Détection de fraude par machine learning
Réponse courte
SwankyForge construit des systèmes de détection de fraude et d'abus qui notent les transactions, commandes ou comptes en temps réel, expliquent chaque décision et tournent à côté de vos règles existantes jusqu'à avoir fait leurs preuves. L'objectif : moins de fausses alertes à taux de détection égal, mesuré sur vos données. Les projets sont cadrés après une courte phase de découverte, dans une fourchette typique de 7k €–42k €.
- Commande 88412 · client récurrent0.08
- Commande 88413 · nouvel appareil, adresse habituelle0.21
- Commande 88414 · nouvel appareil, nouvelle adresse, montant élevé0.87
- Commande 88415 · client récurrent0.05
Signalé : nouvel appareil + nouvelle adresse + montant 6× supérieur à l'habitude du client
Cela vous parle ?
- Les règles n'attrapent que la fraude qu'elles connaissent déjà.
- Les analystes passent leurs journées sur de fausses alertes.
- De bons clients sont refusés.
- De nouveaux schémas d'attaque passent inaperçus pendant des semaines.
- Personne ne peut expliquer pourquoi une commande a été bloquée.
Ce que nous construisons
Scoring en temps réel
Chaque transaction, commande ou inscription notée au sein de votre flux existant.
Seuils chiffrés
Des seuils fixés selon ce que vous coûte chaque type d'erreur, pas par défaut.
Des raisons pour chaque décision
Les facteurs derrière chaque score, lisibles par les analystes et le support.
Alertes de dérive
Un avertissement quand les comportements changent, avant que les pertes n'apparaissent.
File des analystes
Dossiers classés par risque et par montant, avec les éléments de preuve joints.
Déploiement progressif
Tourne d'abord à côté de vos règles ; ne prend le relais que là où il fait mieux.
Déroulement d'un projet
- 1
Chiffrer le coût des erreurs
Ce que coûte une fraude manquée, et ce que coûte un client refusé à tort. Les deux fixent l'objectif.
- 2
Constituer l'historique
Décisions passées, rétrofacturations et revues deviennent des exemples annotés.
- 3
Noter et expliquer
Un modèle note chaque événement en temps réel et liste les raisons.
- 4
Tourner en parallèle de vos règles
Il tourne en silence à côté des règles actuelles jusqu'à attraper la même fraude avec moins de fausses alertes.
- 5
Surveiller et réentraîner
Alertes de dérive, rapports hebdomadaires et un rollback que vous contrôlez.
Ce que vous obtenez
- Service de scoring intégré à votre flux de paiement ou de commande
- Politique de seuils fondée sur le coût de chaque erreur
- File des analystes avec les raisons pour chaque dossier
- Monitoring de la dérive et des performances
- Code, modèles et runbooks dans votre dépôt
Prix typique
7k €–42k €
Durée typique
Défini lors du cadrage
D'après la grille tarifaire publiée. Le prix final est fixé une fois le périmètre convenu.
Estimer votre projetQuestions
Le machine learning va-t-il remplacer nos règles antifraude ?
Pas au début. Le modèle tourne à côté des règles et ne prend le relais que là où il attrape la même fraude avec moins de fausses alertes. Certaines règles restent, parce qu'elles traduisent une politique.
Quelle est la rapidité du scoring en temps réel ?
Suffisante pour s'insérer dans le checkout ou l'autorisation de paiement. Le budget de temps de réponse est convenu d'avance et surveillé.
Pouvez-vous expliquer pourquoi une transaction a été refusée ?
Oui. Chaque score est accompagné des facteurs qui l'expliquent, pour que les analystes et le support puissent expliquer une décision à un client.
De combien de fraudes annotées avons-nous besoin ?
La fraude confirmée est toujours rare. Nous combinons rétrofacturations, revues passées et signaux d'anomalie, et mesurons d'abord ce qui est atteignable sur votre historique.
Pourquoi n'y a-t-il pas de prix fixe ?
Ce sont les points d'intégration et la qualité des données qui varient le plus d'une entreprise à l'autre. Une courte phase de découverte fixe le périmètre et le prix.
Parlez-nous de votre besoin.
Le premier appel est gratuit. Si ce système n'est pas la bonne réponse au vu de vos chiffres, nous vous le disons.