Identifier les activités frauduleuses en ligne
La fraude en ligne est responsable de la perte de dizaines de milliards de dollars chaque année dans le monde. Généralement, les entreprises utilisent des applications de détection des fraudes basées sur des règles qui ne sont pas suffisamment précises et qui sont en déphasage avec l'évolution des comportements des fraudeurs. Avec les solutions de machine learning d'AWS Fraud Detection, les entreprises peuvent prévenir et détecter les fraudes en ligne de manière proactive et avec plus de précision. Ces solutions permettent de réduire les pertes de revenus, d'éviter de porter atteinte à la réputation de la marque et de proposer une expérience client en ligne sans friction tout en s'adaptant aux évolutions des modèles de menaces.
Avantages
La détection des fraudes à vos propres conditions
Les entreprises qui n'ont aucun expert en machine learning peuvent utiliser Amazon Fraud Detector pour ajouter des fonctionnalités de détection des fraudes basées sur le ML à leurs applications métier en quelques minutes, tandis que les entreprises qui disposent d'une équipe dédiée de scientifiques des données peuvent utiliser Amazon SageMaker pour développer des solutions de détection des fraudes hautement spécialisées en quelques jours.
Créez grâce à l'expertise de détection de fraude d'Amazon
Les solutions ML Fraud Detection d'Amazon profitent de 20 années d'expérience d'Amazon en matière de prévention des fraudes et des abus chez AWS, Amazon.com et ses filiales pour enrichir les modèles fabriqués avec un savoir-faire des pratiques frauduleuses.
Détecter et empêcher les fraudes en ligne en temps réel
Les solutions ML Fraud Detection d'Amazon évaluent les risques représentés par un événement en temps réel, ce qui permet aux clients d'appliquer instantanément des mesures de confinement ou de correction conçues pour bloquer ou rejeter les fraudeurs et de suivre rapidement les activités à faible risque pour offrir une meilleure expérience client aux clients légitimes.
Donner plus de capacité de contrôle aux équipes de lutte contre la fraude
En gérant automatiquement les tâches complexes nécessaires à l'entraînement, au réglage et au déploiement d'un modèle de détection de fraude, les solutions ML Fraud Detection d'Amazon permettent aux utilisateurs qui n'ont aucune expertise en machine learning, mais ont des connaissances sur les questions de fraude, de participer au développement et à la mise à jour de modèles extrêmement précis.
Cas d'utilisation
Détection des transactions ou paiements frauduleux
L'événement présentant un intérêt est une tentative d'achat en ligne ou la réalisation d'un paiement en ligne. Un exemple courant dans le monde du e-commerce est lié aux commandes en mode « invité ». La transaction implique un utilisateur qui n'a aucun historique sur son compte ou qui a sélectionné le mode « invité » pour bénéficier d'une expérience anonyme.
Fraude au nouveau compte
L'événement présentant un intérêt est le fait de s'inscrire ou de s'enregistrer avec un nouveau compte. La fraude commence dès lors qu'un acteur malveillant crée un compte avec une identité fausse, volée ou synthétique, ou dès lors qu'il génère plusieurs comptes, souvent en utilisant des robots. Une fois que l'identité est établie sur une plateforme numérique, il est plus facile de lancer une attaque.
Prise de contrôle de compte
L'événement présentant un intérêt est une tentative de connexion à un compte utilisateur légitime. La prise de contrôle de compte fait référence à une situation où les identifiants d'un utilisateur légitime ont été compromis, soit parce qu'un acteur malveillant a volé l'ID et le mot de passe de l'utilisateur, soit parce que ces informations ont été achetées sur le Dark Web, soit parce que l'acteur malveillant a réussi à deviner ces informations.
Abus promotionnel
L'événement présentant un intérêt est généralement l'utilisation par un utilisateur d'un avantage accordé via une génération de demande ou une promotion marketing. Les acteurs malveillants accèdent au compte de l'utilisateur légitime et s'emparent des crédits ou points de fidélité par le biais d'un transfert ou d'un achat. De plus, les acteurs malveillants créent plusieurs faux comptes pour exploiter les promotions (comme un essai gratuit ou des crédits gratuits) offertes lors de la création d'un nouveau compte, ou bien ils peuvent encore s'auto-parrainer pour bénéficier d'un bonus de parrainage.
Faux avis ou avis abusifs
L'événement présentant un intérêt est le fait de publier un avis sur un produit pouvant contenir des informations trompeuses ou abusives. Il est essentiel d'automatiser le filtrage afin de mettre à l'échelle la possibilité d'identifier les faux avis et les avis abusifs afin que les équipes du service à la clientèle n'aient pas besoin de parcourir des montagnes d'alertes, dont beaucoup peuvent être des faux positifs.
