinent l'ensemble de la situation pour déterminer si quelque chose semble anormal. Ces systèmes anti-fraude peuvent alors réagir en temps réel pour gérer la menace et prévenir les pertes pour l'entreprise et le client. 

La surveillance de la fraude peut :

• Prévenir la fraude.
• Signalez les comportements suspects.
• Détecter la fraude.
• Reconnaître la menace émergente.
• Mettez fin à une menace en temps réel.

Types de contrôle de la fraude

La surveillance de la fraude permet de détecter les différents types de fraude par le biais de mesures de détection et de prévention. La surveillance continue de la fraude examine l'empreinte numérique d'un utilisateur type (la façon dont il interagit en ligne) et surveille en permanence les anomalies. Les acteurs malveillants utilisent souvent des logiciels robots pour perpétrer des fraudes, et les systèmes de surveillance des fraudes peuvent identifier les cas où il n'y a pas de personne réelle derrière les actions entreprises, c'est-à-dire les cas où une fraude est commise. 

La surveillance continue des transactions porte sur toutes les actions de l'utilisateur, qu'elles soient sensibles ou non. Ces programmes anti-fraude examinent tout, du début à la fin, afin de détecter les modèles de fraude. La fraude suit souvent des modèles spécifiques, et un contrôle continu peut permettre d'identifier et de signaler ces modèles comme potentiellement frauduleux. 

L'évolution de la fraude exige des méthodes adaptatives

les méthodes standard de détection de la fraude ne sont pas toujours suffisantes, car les acteurs malveillants deviennent plus intelligents et s'adaptent pour contourner les mesures traditionnelles. Par exemple, les fraudeurs créent des identités synthétiques qui peuvent souvent passer un contrôle de solvabilité et passer inaperçues parce qu'un client légitime n'est pas escroqué, ce qui peut être détecté. 

La détection de la fraude et l'outil de surveillance de la fraude doivent constamment évoluer pour rester à la hauteur de l'acteur malveillant. L'idéal est de garder une longueur d'avance sur eux.

Détection de la fraude

La détection de la fraude empêche l'acteur malveillant d'effectuer des transactions financières ou autres par des moyens frauduleux. L'informatique est un aspect important de la surveillance de la fraude. 

L'un des formulaires les plus élémentaires de détection de la fraude est la vérification de l'identité, qui permet de s'assurer que l'utilisateur est bien celui qu'il prétend être et qu'il s'agit bien d'un client légitime effectuant la transaction.

La fraude peut être perpétrée de différentes manières, de l'usurpation de compte (vol d'identité) au vol d'informations sur les cartes de crédit, en passant par le détournement de fonds. Les méthodes de détection des fraudes doivent donc également être dynamiques et aller au-delà de la simple vérification de l'identité au moment de la connexion du client. 

La fraude peut avoir un impact sur de nombreux secteurs et industries, y compris les suivants :

• Banques
• Santé
• Assurance
• Administration
• Commerce de détail établissements

Les programmes de contrôle des fraudes peuvent détecter les fraudes et les activités frauduleuses en utilisant souvent des modèles analytiques qui peuvent identifier des prédicteurs de fraude sur la base de modèles que les fraudeurs ont utilisés dans le passé. La fraude suit souvent des modèles historiques, et la détection de la fraude surveille ces modèles pour repérer les prises de contrôle potentielles ou les pirates informatiques dans le système.

Rôle de l'apprentissage automatique

IA, ou machine learning, peut lire des modèles et des données, en utilisant l'analytique pour distinguer les comportements frauduleux des interactions légitimes avec les clients. 

L'apprentissage automatique est efficace et peut lire rapidement de grandes quantités de données sans interaction humaine. Les technologies de l'information peuvent également s'adapter et "apprendre" le modèle au fil du temps afin d'aider à repérer les menaces nouvelles et évolutives dès leur apparition. l'apprentissage automatique peut également réduire le nombre de "faux positifs" signalés.

Le site machine learning comporte plusieurs éléments pour la détection et le suivi des fraudes.

• Profils comportementaux : l' apprentissage automatique peut apprendre et interpréter la façon dont les individus, les commerçants, les terminaux et les comptes agissent afin de reconnaître les comportements légitimes et les utilisateurs.

• Supervised machine learning: Il existe de nombreux types de fraudes et de schémas frauduleux qui ont déjà fait l'objet d'un suivi. Grâce à l'apprentissage supervisé, il est possible d'apprendre aux machines à reconnaître ces modèles familiers comme des comportements frauduleux. L'apprentissage automatique peut rapidement filtrer ces quantités massives de données pour trouver et signaler les modèles pertinents.

• Non supervisé machine learning: c'est lorsque l'IA s'adapte pour reconnaître les anomalies qui n'ont pas été précédemment signalées comme des modèles de fraude, mais qui sont toujours en dehors du modèle normal de comportement légitime de l'utilisateur. Cela permet de détecter de nouveaux modèles de fraude.

• adaptatif analytique : Basés sur les commentaires des analystes de la fraude, les modèles machine learning sont continuellement mis à jour afin de refléter les nouveaux modèles et de continuer à évoluer au fur et à mesure que les choses changent à un rythme rapide.

