Détection de fraudes à l'aide de bases de données graphiques
Published on 28 Aug 2020
Les banques et les compagnies d'assurance perdent des milliards de dollars chaque année à cause de la fraude. Les méthodes traditionnelles de détection des fraudes jouent un rôle important dans la minimisation de ces pertes. Cependant, des fraudeurs de plus en plus sophistiqués ont développé diverses méthodes pour échapper à la découverte, à la fois en travaillant ensemble et en exploitant divers autres moyens de construire de fausses identités. Les bases de données graphiques offrent de nouvelles méthodes pour découvrir les réseaux de fraude et autres escroqueries sophistiquées avec un niveau de précision élevé, et sont capables de stopper les scénarios de fraude avancés en temps réel.
Même si aucune mesure de prévention de la fraude ne peut être parfaite, il est possible d’améliorer considérablement les choses en regardant au-delà des points de données individuels et en étudiant les liens qui les unissent. Souvent, ces liens passent inaperçus jusqu’à ce qu’il soit trop tard, ce qui est regrettable, car ils contiennent souvent les meilleurs indices. Comprendre les liens entre les données et en tirer un sens ne signifie pas nécessairement collecter de nouvelles données.
Des informations importantes peuvent être tirées des données existantes, simplement en recadrant le problème et en l'examinant d'une nouvelle manière : sous forme de graphique. Contrairement à la plupart des autres façons d'examiner les données, les graphiques sont conçus pour exprimer les relations. Les bases de données graphiques peuvent révéler des modèles difficiles à détecter à l'aide de représentations traditionnelles telles que des tableaux. Un nombre croissant d'entreprises utilisent des bases de données graphiques pour résoudre divers problèmes de données connectées, notamment la détection de fraudes.
Cet article aborde certains des schémas communs qui apparaissent dans trois des types de fraude les plus dommageables : la fraude bancaire, la fraude à l'assurance et la fraude au commerce électronique. Bien qu'il s'agisse de trois types de fraudes totalement différents, ils ont tous un point commun très important : la tromperie repose sur des couches d'indirection qui peuvent être découvertes grâce à une analyse connectée. Dans chacun de ces exemples, les bases de données graphiques offrent une opportunité significative d'améliorer les méthodes existantes de détection de fraude, rendant l'évasion beaucoup plus difficile
Voir également : 4 façons de maximiser l'effet de levier dans un accord avec Microsoft
Exemple 1 : Fraude bancaire de première partie
Arrière-plan
- La fraude de première partie implique des fraudeurs qui demandent des cartes de crédit, des prêts, des découverts et des lignes de crédit bancaires non garanties, sans avoir l'intention de les rembourser. Il s'agit d'un problème grave pour les institutions bancaires.
- Les banques américaines perdent des dizaines de milliards de dollars chaque année1 à cause de fraudes internes, qui représenteraient jusqu'à un quart ou plus du total des radiations de crédits à la consommation aux États-Unis. On estime en outre que 10 à 20 % des créances irrécouvrables non garanties des principales banques américaines et européennes sont mal classées et constituent en réalité des fraudes internes.
- L’ampleur surprenante de ces pertes est probablement le résultat de deux facteurs. Le premier est que la fraude de première partie est très difficile à détecter. Les fraudeurs se comportent de manière très similaire aux clients légitimes, jusqu’au moment où ils « s’échappent », vident tous leurs comptes et disparaissent rapidement.
- Un deuxième facteur, qui sera également étudié plus en détail plus loin, est la nature exponentielle de la relation entre le nombre de participants au réseau de fraude et la valeur globale en dollars contrôlée par l’opération. Cette explosion connexe est une caractéristique souvent exploitée par le crime organisé.
- Cependant, bien que cette caractéristique rende ces systèmes potentiellement très dommageables, elle les rend également particulièrement vulnérables aux méthodes de détection de fraude basées sur des graphiques.