Authentification
Durant un enregistrement de compte en ligne, les données biométriques du visage optimisées par le machine learning peuvent permettre de vérifier une identité, quelle que soit la situation. Grâce aux fonctionnalités pré-entraînées de reconnaissance et d'analyse intégrée, vous pouvez ajouter les données biométriques pour améliorer vos flux d'onboarding et d'authentification des utilisateurs, et ce sans expertise requise en machine learning.
Solutions présentées sur AWS
Découvrez des services spécialisés, des solutions AWS, des solutions pour les partenaires et des conseils pour répondre rapidement à vos cas d'utilisation commerciaux et techniques.
Fraud Detection Using Machine Learning
Utilisez cette solution pour automatiser la détection d'activités potentiellement frauduleuses, ainsi que pour marquer ces activités afin de les vérifier. Fraud Detection Using Machine Learning est facile à déployer et comprend un jeu de données d'exemple qui peut être modifié pour fonctionner avec n'importe quel jeu de données.
Guide pour la détection des fraudes en temps quasi réel à l'aide d'un réseau neuronal graphique sur AWS
Ce guide présente un système antifraude de bout en bout, quasiment en temps réel, basé sur des réseaux neuronaux graphiques basés sur le deep learning. Cette architecture de plan utilise Deep Graph Library (DGL) pour construire un graphe hétérogène à partir de données tabulaires et former un modèle de réseau neuronal graphique (GNN) pour détecter les transactions frauduleuses.
Témoignages de clients
/SLA_Digital_logo%401x.8e2c94396f21c7ed285def8d04b9b12b2caf2de0.png "Omnyex")
SLA Digital
SLA Digital crée de nouvelles sources de revenus pour les opérateurs de téléphonie mobile et les commerçants en ligne du monde entier grâce à des solutions de facturation directe fluides et sécurisées. SLA Digital propose une plateforme de facturation directe qui permet aux commerçants de contacter facilement les opérateurs de téléphonie mobile, réduisant ainsi les coûts, les risques opérationnels et les délais de mise sur le marché pour les deux parties. En tant qu'agrégateur de paiement, identifier et prévenir les transactions frauduleuses est essentiel pour les activités de SLA Digital.
« Il y a douze mois de cela, nous recherchions une solution de détection des fraudes qui ne nous obligeait pas à investir énormément dans notre propre expertise en machine learning. Avec sa tarification à l'utilisation transparente, Amazon Fraud Detector nous a aidés à créer et à intégrer facilement dans notre configuration existante un nouveau modèle de machine learning efficace et abordable. »
Richard Fisher, responsable des opérations technologiques chez SLA Digital
Groupe FlightHub
Le groupe FlightHub rend les voyages accessibles, permettant ainsi à plus de personnes de visiter de nouveaux endroits et de découvrir de nouvelles cultures. Avec plus de 5 millions de clients servis chaque année, l'objectif du groupe est de proposer aux voyageurs les vols les moins chers, les meilleurs itinéraires et un service client exceptionnel. L'une des plus grandes priorités de l'équipe de prévention des fraudes de FlightHub est de distinguer les voyageurs soucieux des valeurs à la recherche de billets d'avion abordables des fraudeurs cherchant à acheter des billets d'avion avec une carte bancaire volée.
« Depuis que nous avons introduit Amazon Fraud Detector, notre taux d'abandon a chuté en-dessous de 2 % (contre 5 % avant). De plus, notre taux de rétrofacturation n'a jamais été aussi bas depuis la création de l'entreprise. L'entreprise peut désormais accepter plus de paiements qu'avec nos anciens modèles, qui auraient indiqué la transaction comme risquée avant de la rejeter. Mais le meilleur dans cette histoire, c'est peut-être le fait que nous obtenions ces excellents résultats avec à peu près les mêmes coûts d'exploitation qu'auparavant. Tout cela permet d'augmenter le nombre de réservations et nos revenus, tout en réduisant les pertes de revenus liées à la rétrofacturation. »
Drayton Williams, responsable des investigations sur les fraudes chez FlightHub
Aella Credit
« La vérification et la validation d'identité ont constitué un défi majeur sur les marchés émergents. La capacité d'identifier correctement les utilisateurs est un obstacle clé à la création de crédits pour des milliards de personnes sur les marchés émergents. L'utilisation d'Amazon Rekognition pour la vérification d'identité sur notre application mobile a permis de réduire considérablement les erreurs de vérification et nous a donné la possibilité d'évoluer. Nous pouvons désormais détecter et vérifier l'identité d'un individu en temps réel sans aucune intervention humaine, permettant ainsi un accès plus rapide à nos produits. Nous avons essayé diverses solutions bien connues, mais aucune des alternatives populaires ne permettait de définir avec précision différentes couleurs de peau. Amazon Rekognition nous a aidés à reconnaître efficacement les visages de nos clients sur nos marchés. Cela nous a également aidés, via KYC, à découvrir des profils qui se chevauchent et des doublons de jeux de données. »
