La précision mesure la proportion de classifications correctes effectuées par un modèle d'apprentissage automatique. Dans cette série d'articles, nous expliquons pourquoi la précision est essentielle dans la lutte contre la fraude et la criminalité financière.

Notre secteur reconnaît depuis longtemps la fraude par prise de contrôle de compte comme une défaillance d'authentification due à des identifiants compromis, au phishing ou à des mots de passe faibles. Les institutions financières ont réagi à cette menace en renforçant les contrôles de connexion, en déployant l'authentification multifacteurs et en ajoutant des mesures de sécurité progressives.

Cette méthode a fonctionné un temps, mais la criminalité financière a depuis évolué. Fraudes, escroqueries et réseaux de mules fonctionnent désormais comme un système interconnecté. Les fraudeurs modernes ne s'introduisent plus de force dans les systèmes ; ils s'y infiltrent. Une fois à l'intérieur des comptes, ils imitent les utilisateurs légitimes en adaptant le rythme de leurs actions et en reproduisant les flux attendus. Ils manipulent également de véritables clients grâce à l'ingénierie sociale, donnant ainsi une apparence de légitimité à leurs actes frauduleux.

Aujourd'hui, des opérations bancaires numériques identiques peuvent refléter des réalités très différentes. Deux utilisateurs distincts peuvent : 1) se connecter avec succès, 2) ajouter un bénéficiaire, et 3) effectuer un virement important. À première vue, les deux parcours semblent identiques. Les deux utilisateurs saisissent les mêmes identifiants depuis le même appareil et suivent ensuite les mêmes étapes pour réaliser le virement.

Et pourtant, l'un de ces utilisateurs est un client authentique exerçant une activité légitime, tandis que l'autre est soit un fraudeur, soit un client agissant sous les ordres d'un fraudeur.

Le seul moyen de différencier ces deux utilisateurs apparemment identiques est d'évaluer de manière constante et persistante leurs intentions à chaque milliseconde de chaque transaction.

Cessons de regarder dans le rétroviseur

La plupart des systèmes de détection de fraude actuels reposent fortement sur les données historiques d'événements :

• Valeurs de transaction
• Identifiants de l'appareil
• adresses IP
• Géolocalisation
• activité historique

Ces données sont précieuses mais limitées . Elles ne montrent que ce qui s'est déjà produit. À l'instar du rétroviseur d'une voiture, elles ne révèlent que les endroits où nous sommes déjà allés.

Cet appareil a-t-il déjà été vu ?

Cette transaction est-elle habituelle pour ce client ?

Cela correspond-il aux tendances historiques ?

Les données historiques de ce type ne permettent pas de prédire avec certitude les actions futures. Les attaquants sophistiqués utilisent aujourd'hui des identifiants légitimes, des appareils familiers et des comportements attendus pour créer des schémas correspondant aux événements passés.

Le recours exclusif à ces données transactionnelles crée un désavantage structurel. La détection est lente, les modèles deviennent réactifs plutôt que proactifs, et la fraude est trop souvent identifiée trop tard.

Utiliser le comportement pour prédire le risque à partir de l'intention

Si ces données n'offrent qu'une vision rétrospective, l'intelligence comportementale révèle la voie à suivre. Elle se concentre non pas sur les événements passés, mais sur le déroulement des actions en temps réel et leurs implications pour l'avenir.

C’est le fondement de l’intelligence comportementale de BioCatch . Elle analyse les interactions humaines au fil des sessions pour déterminer les intentions en temps réel. Au lieu de points de contrôle statiques, l’intelligence comportementale observe en continu :

• Comment un utilisateur navigue
• Comment ils interagissent avec les menus
• Comment ils saisissent et modifient les données
• Comment se déroule la transition entre les écrans
• Leur réaction aux incitations ou aux frictions

Ces signaux forment un profil comportemental dynamique qui révèle l'intention au fur et à mesure qu'elle émerge.

Pour reprendre notre exemple de ces deux utilisateurs apparemment identiques, l'un légitime et l'autre frauduleux : l'intelligence comportementale nous permet de constater que le client authentique se comporte avec familiarité, confiance et cohérence.

Le fraudeur peut d'abord se montrer aussi familier qu'un client légitime, mais son comportement finit par diverger. Une navigation trop linéaire peut suggérer une activité scénarisée, et le copier-coller d'identifiants peut indiquer une usurpation d'identité ou un accès à distance. Les victimes manipulées, quant à elles, manifestent souvent des hésitations, signe d'incertitude ou de manipulation, des comportements inhabituels ou des signes de contrôle externe.

Il ne s'agit pas de vestiges du passé, mais d'indicateurs avancés de risque. Cela marque un changement de paradigme : on passe d'une analyse rétrospective de la norme à la prédiction des anomalies avant même que les pertes ne surviennent.

