Est-ce une fraude ou un nouveau comportement ?

Est-ce une fraude ou un nouveau comportement ?Deux techniques d’analyse pour faire la différence

Est-ce une fraude ou un nouveau comportement ? Pouvez-vous faire la différence ?

©2014 Fair Isaac Corporation. Tous droits réservés. 2

Tom, entrepreneur en technologie, achète un snowboard haut de gamme à Aspen, au Colorado : une transaction qui semble étrange comparée à ses schémas de comportement traditionnels.Est-ce le premier signe que sa carte a été compromise par un fraudeur ? Ou est-ce simplement un nouveau comportement de la part du titulaire légitime de la carte ?

Une décision instantanée, dont l’enjeu pour votre banque va au-delà de la prévention des fraudesLa réduction des faux positifs, c’est-à-dire des transactions légitimes signalées comme suspectes ou déclinées, a un impact direct et immédiat sur la façon dont vos titulaires de carte perçoivent la qualité de votre service.

Et même si Tom appréciera d’être avisé si une fraude est en cours, trop de vérifications l’amèneront à se poser des questions…


« Est-ce que cette banque sait au moins qui je suis ? »


Deux façons de renverser la perception de Tom

De nouvelles techniques d’analyse aident les banques à protéger son compte et son expérience client en :

1 Comprenant mieux ce que fait normalement Tom

2 Comprenant ce que Tom ne fait pas (mais pourra faire plus tard)


1

Tom n’achète pas ordinairement des snowboards haut de gamme à AspenUn modèle de fraude qualifierait probablement la transaction de Tom de suspecte, et pourrait décliner l’autorisation. Bâti sur des mois ou des années de données transactionnelles, il détecterait un risque élevé en se basant non seulement sur le type et le lieu inhabituels de l’achat (Tom vit à New York), mais également sur les schémas de comportement traditionnels d’autres titulaires de carte dont le profil est similaire.

Mais qu’adviendrait-il si le modèle de fraude pouvait prendre en compte non seulement les schémas de comportement traditionnels, mais également le comportement le plus récent dans l’environnement de production ?

Comprendre en détail ce que fait normalement le titulaire de la carte


1

Les modèles adaptatifs sont sensibles aux changements à court terme du comportement d’achatUn modèle adaptatif, utilisé en conjonction avec le modèle de fraude, affine la détection en comparant la transaction de Tom à d’autres opérations récentes, à la fois frauduleuses et non frauduleuses.

Il s’avère que Tom n’est pas le seul à s’être récemment découvert une passion pour le snowboard. Le modèle adaptatif a constaté récemment un grand nombre d’achats d’articles de sport comme celui-ci. Les cas générés sur d’autres titulaires de carte au profil similaire ont été jugés non frauduleux.



Voici une autre façon de comprendre le comportement normal de Tom : comme tous les consommateurs, il a ses habitudesIl peut avoir un guichet automatique favori et des montants spécifiques qu’il retire généralement à certaines heures du jour ou de la semaine. Des magasins et des vendeurs en ligne favoris pour certains types d’achats. Des destinations de voyage et des hôtels favoris.

Les listes de comportements (Behavior Sorted Lists) de FICO suivent l’évolution de ces favoris au cours du temps Elles complètent les profils traditionnels des titulaires de carte en fournissant une vue plus détaillée des schémas transactionnels normaux.

Cela vous permet de mieux faire la distinction entre un comportement normal et un comportement suspect.

Voici comment…

Favorite gas station spend amount and frequencyStation-service, montant de

dépenses et fréquence favoris FavoriteWi-fi cafe

Café Wi-Fi favori

Favorite ATM and cash withdrawal amountGuichet automatique et

montant de retrait favoris Favorite travel cityand hotel

1 Comprendre en détail ce que fait normalement le titulaire de la carte


1

Quel est le risque ? � 2h00 � Retrait de 200 € à un guichet automatique


Un comportement qui paraîtrait généralement suspect est clairement légitime pour certaines personnes

Mélanie : ApprouverLa transaction s’inscrit dans le schéma normal : elle a lieu à l’un des guichets favoris de Mélanie (près du restaurant où elle travaille) à une heure de la journée favorite (après son travail)

François : Contacter La transaction ne s’inscrit pas dans le schéma normal : elle ne correspond à aucun des favoris de François

©2014 Fair Isaac Corporation. Tous droits réservés.