Wale Akanbi, CTO et cofondateur - Aella Credit
ActiveCampaign
« Au cours du premier et du deuxième trimestres 2020, nous avons connu un pic de comptes utilisés pour des usurpations d'identités. Par conséquent, nous devions compléter notre solution interne avec des données de transaction et des signaux plus puissants pour identifier plus rapidement les acteurs malveillants. Une solution évolutive basée sur le machine learning prédictif était importante pour nous qui sommes nous-mêmes une entreprise en pleine croissance. Amazon Fraud Detector a facilité la création d'un modèle utilisant nos propres données qui identifie avec précision les ouvertures de compte qui donnent lieu à des attaques d'usurpation d'identités. Plus important encore, nous avons pu obtenir ces résultats avec un très faible taux de faux positifs, ce qui signifie qu'aucun travail supplémentaire ne vient surcharger notre personnel chargé des opérations. Amazon Fraud Detector offre un modèle de tarification compétitif, et nous pouvons facilement intégrer le modèle dans notre flux de travail existant. »
Alex Burch, technicien chef des opérations par e-mail - ActiveCampaign
Qantas Loyalty
« Amazon Fraud Detector se révèle être un ajout précieux à nos capacités de détection et d'atténuation des fraudes. La possibilité d'écrire des règles personnalisées qui s'appliquent à notre situation spécifique, qui forment des modèles de machine learning à la demande et qui s'intègrent facilement aux autres services AWS que nous utilisons nous a permis de prendre des décisions plus rapidement et plus intelligemment tout en gardant le contrôle complet de la plateforme. AWS nous a été d'une grande aide durant la phase de preuve de concept et a ajouté de nouvelles fonctionnalités à la plateforme conformes aux tendances de détection. »
Mary Criniti, CTO - Qantas Loyalty
CDKeys
« Avec Amazon Fraud Detector, nous avons réduit de 6 % les transactions frauduleuses. Dans le même temps, nous avons pu automatiser l'exécution des opérations de paiement pour plus de 90 % des transactions qui, auparavant, auraient été marquées pour un examen manuel. Aujourd'hui, nous examinons manuellement moins de 1 % de nos transactions, contre 10 % auparavant. Depuis que nous avons implémenté ce service, nous avons constaté une amélioration significative de notre score Trustpilot, et nous savons que c'est le résultat de cette automatisation de la détection des paiements, ainsi que des améliorations supplémentaires que nous apportons constamment au site Web. La confiance est un élément important de notre valeur pour les clients, c'est donc une grande victoire pour notre entreprise. »
Kevin Cole, directeur des opérations - Omnyex
Truevo
« Amazon Fraud Detector nous a permis d'améliorer considérablement nos opérations, d'augmenter notre flexibilité pour répondre aux acteurs malveillants et de mieux contrôler les systèmes et les processus. Au départ, nous explorions une solution interne et tierce. Quand Amazon Fraud Detector a été annoncé, nous avons immédiatement changé de cap. Nous sommes clients d'AWS depuis de nombreuses années et nous avons une grande confiance dans les produits d'Amazon. Grâce à Amazon Fraud Detector, nous ne sommes plus liés par les limitations classiques des offres sur site ou SaaS. Au lieu de cela, nous avons la flexibilité d'adapter un service basé sur le machine learning pour répondre à nos besoins et la possibilité d'utiliser l'option « rules-only » (règles uniquement) d'AWS tout en pouvant facilement passer aux fonctionnalités complètes de machine learning, si nécessaire. Ainsi, nous gagnons de 3 à 6 mois de développement ! En fait, nous avons déployé notre premier prototype en 30 minutes. Dans l'ensemble, nous sommes plus confiants dans notre capacité à détecter la fraude en temps réel. Nous sommes mieux équipés pour déployer les détections de règles lorsque nous remarquons une activité étrange que nous ne comprenons peut-être pas entièrement, mais qu'il faut arrêter. Nous sommes capables de répondre et de nous adapter aux exigences réglementaires et régimes en constante évolution, ce qui nous permet de rester à la pointe du progrès. »
Charles Grech, directeur de l'exploitation, Truevo
Prêt à vous lancer ?
Contactez-nous pour en savoir plus sur les solutions de machine learning pour la détection des fraudes
Contactez le Réseau Partenaires AWS pour collaborer avec nos partenaires consultants et technologiques mondiaux
Utilisez Amazon Fraud Detector pour développer votre propre solution de détection des fraudes
Ressources
Détecter les fraudes plus rapidement en créant une preuve de concept dans Amazon Fraud Detector
Créer, entraîner et déployer un modèle de détection des fraudes avec Amazon Fraud Detector
Mettre toute la puissance du Machine Learning au service de la lutte contre les fraudes en ligne
Détectez les utilisateurs réels et réels et dissuadez les mauvais acteurs grâce à Amazon Rekognition Face Liveness