Que se passe-t-il lorsqu'une fraude est découverte ?

Lorsqu'un programme de contrôle des fraudes suspecte une fraude, le service informatique n'interrompt pas immédiatement la transaction. Au lieu de cela, les services informatiques renforcent la sécurité de l'authentification afin de déterminer si l'utilisateur et ses actions sont effectivement légitimes. Ceci afin d'éviter d'interrompre l'expérience du client, sauf si le risque est jugé trop élevé. 

Les outils d'identification des fraudes peuvent signaler une transaction pour un certain nombre de raisons, telles que

• Différents lieux de connexion.
• Moment inhabituel de la transaction.
• Montant demandé plus élevé que d'habitude.
• Connexion à partir de différentes plates-formes ou terminaux.

Dans ce cas, au lieu de rejeter la transaction ou de la mettre en attente, le système anti-fraude lance une demande d'authentification renforcée. La méthode utilisée est conçue pour correspondre au niveau de risque de la transaction. 

Lorsque l'authentification renforcée demande d'authentification est déclenchée, des identifiants supplémentaires sont demandés pour poursuivre la transaction. Cette méthode permet de maintenir un équilibre entre les frictions pour le client et le risque.

Avantages de la surveillance de la fraude pour les clients

La surveillance de la fraude se fait en arrière-plan et peut créer une expérience client plus transparente. La fraude outil de surveillance utilise des outils et des processus d'authentification basés sur le risque, par exemple, et les transactions à faible risque ne sont généralement pas affectées. Les transactions à haut risque nécessiteront des niveaux plus élevés d'authentification et de techniques de contrôle de la fraude.

Grâce à l'outil de surveillance des fraudes qui fonctionne en coulisses, l'expérience de l'utilisateur n'est généralement pas interrompue. L'informatique peut également limiter le nombre de faux positifs potentiels afin d'améliorer l'expérience du client. 

La surveillance de la fraude peut prévenir les pertes financières et matérielles en cas d'usurpation de compte (ATO) en reconnaissant qu'un acteur malveillant est aux commandes et non l'utilisateur légitime. Les outils de surveillance de la fraude contribuent à renforcer la satisfaction et la fidélité des clients, ainsi que leur confiance dans les mesures de sécurité prises par l'institution pour protéger leur identité et leur argent.

Contrôle de la fraude et conformité

La norme de sécurité des données de l'industrie des cartes de paiement (PCI DSS) s'applique à tous les commerçants qui traitent les données des titulaires de cartes. Les TI définissent des mesures de sécurité spécifiques qui doivent être respectées pour protéger ces données afin d'être en conformité avec le Conseil de la norme de sécurité PCI. Les technologies de l'information exigent des entreprises qu'elles disposent d'un pare-feu, de mesures de sécurité, de programmes antivirus, d'un chiffrement et de processus de base de contrôle de la fraude, y compris le développement et la maintenance d'un système sécurisé ainsi que la classification et l'identification des risques.

L'Union européenne (UE) a mis en œuvre une loi encore plus stricte, la directive révisée sur les services de paiement (DSP2), à laquelle les institutions financières et tous les prestataires de services de paiement doivent se conformer. Les institutions doivent utiliser l'outil de surveillance de la fraude pour être en conformité. 

Plusieurs critères de sécurité principaux sont nécessaires pour être en conformité avec la directive PSD2 :

• Authentification forte du client. Les services informatiques doivent utiliser au moins un système d'authentification à deux facteurs, qui peut inclure des tbd, des PIN, de la biométrie, un terminal mobile ou un token.
• Suivi des transactions et analyse des risques. Les outils de surveillance de la fraude permettent de détecter et de prévenir les transactions frauduleuses.
• Liaison dynamique des opérations de paiement. Le tbd doit être dynamiquement lié au bénéficiaire et au montant de la transaction.
• Protection de la réplication. Les applications doivent disposer de contre-mesures dédiées au clonage d'applications mobiles.
• Des éléments indépendants pour minimiser le risque de compromission des terminaux mobiles. Des mesures de sécurité doivent être prises.

Il n'existe pas encore de règles de conformité aussi strictes en matière d'open banking aux États-Unis, mais la tendance est à la hausse. En raison de la mondialisation et du fait que de nombreuses entreprises et clients font des affaires à l'étranger, il est souvent nécessaire de se conformer à la surveillance de la fraude pour mener à bien ces transactions. 

Références

De nouvelles données montrent que la FTC a reçu 2,2 millions de rapports de fraude de la part des consommateurs en 2020. (Février 2021). Commission fédérale du commerce (FTC). 

La capture de ces trois types de données peut transformer votre surveillance de la fraude. (Février 2021). American Bankers Association (ABA) Banking Journal.

Fraude : 5 escroqueries en 2021 et comment les éviter. (avril 2021). Forbes.

Détection de la fraude. (2018). Manuel d'analyse statistique et d'applications d'exploration de données (deuxième édition). 

5 clés pour utiliser l'IA et l'apprentissage automatique dans la détection des fraudes. (Juillet 2018). FICO. 

Assurer ensemble l'avenir des paiements. (2021), Conseil des normes de sécurité PCI.

Services de paiement (DSP 2) - Directive (UE) 2015/2366. Commission européenne.