Le Big Data, acteur incontournable dans la lutte anti-fraude

Une récente ETUDE DE L’IDC, prévoit qu’en 2019, le marché mondial des technologies Big Data atteindra 48,6 milliards de dollars. Cette étude met en lumière les deux secteurs d’activité qui y investissent le plus : il s’agit de l’industrie et du secteur bancaire. Il n’est pas surprenant de retrouver le secteur financier en tête du classement. Depuis 2008, on voit en effet apparaître une montée de la « Criminalité économique ». Trois types de fraudes sont principalement concernées : les fraudes externes au secteur, les fraudes internes et les fraudes managériales. Le Big data constitue une aide précieuse dans la lutte contre les fraudes et l’amélioration de la sécurité, que les banques doivent impérativement mettre en place pour respecter leurs obligations réglementaires et réduire leurs coûts liés à ces fraudes.

Une lutte anti-fraude dépassée qui n’évolue pas assez vite

Aujourd’hui et malgré l’utilisation de plus en plus avérée du Big Data, nous faisons le constat suivant :

  • Les outils traditionnels utilisés encore en grande majorité dans le secteur financier n’accordent que trop peu d’attention aux fraudes non avérées, alors qu’elles sont aussi importantes.
  • Bien que l’analyse humaine soit très performante, la détection de la fraude est encore trop lente, alors que les techniques des hackers sont de plus en plus pointues.
  • Le processus de modélisation dans le datawarehouse est lourd et rigide.

En 2006 par exemple, Jems Groupe était intervenu sur des problématiques de blanchiment d’argent dans le secteur bancaire. Julien Prusak, ingénieur Big Data chez Jems Group fait le constat : « A cette époque, nous travaillions énormément sur la lutte anti blanchiment. Or, l’analyse de risque se limitait à des transactions supérieures à 10 000 euros pour éviter une masse de données trop importante. Cette analyse était excessivement longue et pouvait durer une journée.   A l’heure actuelle, non seulement il est possible de traiter toutes les transactions, mais l’analyse s’effectue en temps réel ».

Si les avancées sont considérables en matière de détection, elles ne sont pas encore suffisantes pour contrer les attaques qui ont toujours un temps d’avance. La mise en place d’un système de Big Data est une aide considérable en matière de lutte anti-fraude, qui permet également de respecter les obligations réglementaires.

Le Big Data, une aide précieuse pour respecter les obligations réglementaires

Les obligations réglementaires auxquelles les banques doivent rendre compte sont drastiques. Pour répondre à ces impératifs, le Big Data est la meilleure solution.

En effet, la BCE (banque centrale européenne) leur impose d’être très réactives aux audits qu’elles doivent effectuer.

Les reportings qu’ils ont pour obligation de rendre régulièrement ont pour impératif d’être sans faille. Les risques internes et externes doivent être éliminés sans prérogative. Pour connaître le détail de ces obligations réglementaires suivez ce lien.

Le Big Data améliore considérablement l’expérience de lutte anti-fraude

En matière de sécurité, les améliorations apportées par le big data sont considérables.

Que permet l’utilisation du Big Data dans le secteur financier ?

  • Le traitement en temps réel des données et donc une réactivité inégalée.
  • La réduction des délais de traitement des opérations de détection de 3 semaines à 5 minutes. Ce qui est une avancée considérable.
  • L’augmentation des taux de détection positifs

Tout ceci réduit leurs couts liés à la fraude bancaire.

De quelle manière ?

  • Les solutions existantes ont été améliorées grâce à des algorithmes.
  • Les comportements anormaux détectés sont affinés.
  • On peut désormais détecter les fraudes non avérées en temps réel. (Grâce à un large volume de données analysées).
  • Il est désormais possible de faire des focus sur les comportements à risques grâce au machine learning.

La création de score de suspicion notamment permet une meilleure prévision des fraudes (ces scores qui vont de 0 à plus de 3, note la probabilité qu’un client ou une personne a de frauder ou non en fonction de l’analyse d’un certains nombres de données)

  • L’utilisation des données de l’open data (des données publiques), comme celles de twitter et de facebook, permettent de traquer les entités frauduleuses. Ces données peuvent fournir beaucoup d’informations telle que la localisation géographique. Elles sont notamment très utiles en ce qui concerne la fraude à la carte bancaire. Les banques peuvent ainsi vérifier si la localisation géographique d’une personne correspond au lieu d’utilisation de sa carte bancaire et détecter si une fraude est en cours en temps réel.
  • En termes statistiques, il existe plusieurs approches tel que des régressions statistiques, des lois statistiques (loi de Benford,…), des approches basées sur des réseaux de neuronaux, du clustering ou encore des arbres de décisions, utilisées dans la lutte anti-fraude.

Collaborer ensemble pour rendre le processus efficace

Mais pour que la mise en place d’un système de Big Data soit efficace, les services doivent collaborer ensemble.

Dans un autre article, nous avions ainsi évoqué quelles étaient les limites de la technologie face aux négligences humaines. Vous pouvez vous y reporter afin de découvrir quelles sont les règles à bien respecter pour garantir un bon niveau de sécurité.

Jems Group, en tant que cabinet de conseil apporte son expérience sur l’ensemble des thématiques des projets concernés par la détection de fraude : MOA, MOE mais également en détectant les signaux faibles, grâce à la réalisation d’audit de sécurité, au développement, à la gestion de projets, à la rédaction de spécifications.

Les organismes financiers n’ont plus d’autres choix pour lutter contre les fraudes que d’investir massivement dans le Big Data pour améliorer considérablement la détection des fraudes non avérées en temps réel.  Outre la réduction considérable des coûts liés aux fraudes, il permet aux organismes financiers de pouvoir respecter leurs obligations réglementaires imposées par la BCE. Nous verrons dans un prochain article que les big data ont encore d’autres utilités pour le secteur financier.

 

Partager :
Partager sur Twitter
Partager sur LinkedIn
Partager par email