1

9

Quel est le risque ? � 2h00 � Retrait de 200 € à un guichet automatique


Les listes de comportements mettent à jour les favoris après chaque transaction

Indice Entité Fréquence Rang

1 ATM_77 F1=3,2 2

2 ATM_318 F2=9,2 1

3 ATM_291 F3=0,3 4

4 ATM_54 F4=2,7 3

Avantages :� Enregistre pratiquement tout type d’entité

(codes postaux, numéros de téléphones portables, comptes bancaires, etc.)

� Permet une évolution au cours du temps des schémas favoris

� Mesure la variance des comportements qui s’inscrivent dans le schéma normal

� Permet la création de variables complexes (par exemple, pourcentage des 5 dernières transactions qui avaient un rang de 3 ou plus)

Banque en ligne

Paiements mobiles

Point de vente

ATM

Guichet automatique

Le classement change en fonction de la fréquence


1

Le risque de fraude est plus faible même si seulement certains des aspects de la transaction correspondent aux favoris du titulaire de la carte

Lorsque Claire achète un jouet coûteux lors d’un voyage d’affaires à New York, la transaction est acceptée sans problème.

Parmi les catégories d’achat favorites de Claire à Phoenix, où elle habite, figurent les jouets et vêtements haut de gamme pour enfants.

Même sans aucune concordance avec les favoris, il est possible d’anticiper un nouveau comportement de la part d’un titulaire de carte

Vous vous souvenez de notre snowboardeur Tom ? Il n’a jamais acheté de snowboard ni de skis, et il n’a jamais été à Aspen auparavant.

Et pourtant, l’analyse de fraude prévoit que ce comportement est probable…

Tournez la page pour en savoir plus sur la technologie analytique innovante actuellement mise au point par FICO



Les personnes dont les caractéristiques sont similaires ont tendance à se comporter de la même façon

Tom partage les caractéristiques d’autres titulaires de carte.

Les profils collaboratifs (Collaborative Profiles) de FICO génèrent des « archétypes » à partir de ces schémas de comportement globaux

Une fois que cette nouvelle technologie, actuellement en cours de développement chez FICO, sera incorporée à la détection des fraudes, les modèles seront capables de prévoir avec précision les nouveaux comportements des clients. Cela s’applique notamment à un comportement transactionnel jamais observé sur le compte de Tom, mais néanmoins probable d’après les archétypes qui le définissent. Voici comment…

2

Un algorithme sophistiqué élabore des « archétypes » en identifiant des similitudes entre les comportements des clients

Fan de technologie

Flux de données transactionnelles

de diverses origines

Assortiment de données regroupées en un

« document » non structuré

Chambre de compensation automatisée

En ligne

Mobile

Point de vente

Sportif Artiste Écologiste

Guichet automatique

Bricoleur

Comprendre ce que le titulaire de la carte ne fait pas (mais pourra faire)


Le comportement du client est comparé aux archétypes en temps réel

Avec chaque transaction, le processus d’analyse met à jour le coefficient d’affectation des comportements du client à chacun des archétypes.

Plus la variation de distribution entre les archétypes est importante, plus la transaction est risquée Est-ce Tom qui achète le snowboard ? Ou est-ce un fraudeur qui a volé sa carte ou ses données ?

Voyons ce qu’il en est…

2

Mises à jour en temps réel à partir des flux de transactions

Client Tom Évaluation dynamique du comportement de Tom

38,7 % 0,2 % 25,1 % 38,4 % 0,2 %

35,2 % 1,3 % 22,6 % 40,5 % 0,1 %

34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

Est-ce Tom qui effectue la transaction ? Ou est-ce un fraudeur ?

Distribution actuelle

Distribution si la transaction est réalisée

34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

40,2 % 0,2 % 25,6 % 37,9 % 0,3 %

Quelle est la différence ?! !



