Lutter contre la fraude grâce à une expérimentation rapide & adaptée

Combattre la fraude en matière de paiement peut être plus difficile que vous ne le pensez. Vous travaillez sans relâche pour que vos clients bénéficient d’une expérience de paiement homogène. Pourtant, les fraudeurs ont la capacité de s’adapter rapidement et de cibler votre entreprise en utilisant leurs connaissances techniques.

La nécessité d'avoir un système sophistiqué de gestion de la fraude est donc réel. Trouver le juste équilibre entre optimiser en permanence votre protection contre la fraude et ne pas refuser de véritables commandes (qui au moment de l’achat semblent parfois très suspectes) est un défi de taille. Découvrez ci-dessous nos conseils pour l'apréhender au mieux.

Alors, comment pouvez-vous croître rapidement tout en protégeant vos clients et sans bloquer trop de transactions authentiques? À mesure que la fraude évolue, il est essentiel que toute solution de gestion de la fraude détecte, analyse et s'adapte aussi rapidement que possible.

Parlons un peu de la nécessité pour toute entreprise de continuellement ajuster et calibrer sa stratégie de fraude. Ajuster aléatoirement les règles et les scores, échanger un modèle contre un autre ou s’intégrer à d’autres tiers pour valider les données client est une option, mais n’est généralement pas la solution la plus efficace.

Ce concept d' A/B testing n’est pas nouveau, mais c’est une méthodologie qui a déjà fait ses preuves et qui permet de déterminer si les modifications que nous effectuons ont un impact sur les résultats mesurés.

Dans l’univers du risque et de la fraude, il est essentiel de suivre l’impact de tout changement et son incidence sur les faux négatifs et les faux positifs. Les faux négatifs sont les fraudes réelles que votre système a manqué et qui se transforment en rétrofacturation. Les faux positifs sont en fait de bonnes commandes qui sont faussement classées comme frauduleuses, ce qui entraîne une perte de revenus légitimes.

L’objectif des tests A / B est de mesurer l’impact d’un changement sur ces paramètres et de prendre une décision précise quant à savoir si l’impact mesuré est «réel» ou simplement dû au hasard (variation naturelle et si les changements doivent être déployés ou non sur toutes les transactions).

En marketing et en analyse Web, les tests A / B ont été rapidement adoptés, mais étant donné la complexité et la profondeur des données disponibles dans la gestion de la fraude, les A / B tests doivent être considérés comme fondamentaux. Le test A / B est une expérience contrôlée avec deux variantes, A et B, et permet de comparer deux versions d'une variable unique en testant la réponse du sujet à la variable A par rapport à la variable B, et en déterminant laquelle des deux variables est la plus efficace.

L’équipe d’experts en risques globales d’Adyen a toujours été en mesure d’utiliser ce cadre d’expérimentation en interne, mais nous sommes ravis de pouvoir désormais proposer cette fonctionnalité à nos clients.

Les récents progrès dans le Machine learning (ML) nécessitait réellement une plate-forme d’expérimentation solide pour surveiller et montrer les impacts associés aux utilisateurs en temps réel, offrant ainsi aux clients un contrôle total sur la donnée obtenue.

Toute modification mineure apportée à un ensemble de règles de risque peut être testée séparément plutôt que de simplement remplacer une configuration existante par une nouvelle. Adyen exécute toutes les configurations données (nous faisons référence à la combinaison d'un ensemble donné de paramètres de risque sous forme de profil) via son optimisateur de risque optimisé, créant ainsi une solution hybride prenant le meilleur des deux mondes: la transparence et le contrôle d'une règle et une approche basée sur les prédictions évolutives et précises du machine learning.

Les versions initiales que nous avons testées avec des marchands pilotes étaient axées sur des indicateurs clés tels que les taux d'autorisation et de fraude, mais nous avons rapidement compris que les informations détaillées devaient également devenir un élément essentiel de ces tests.

Pris en charge par des chiffres bruts, mais aussi par des graphiques en temps réel, les utilisateurs peuvent explorer le détail des raisons, par exemple, des raisons exactes de refus des banques, des émetteurs de cartes, pour évaluer l'impact des modifications appliquées.

Non seulement voulons-nous encourager les tests continus de nouvelles configurations de risque, mais nous sommes également convaincus qu'une gestion efficace de la fraude repose sur la prise de décisions reposant sur des données solides plutôt que des opinions subjectives. La fonctionnalité d’expérimentation d’Adyen prône l'approche objective et quantifiée et aidera les clients à rester en avance sur leur temps en matière de fraude.

Maintenant que vous connaissez les fonctionnalités de notre solution, passons à une étude de cas concrète.

Avec un volume de transactions élevé, le Brésil est l’un des plus importants marchés au monde pour OLX. La société a toujours considéré la gestion du risque et de la fraude comme un défi.

Ensemble, OLX et Adyen ont développé une stratégie basée sur le machine learning et l’utilisation intelligente des données. En analysant la base d’informations sur les paiements, l’algorithme comprenait mieux le comportement des consommateurs et fournissait des informations optimisées sur la conversion, l’approbation des transactions et la manière d'obtenir la «meilleure expérience client».

Avec ces nouvelles connaissances acquises, l'étape suivante consistait à examiner le profil de risque utilisé dans l'outil de protection des paiements anti-fraude d'OLX. Ce profil est composé de différents champs de données, tels que l’emplacement, l’e-mail, le panier moyen, les données de carte, les produits du panier, l’historique des utilisateurs, etc. Chacun reçoit un score en fonction du risque de fraude qu'il représente. Ceci était le profil «A».

Un deuxième profil de risque de paiement, le profil «B», a ensuite été créé en réunissant un nouvel ensemble de règles. Le machine learning a calibré les scores de chaque profil en fonction des données générées par l'historique des ventes de l'entreprise. "Comme nous disposions de suffisamment de données, d'un outil puissant et que les clients étaient toujours prêts à tester de nouvelles solutions, nous avons lancé un test au format A / B", déclare Ligia Pires, responsable de la sécurité et fraude chez OLX Brazil. "Le test consiste à exécuter en parallèle l'ancien et le nouveau profil antifraude, en vérifiant lequel présente les meilleurs résultats."

La première phase de la période de test a duré quatre semaines et 10% seulement du volume des ventes ont été envoyés au nouveau profil de paiement anti-fraude. Avec une bonne performance, le volume a été augmenté de 25% pendant deux semaines supplémentaires, puis de 50% au cours des deux dernières semaines.

"Aujourd’hui, Adyen nous soutient dans nos initiatives de paiement et sa technologie nous permet d’avoir le meilleur des deux mondes: des transactions financières valides approuvées et un système anti-fraude robuste bloquant les achats illégitimes", conclut Pires.

Le nouveau Adyen’s RevenueProtect comportera la nouvelle fonctionnalité d’expérimentation en tant qu’ajout de risque premium une fois les tests bêta terminés. Si vous êtes intéressé par le programme pilote et ainsi voir ce qu'il peut faire, alorsn'hésitez pas à nous contacter.

En attendant, découvrez comment la puissance du système de paiement de bout en bout d’Adyen vous donne plus de données centralisées et vous permet de contrôler, d’apprendre et d’optimiser vos expériences clients.

References:

[1]  2019 MRC Global Fraud Survey