Rechercher

Les idées reçues sur l’automatisation freinent la lutte contre la fraude en ligne

En matière de lutte contre la fraude, les e-commerçants doivent-ils utiliser des revues
manuelles pour s’assurer d’un contrôle anti-fraude optimal ? Une des idées reçues consiste à penser que les décisions entièrement automatisées suppriment la visibilité et le contrôle. Pourtant, il y a (au moins) quatre raisons pour lesquelles ces solutions sont supérieures à celles qui exigent qu’une partie des décisions soit revue manuellement. Explications.

IA et Machine Learning : plus précis (et sûrs) que les revues manuelles

Les analystes en charge des revues manuelles sont conditionnés pour rechercher des modèles connus, alors que les fraudeurs sophistiqués sont suffisamment malins pour changer constamment de tactique. C’est la raison pour laquelle deux transactions avec des attributs presque identiques peuvent parfois produire une approbation pour l’une et un refus pour l’autre. Sans compter le fait que plus il y a de collaborateurs qui accèdent aux données clients, plus les risques de non-conformité sont élevés (divulgation, manque au respect des règles en vigueur, respect des protocoles à suivre, etc.) Une approche basée sur l’IA et le Machine Learning augmentés permet d’obtenir des résultats bien meilleurs: toute anomalie etcsimilitude, même imperceptible à l’œil humain, est identifiée instantanément. Les fraudeurs, mêmes les plus sophistiqués, sont ainsi bloqués sur le champ.

Mode manuel : inadapté à une forte croissance et aux nouveaux services

Lorsque vous dépendez d’examens manuels, comment vous y prenez-vous lorsque vous devez faire face à une augmentation de 40 % du volume des transactions pendant une courte période ? C’est par exemple le cas lors des soldes ou des ventes flash pour la vente au détail, ou bien au moment des vacances pour le secteur de l’hôtellerie restauration. Durant ces périodes, les transactions se comptent souvent par dizaines de millions, pour un chiffre d’affaires potentiel de plusieurs milliards d’euros. Les équipes internes n’ont pas le personnel nécessaire pour gérer ces montées rapides et temporaires, pas plus que les fournisseurs de solutions. Vous pouvez faire appel à des contractants mais ceux-ci n’ont pas le contexte nécessaire pour prendre des décisions. Ils sont donc pris en étau entre deux attitudes : laisser passer plus de transactions douteuses qu’à l’ordinaire, sans les examiner, ou bien accumuler un arriéré que votre équipe à plein temps devra traiter ultérieurement. Les solutions entièrement automatisées éliminent ce type de dilemmes. Elles peuvent traiter des centaines, voire des milliers de décisions par seconde, en s’adaptant de manière transparente aux besoins des entreprises.

L’automatisation amplifie l’efficacité de l’équipe chargée de la fraude

A l’heure actuelle, les solutions anti-fraude leaders sur leur marché sont entièrement automatisées. L’idée reçue la plus fréquente est que l’automatisation permet de remplacer l’équipe chargée de lutter contre les fraudes. C’est tout le contraire. Aujourd’hui, une grande partie du travail des équipes chargées de la lutte contre la fraude est réalisée de manière réactive : elles examinent chaque transaction et prennent les décisions d’approbation ou de rejet. Parce qu’elle fournit une vue plus exhaustive de la fraude, l’automatisation – grâce à l’IA et au Machine Learning – libère les équipes de ce rôle réactif. Au lieu de passer leur temps à faire du management de règles et/ou à en appliquer de nouvelles pour bloquer des fraudes ayant déjà eu lieu, les analystes sont en mesure de se consacrer pleinement au suivi et à la constante optimisation de leur KPI. Ils peuvent, par exemple, étendre les moyens de paiement ou se focaliser sur les quelques transactions qu’ils souhaitent étudier.

Des examens manuels qui entravent les services à valeur ajoutée

La pandémie a modifié les attentes des consommateurs en matière de commerce numérique. La prévalence de l’achat en ligne et du BOPIS (Buy Online Pick up In Store) a augmenté de plus de 200 %. Les principaux e-commerçants ont même introduit des expériences de « caisses mobiles » sans contact dans les magasins. Néanmoins, la grande majorité de ces services à valeur ajoutée dépendent d’évaluations instantanées de la légitimité des transactions. Que se passe-t-il lorsqu’un consommateur effectue un achat en ligne, se présente chez un commerçant pour récupérer ses articles, et apprend que sa commande n’a pas encore été approuvée ? C’est le revers de la médaille de certaines solutions anti-fraude dont l’objectif est d’essayer de maintenir des taux d’approbation et de rétro-facturation raisonnables, en continuant à recourir à des revues manuelles pour certaines de leurs transactions. Si votre entreprise utilise ou a l’intention d’utiliser BOPIS, BORIS (Buy Online Return In Store), la caisse mobile ou des services à valeur ajoutée similaires pour se démarquer sur le marché, vous avez tout intérêt à exiger une solution entièrement automatisée.

En utilisant des solutions automatisées basées sur l’IA et le Machine Learning, augmentées par l’humain, les équipes anti-fraude deviennent proactives. Elles bénéficient d’une visibilité optimale sur toutes les transactions, les nouvelles tendances ou les modèles auxquels elles sont confrontées, ainsi que sur les détails des transactions individuelles. Grâce à l’analyse des données fournies par l’IA et le Machine Learning, elles gagnent en visibilité sur les nouveaux vecteurs de croissance et enclenchent une transformation vertueuse.

 

Tribune par Raphaël Guerard, Responsable Sud de l’Europe, Moyen-Orient et Afrique, Forter

 

<<< A lire également : TotalEnergies investit un milliard d’euros pour améliorer sa sobriété énergétique >>>

Vous avez aimé cet article ? Likez Forbes sur Facebook

Newsletter quotidienne Forbes

Recevez chaque matin l’essentiel de l’actualité business et entrepreneuriat.

Abonnez-vous au magazine papier

et découvrez chaque trimestre :

1 an, 4 numéros : 30 € TTC au lieu de 36 € TTC