This content has not been translated yet: it is shown in its original language (French).
En 2022, les fraudes par carte bancaire ont coûté 33,45 milliards de dollars à l'économie mondiale (Nilson Report, 2023). Ce qui est fascinant, c'est qu'une grande partie de ces tentatives est désormais détectée et bloquée en temps réel par des algorithmes de machine learning.
Le problème du déséquilibre de classes
Sur un million de transactions, environ 100 à 500 seulement sont frauduleuses. C'est ce qu'on appelle le déséquilibre de classes, un cas d'école que tout data scientist doit maîtriser.
Un modèle qui prédirait toujours « transaction légitime » aurait une exactitude de 99,9 %… mais ne détecterait aucune fraude.
Les bons outils
C'est là qu'interviennent des méthodes adaptées :
- XGBoost combiné à SMOTE, une technique qui crée des exemples synthétiques de fraudes pour rééquilibrer les données ;
- l'Isolation Forest, spécialement conçue pour isoler les anomalies rares.
Sur le jeu de données de référence de l'ULB (284 807 transactions, dont 492 fraudes), ce type d'approche détecte la grande majorité des fraudes.
En Afrique : le mobile money
En Afrique, c'est la fraude sur le mobile money qui explose, avec des pertes estimées à plus d'un milliard de dollars (GSMA, 2023). Des fintechs comme Smile Identity déploient ces modèles pour protéger des millions d'utilisateurs.
Avez-vous déjà été victime d'une tentative de fraude ?
Go further: the full documentPDF · 10 pages · sources and technical detailsDownload
