Quotidien future finance
              



Comment le Machine Learning fait front à la fraude e-commerce


Par Assaf Feldman, co-fondateur et directeur technique chez Riskified.



L’e-commerce français est en pleine explosion ! En 2019, les ventes en ligne ont dépassé le cap historique des 100 milliards d'euros. Par rapport à 2018, cela représente une hausse de 11,6% et en dix ans, le nombre des transactions a été multiplié par quatre.

Tout n’est pas rose pour autant : consommation et fraude ont tendance à suivre la même courbe de croissance. Plus les détaillants innovent en matière d’omnicanalité, plus les opportunités se multiplient pour les cybercriminels dont les attaques se complexifient. Certaines enseignes craignent de ne pas pouvoir tenir la cadence et hésitent à tout miser sur l’internet.

Cette situation n’est cependant pas une fatalité ! S’il est vrai que la gestion des fraudes représente un poste de dépenses important pour les professionnels de l’eCommerce, ceux qui optent pour des mesures actives de prévention contre la fraude pourront pleinement et durablement profiter de la croissance e-commerce tricolore.

L’obsolescence des systèmes de prévention classiques

En matière de gestion de risque, les commerçants ont trop souvent tendance à se reposer sur des technologies incapables de s’adapter aux évolutions du marché. Nombre d’entre eux s’appuient sur des systèmes de scoring ou à base de règles, qui ne prennent en compte que quelques points de données, plutôt que d’évaluer la commande de manière globale.

Prenons l’exemple d’une enseigne de mode haut de gamme, qui souhaiterait proposer des e-cartes cadeaux. Un système de prévention classique peut posséder une règle qui envoie automatiquement les commandes dont les adresses de facturation et de livraison ne correspondent pas aux équipes de vérification manuelle. Ceci prend tout son sens s’il s’agit d’achats d’articles haut de gamme, mais concernant les cartes cadeaux, c’est voué à l’échec : aucune adresse de livraison n’est attachée à ce type de produit dématérialisé et le client s’attend à recevoir sa carte instantanément. S’il doit attendre un jour ou plus, il est très probable qu’il finisse par annuler son achat.

De plus, pour pouvoir s’adapter aux évolutions du marché, les systèmes à base de règles doivent constamment être remis à jour, forçant les commerçants à engager des ressources non négligeables.

Si l’on prend l’exemple des commandes omnicanales, telles que celles passées en ligne avec un retrait en magasin, ou effectuées via une app mobile pour une livraison dans une consigne. Ce type de commandes, très appréciées des clients, représentent un défi considérable : les commerçants disposent de peu d’informations au sujet du client et sont souvent contraints de finaliser l’achat dans un délai très court.

Une solution de prévention efficace est à même de traiter ces commandes en prenant en compte tous les points de données. En croisant ces informations avec celles d’une base de données, elle est capable de déterminer sa légitimité en temps réel et sans aucune friction pour le client.

Comment se protéger efficacement ?

La réponse : le machine learning

L’idée en est simple : l’objectif est de permettre à l’ordinateur d’accéder à un grand nombre de données pour résoudre un problème, sans avoir été programmé explicitement à cet effet. Par le traitement d’une grande quantité d’informations, la machine est capable de déterminer différentes corrélations et de prédire des scénarios et des implications possibles.

Bon nombre de secteurs, de la santé, à la finance, jusqu’au divertissement, tirent parti des avantages offerts par le machine learning. Netflix est un bon exemple de l’impact de cette technologie dans nos vies quotidiennes. En effet, plus de 80 % des contenus vus sur cette plateforme sont déterminés par un algorithme.

Les habitudes des spectateurs, telles que les séries consommées, leurs temps de lecture, les abandons ou l’ordre de visionnage, sont analysées pour mieux comprendre les préférences de chacun. En recoupant ces datas avec celles de millions d’autres profils, le machine learning peut suggérer des recommandations de films ou de séries qui, sinon, auraient été ignorées.

Les sites de e-commerce peuvent aussi tirer profit de cette technologie pour lutter contre les tentatives de fraude. À l’instar de Netflix, les détaillants ont aussi à leur disposition une large quantité de données qui peuvent leurs permettre d’identifier des patterns et d’effectuer des prédictions à partir d’informations existantes.

Il est temps d’investir dans la bonne tech

Pour éviter les pertes générées par la fraude, les détaillants doivent prendre des précautions, sans pour autant risquer de passer à côté des opportunités promises par l’e-commerce. C’est pourquoi il est primordial de profiter pleinement des moyens offerts par les dernières technologies pour acquérir un plus grand nombre de clients, tout en se protégeant des pertes liées à la fraude.

En adoptant une approche basée sur la data, les e-commerçants analysent plus d’informations et bénéficier d’une vue d’ensemble sur la totalité des transactions. Ils peuvent augmenter leurs recettes, réduire leurs coûts et offrir expérience d’achat optimale à leurs clients, tout en écartant les fraudeurs.

L’occasion est à saisir, il est temps d’agir !


Chaineum : Neo Investment Bank
Laurent Leloup : Conférencier blockchain
HealthTech.Finance : HealthTech Investment Bank

No Offer, Solicitation, Investment Advice, or Recommendations

This website is for informational purposes only and does not constitute an offer to sell, a solicitation to buy, or a recommendation for any security, nor does it constitute an offer to provide investment advisory or other services by FINYEAR.
No reference to any specific security constitutes a recommendation to buy, sell or hold that security or any other security.
Nothing on this website shall be considered a solicitation or offer to buy or sell any security, future, option or other financial instrument or to offer or provide any investment advice or service to any person in any jurisdiction.
Nothing contained on the website constitutes investment advice or offers any opinion with respect to the suitability of any security, and the views expressed on this website should not be taken as advice to buy, sell or hold any security. In preparing the information contained in this website, we have not taken into account the investment needs, objectives and financial circumstances of any particular investor.
This information has no regard to the specific investment objectives, financial situation and particular needs of any specific recipient of this information and investments discussed may not be suitable for all investors.
Any views expressed on this website by us were prepared based upon the information available to us at the time such views were written. Changed or additional information could cause such views to change.
All information is subject to possible correction. Information may quickly become unreliable for various reasons, including changes in market conditions or economic circumstances.


Mardi 24 Mars 2020
Notez


Nouveau commentaire :
Twitter

Your email address will not be published. Required fields are marked *
Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Finyear: latest news, derniers articles

Newsletter quotidienne gratuite




Finyear - Daily News