Pourquoi cette distinction est importante

La différence entre les données rétrospectives et les analyses comportementales prédictives a des conséquences opérationnelles concrètes. Lorsque les organisations s'appuient principalement sur des données historiques, la détection des fraudes repose trop souvent sur des règles (par exemple, des seuils de transaction), les contrôles sont appliqués de manière excessive pour compenser l'incertitude, les faux positifs augmentent, les frustrations des clients s'accroissent et l'expérience utilisateur se dégrade. Sans certitude quant aux intentions, le système adopte une attitude prudente par défaut, interrogeant un plus grand nombre d'utilisateurs plus fréquemment.

En revanche, lorsque les organisations comprennent les intentions à travers les comportements, elles identifient les risques plus tôt dans chaque session, appliquent des contrôles précis, ciblent directement les sessions frauduleuses et permettent aux utilisateurs légitimes de naviguer en toute fluidité dans leurs opérations bancaires numériques. Cela réduit le besoin de mesures de sécurité généralisées et permet un modèle opérationnel bien plus efficace.

Une grande banque d'Amérique latine a mis en place un système de surveillance des transactions pour faire face à une recrudescence des attaques par usurpation d'identité. Cette solution n'a permis d'empêcher que la moitié des transactions frauduleuses, tout en générant un taux élevé de faux positifs et une charge de travail ingérable liée au traitement des alertes. Grâce à l'analyse comportementale de BioCatch , cette banque a porté son taux de détection des fraudes à plus de 90 %, diminué de 70 % le nombre d'alertes nécessitant une investigation et réduit de 66 % le nombre de faux positifs.

Aux États-Unis, la caisse de crédit fédérale ORNL a utilisé BioCatch pour permettre à ses plus de 225 000 membres d’économiser 1 million de dollars en pertes dues à la fraude par prise de contrôle de compte en seulement six mois.

Réduire les frictions et les coûts

Les stratégies traditionnelles de protection contre le piratage de comptes reposent sur les mots de passe à usage unique (OTP), les questions de sécurité, l'authentification renforcée et les vérifications manuelles. Ces contrôles, peu rigoureux et appliqués à grande échelle, pénalisent de nombreux utilisateurs légitimes pour un nombre relativement faible de cas de fraude détectés. Il en résulte un compromis inutile entre sécurité et expérience utilisateur.

Une friction appliquée avec précision modifie cette dynamique. En utilisant l'intelligence comportementale pour prédire les intentions, les institutions financières permettent aux utilisateurs à faible risque d'effectuer leurs opérations bancaires numériques sans interruption, tout en identifiant plus tôt les sessions à haut risque et en les gérant de manière décisive, ce qui permet :

• Moins de faux positifs
• Alertes de meilleure qualité
• Charge de travail manuelle réduite
• Réduction des dépenses opérationnelles

Une autre grande banque d'Amérique latine a mis en place un système d'authentification par reconnaissance faciale rigoureux pour lutter contre la fraude croissante qui touchait des millions de clients. La banque gérait plus de 400 règles différentes, nécessitant une équipe de huit experts techniques pour leur maintenance, leur optimisation et leur création. En optant pour la solution de prise de contrôle de compte de BioCatch , la banque a non seulement évité 10 millions de dollars de pertes dues à la fraude, mais a également réduit ses coûts liés à la biométrie physique de 90 % et diminué de moitié le temps consacré à la gestion des systèmes basés sur des règles.

L'intelligence comportementale permet de créer des défenses ciblées plutôt qu'indiscriminées contre la prise de contrôle des comptes, qui, surtout, deviennent moins visibles pour les véritables clients.

De la détection à la prévention

L'avantage ultime d'une approche prédictive réside dans sa capacité à passer de la détection à la prévention. Les données rétrospectives nous indiquent seulement où la fraude a déjà eu lieu. L'intelligence comportementale, quant à elle, nous permet de l'empêcher avant même qu'elle ne se produise.

Les données comportementales recueillies tout au long de la session permettent aux institutions financières d'interrompre les parcours suspects, de bloquer ou de retarder les transactions à haut risque, de déclencher une authentification adaptative uniquement lorsque cela est nécessaire et de vérifier l'identité des clients susceptibles d'être manipulés. Cette approche transforme la gestion de la fraude, passant de l'analyse des pertes à leur prévention totale.

Les avantages commerciaux sont évidents : moins de remboursements et d’enquêtes, des décisions plus rapides et plus éclairées, une expérience client optimale et une réduction du taux d’attrition. La prévention devient évolutive grâce à une compréhension en temps réel plutôt qu’à une analyse historique.

La prise de contrôle de compte ne peut plus être résolue en se basant uniquement sur le passé. Lorsque les attaquants imitent la normalité, les données historiques seules ne suffisent pas et seront toujours en retard sur l'évolution des tactiques.

L'avenir de la lutte contre la fraude repose sur la compréhension en temps réel des intentions des utilisateurs. Dans le contexte actuel de la fraude, la question clé n'est plus : « Que s'est-il passé ? » mais : « Que va-t-il se passer, et pourquoi ? »

Vous pouvez en apprendre davantage sur l'importance de la précision lors de l'ouverture d'un compte ici .

English
Deutsch
español
italiano
português