C’est probablement Tom, dans la mesure où l’achat d’un snowboard correspond statistiquement à ce qu’il pourrait faireIl a un coefficient élevé dans la catégorie « Sportif », qui a une tendance marquée à acheter ce type de matériel. Le modèle de fraude intègre cette information et révise à la baisse son évaluation du risque de fraude.

À l’inverse, il est peu probable qu’il achète un tableau dans une galerie de SohoTom a une très faible affinité avec l’archétype « Artiste » et sa tendance à acheter des œuvres d’art et de la haute couture.

2


34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

28,2 % 20,5 % 29,6 % 40,3 % 0,3 %



34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

40,2 % 0,2 % 25,6 % 37,9 % 0,3 %


À l’inverse, il est peu probable qu’il achète un tableau dans une galerie de Soho Tom a une très faible affinité avec l’archétype « Artiste » et sa tendance à acheter des œuvres d’art et de la haute couture.

2


34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

28,2 % 20,5 % 29,6 % 40,3 % 0,3 %



34,9 % 0,5 % 27,2 % 42,1 % 0,8 %

32,4 % 0,5 % 33,5 % 49,3 % 0,5 %

Et s’il avait acheté une chaîne hi-fi ?Tom a aussi un fort coefficient dans la catégorie « Bricoleur », qui a un penchant marqué pour l’électronique.

+ 21


Commencez avec les avantages que les listes de comportements (Behavior Sorted Lists) confèrent à la gestion des fraudes Taux de détection plus élevés, taux de faux positifs plus faibles, clients plus satisfaits.

Ensuite, profitez des avantages supplémentaires des profils collaboratifs (Collaborative Profiles). Ces nouvelles techniques analytiques se complètent pour vous aider à protéger encore mieux vos comptes clients et à fournir à vos clients une expérience hors pair. Par exemple, un changement important peut apparaître dans les listes de comportements (Behavior Sorted Lists), mais pas dans les profils collaboratifs (Collaborative Profiles). Cela peut être un signe que le client est en voyage, a déménagé ou changé d’emploi.

Une évolution progressive affichée par les deux techniques d’analyse peut indiquer qu’un changement à plus long terme, tel que l’adoption d’un mode de vie plus sain ou une hausse du pouvoir d’achat, est en cours.

La portée de ces renseignements s’étendra au-delà de la gestion des fraudes. En fait, vous pourrez…

Combiner pour obtenir une connaissance encore plus approfondie du client

« Ce qui nous a le plus impressionné est le fait que, même en tant que leader du secteur, FICO ne se repose pas sur ses lauriers, mais continue à innover. »CEB TowerGroup 2012

Comprendre non seulement qui est votre client, mais également qui il devient De cette manière, vous maîtriserez la détection des fraudes et offrirez une formidable expérience client

Pour en savoir plus :Téléchargez les papiers blancs sur ce sujet :

Insights #69: Is It Fraud? Or New Behavior?Insights #7: How Can Fraud Models Combat New Tricks?

Consultez notre blogue :Banking Analytics Blog

Pour plus de renseignements Amérique du Nord (numéro vert) Amérique latine et Caraïbes Europe, Moyen-Orient et Afrique Asie-Pacifiquewww.fico.com +1 888 342 6336 +55 11 5189 8222 +44 (0) 207 940 8718 +65 6422 7700 [email protected] [email protected] [email protected] [email protected]

FICO est une marque de commerce ou une marque déposée de Fair Isaac Corporation aux États-Unis et dans d’autres pays. D’autres noms de produits et de sociétés utilisés dans la présente peuvent être des marques de commerce de leur propriétaire respectif. © 2014 Fair Isaac Corporation. Tous droits réservés.

3045BK_FR 08/14 PDF

http://bankinganalyticsblog.fico.com/2013/07/is-it-fraud-or-new-behavior.html

http://www.fico.com/en/wp-content/secure_upload/Insights_Adaptive_Models_2489WP.pdf

http://www.fico.com/en/wp-content/secure_upload/69_Insights_Is_It_Fraud_Or_New_Behavior_2989WP.pdf

Technology

Est-ce une fraude ou un nouveau comportement ?