Cas client Micropole accompagne Crédit Agricole dans la détection de fraude
×
Micropole accompagne le Crédit Agricole dans la détection de fraude à la carte bancaire
Découvrez comment Micropole a permis à Crédit Agricole Payment Services (CAPS) d’optimiser significativement ses dispositifs temps réels de lutte contre la fraude CB et flux.
Contexte
Le Crédit Agricole est le plus grand réseau de banques coopératives et mutualistes du monde. En France il est composé de 39 caisses régionales et compte près de 20 millions de clients équipés d’une carte bancaire.
Chaque année au sein du groupe, on observe plusieurs milliards de transactions CB, pour plus de 150 millions d’euros de tentatives de fraude.
La fraude évolue constamment car les fraudeurs tentent en permanence de déjouer les dispositifs anti-fraude existants. Il est donc impératif d’être en alerte permanente et d’adapter son dispositif au quotidien.
De plus, les contraintes opérationnelles sont fortes puisque le dispositif repose sur des règles qui doivent se prononcer en quelques millisecondes pour autoriser ou non une transaction.
Parmi les différentes typologies de fraude, la Vente A Distance est le domaine le plus touché.
Avant l’intervention de Micropole, CAPS avait testé plusieurs expérimentations pour tenter d’améliorer le dispositif existant avec de nouvelles approches basées sur du machine learning et de l’IA. Ces expérimentations, menées avec des startups / éditeurs / cabinets spécialisés, se sont révélées non fructueuses tant sur leur capacité à stopper de nouvelles fraudes qu’à s’intégrer au dispositif sous contraintes
Enjeux
Malgré ses précédentes expérimentations non fructueuses, Crédit Agricole Payment Services a sollicité l’accompagnement et l’expertise de Micropole pour démontrer l’apport significatif du Machine Learning et de l’IA dans la détermination de nouvelles règles anti-fraude à fort potentiel.
Dans un premier temps, nous nous sommes focalisé sur le périmètre des transactions de vente à distance (VAD). En effet, ces transactions dématérialisées et hors du lieu de vente sont particulièrement propices à la fraude et représentent une part importante de la fraude subie.
En résumé, la mission a consisté dans un premier temps à démontrer la capacité du Machine Learning et de l’IA à stopper de la fraude supplémentaire sur le segment VAD avant de généraliser l’approche à tous les types de transactions / paiements (Retraits, paiements de proximité, virements, chèques).
Méthodes
Compte-tenu des contraintes opérationnelles, de la rareté de la fraude et des caractéristiques des algorithmes de Machine Learning actuelles, les experts Micropole ont décidé après avoir testé des approches classiques de développer un algorithme sur-mesure capable d’identifier automatiquement de nouvelles règles pertinentes contre la fraude (Scoring.AI et Fraud.AI).
Cet algorithme a été conçu pour permettre de simuler, sur les données du passé, la capacité des règles identifiées au fil du temps (réapprentissage du modèle à échéances régulières) à stopper la fraude sur des transactions futures.
Micropole a rapidement démontré la capacité de l’algorithme à stopper de la fraude supplémentaire sur les transactions VAD sans générer de gène supplémentaire auprès des clients.
Un travail en profondeur sur la construction de nouveaux indicateurs à fort potentiel prédictif de la fraude a permis d’accroitre les performances initiales en termes de fraude identifiée et donc stoppée.
Après une première expérimentation terrain concluante de quelques mois, CAPS a demandé à Micropole d’étendre la démarche à l’ensemble des transactions.
Bénéfices
- Plus de 10 Millions € de fraudes supplémentaires stoppées par an
- Efficacité du dispositif améliorée de 15%
- Aucun impact négatif sur l’expérience client
- Nouvel algorithme spécifiquement développé par Micropole, générant des règles directement industrialisables