D’innombrables informations peuvent être tirées des données. Il s’agit alors de collecter, de combiner, d’analyser, puis de convertir des données pertinentes en informations utiles, de préférence sous la forme d’un score facile à interpréter, et qui permet de prendre des décisions rapides et efficaces. La plateforme Fraud Prevent & Detect de GraydonCreditsafe et le score de prévention de la fraude associé sont l’une de ces solutions. « Ce score permet d’estimer dans quelle mesure les clients ou les fournisseurs ont des intentions frauduleuses », explique Jens Verboven, Head of Fraud chez GraydonCreditsafe.
La fraude est un problème croissant qui a un impact énorme sur notre économie. Des cas de fraude à grande échelle font régulièrement l’objet de reportages dans les médias. Fraude à la TVA, fraude fiscale, fraude à la faillite, fraude comptable, fraude à l’assurance, fraude aux liquidités, piratage, corruption, détournement de fonds, etc. La fraude se présente sous des formes très variées et dans presque tous les secteurs. Les auteurs se trouvent à tous les niveaux (jusqu’aux plus hauts échelons) ainsi que parmi les clients et les fournisseurs d’une entreprise.
GraydonCreditsafe se concentre sur la lutte contre la fraude criminelle et la fraude aux liquidités. Dans le cas d’une fraude criminelle, il s’agit d’entreprises qui ont l’intention délibérée de voler des actifs de valeur à d’autres acteurs. Pensez aux matériaux de construction, aux voitures, aux équipements informatiques, etc., mais aussi aux organisations qui, par exemple, tentent de voler l’argent des compagnies d’assurance avec des dossiers frauduleux.
En matière de fraude à la liquidité, les choses sont quelque peu différentes.
« Pendant la crise du coronavirus, nos clients ont signalé un nombre croissant de cas de fraudes aux liquidités », explique Jens Verboven, expert en fraude. « Ces entrepreneurs n'ont pas l'intention de frauder dans l'immédiat. Mais s'il n'est plus possible d'éviter la faillite, ils peuvent rapidement monétiser une voiture avant de faire faillite, par exemple. Lorsqu’ils s’apprêtent à couler définitivement, ces entrepreneurs essaient de faire en sorte que leur entreprise ne laisse qu’une caisse vide derrière elle. »
« En combinaison avec notre score de résistance aux chocs, il apparaît à propos que la plupart de ces entreprises sont situées dans les segments 1 et 2 de la grille de 9. Ces entreprises se trouvaient déjà dans une situation très difficile avant même qu'un choc inattendu ne se produise. Avant ce choc inattendu, elles étaient déjà sur le qui-vive et étaient plus susceptibles de commettre des fraudes. Le choc n’a finalement pas amélioré leur situation financière et ces entrepreneurs se lancent alors dans l’action. »
Toutefois, sur base d’un score de prévention de la fraude, ce type d’entreprise peut être marqué à un stade précoce. Jens Verboven nous explique comment cela fonctionne exactement.
« GraydonCreditsafe est fortement implanté dans le secteur du leasing ainsi que dans le monde des banques et des assurances. Ce sont des secteurs qui sont souvent confrontés à la fraude. Nous avons entamé un dialogue avec nos clients au sujet des nombreux cas de fraude qu’ils n’ont pas pu reconnaître sur base d’une approche traditionnelle. Ce sont des entreprises qui prétendent être bien meilleures sur le papier qu’elles ne le sont en réalité. Dans le cas de contrôles traditionnels, elles restaient sous le radar et glissaient à travers les mailles du filet. D’où l’idée d’identifier les caractéristiques et le comportement de ces fraudeurs. »
« Les contrôles de fraude dans le secteur bancaire et du leasing sont encore souvent effectués manuellement. Toute une série de données est passée au crible, ce qui est particulièrement long. Le secteur lui-même avait déjà identifié un certain nombre de comportements et de caractéristiques typiques, mais l’ensemble de données avec lequel ils travaillaient était plutôt limité. Et bien que le secteur soit confronté à la fraude depuis des années, il ne dispose que d’un nombre limité d’ETP réellement impliqués dans la détection des fraudes. De plus, il y a également des personnes qui doivent coordonner toutes les actions pour récupérer les biens. »
« Un exemple permet de clarifier cela. Prenons l’exemple d’un concessionnaire qui fait face à un fraudeur qui montre de l’intérêt pour, par exemple, cinq voitures. Dans ce cas, l’entreprise derrière ce fraudeur servira de couverture. Sur le papier, tout semble en ordre et exemplaire, avec de bons résultats, mais sachez que cette entreprise a été créée dans le seul but de voler ces cinq voitures. Le secteur nous a fourni toutes les informations sur ces cas et nous avons ensuite commencé à travailler dessus. »
« De toutes les données, nous avons d’abord extrait plusieurs éléments qui rendent une telle entreprise, tout comme le comportement de la personne derrière l’entreprise, suspecte. Ces éléments ont constitué la base d’un premier modèle de fraude, qui a ensuite été affiné sur base de nouveaux cas et d’un peu d’intelligence artificielle. Nous avons effectué des tests pour plusieurs clients et avons perfectionné le modèle. »
« Dans le tout premier projet, nous avons fait un test à l’aveugle pour valider le score du client. Il s’agissait d’un test avec des cas frauduleux et non frauduleux pour démontrer la puissance du modèle. Lorsque je l’ai présenté, une délégation de l’entreprise était très curieuse, mais aussi suspicieuse de connaître le niveau de prédiction. Il s’est avéré que nous aurions pu éviter 68 % des cas de fraude réels en nous basant sur le modèle existant. »
« Nous partons toujours de notre propre base de données et de toutes les sources externes qui y sont connectées. Dans la phase initiale, nous avons travaillé très intuitivement pour obtenir une image d’un fraudeur potentiel ou d’une entreprise frauduleuse. Mais grâce à une meilleure technologie et en reliant également les résultats des clients, nous disposons désormais de beaucoup plus d’informations. De toutes les données que nous avons recueillies, nous avons déduit certains indicateurs qui reviennent toujours. Par exemple, on constate que la plupart des entreprises frauduleuses sont situées dans de grandes villes, mais aussi dans des zones frontalières et sur la côte. Pour ne citer qu’un élément. »
« Pour détecter la fraude dans le secteur du leasing automobile, par exemple, nous avons également relié les données du parc automobile au modèle. Il s’agit de relier des sources de données externes, les données du client, la base de données GraydonCreditsafe et une série d’indicateurs intuitifs. Nous utilisons alors la bonne technologie, qui met en évidence des exceptions et des anomalies que le bon sens ignore. Vous vous rendez alors compte que la technologie révèle des éléments invisibles à l’œil nu. »
Lisez aussi: Les données et les algorithmes ont fait leurs preuves dans la lutte anti-fraude
Voulez-vous savoir ce que Fraud Prevent & Detect peut signifier pour votre entreprise ou votre secteur ? Alors, contactez-nous immédiatement via le formulaire de réponse. Notre expert en matière de fraude se fera un plaisir de vous l’expliquer plus en détail lors d'une démonstration en direct et sans engagement.