Analyse de rentabilité
Notre client, une fintech de paiement traitant d'importants volumes de transactions, était confronté à une escalade des pertes dues à la fraude, ce qui menaçait l'économie de son unité et ses relations avec les commerçants. Le système existant, basé sur des règles, générait un nombre excessif de faux positifs tout en passant à côté de schémas de fraude sophistiqués.
Le nouveau système de détection a permis de réduire considérablement les pertes dues à la fraude tout en diminuant sensiblement les taux de faux positifs, ce qui a fondamentalement transformé le profil de risque du client. Cette excellence opérationnelle est devenue un facteur clé de différenciation dans l'acquisition de marchands et a permis l'expansion dans des secteurs verticaux à plus haut risque.
Nous avons conçu et mis en œuvre un moteur de détection des fraudes basé sur l'apprentissage automatique qui s'appuie sur des méthodes d'ensemble et une notation en temps réel. Notre approche comprenait l'ingénierie des caractéristiques à partir des modèles de transaction, de l'empreinte digitale des appareils et de l'analyse comportementale, le développement de modèles de notation des risques adaptatifs avec des capacités d'apprentissage continu, et l'intégration de sources de données externes, y compris l'intelligence du consortium. Nous avons mis en place une infrastructure MLOps pour le suivi et le recyclage des modèles, et nous avons mesuré l'impact sur l'entreprise grâce à des cadres de test complets.