On estime que les pertes annuelles dues à la cybercriminalité dans le monde atteignent10,5 billions de dollars d'ici 2025 . Ces pertes touchent tout le monde, des institutions financières aux entreprises et aux particuliers — victimes de fraude.
Une partie du problème vient du fait quede nombreux comptes compter sur un peu plus qu'un nom d'utilisateur et un mot de passe pour protéger l'accès, simplifier la prise de contrôle de compte et le vol d'identité. Une autre facette est laaugmentation des transactions globales par carte de crédit , accélérée par la pandémie. Cette situation est exacerbée par le recours accru aux appareils mobiles pour effectuer des transactions financières.En combinaison avec l'ingénierie socialeles escroqueries deviennent encore plus difficiles à prévenir.
Prévenir la fraude en temps réel
Le premier défi pour surmonter la fraude est d'identifier qu'elle a lieu. La seconde est de l'arrêter avant qu'il ne cause des dégâts importants. Mieux encore serait d'empêcher la fraude de se produire en premier lieu.
L'identification et l'arrêt de la fraude nécessitent une approche intelligente en couches. Cela signifie que les systèmes doivent regarder au-delà des transactions et des relations, y compris la vérification de l'identification sur la base d'une vision holistique des actions et des comportements.
Les achats inhabituels peuvent être un moyen relativement simple d'identifier la fraude, car la société de carte de crédit effectuant la transaction a un accès immédiat à l'historique des transactions. Mais que se passe-t-il si l'escroc effectue ces achats en utilisant différentes cartes de crédit ? L'identification de fraudes plus complexes nécessite une toute nouvelle façon d'examiner les données.
Les bases de données de graphes cartographient les relations
Les bases de données relationnelles traditionnelles sont limitées pour capturer les relations entre les points de données. Les limites des modèles de données tabulaires et des schémas rigides rendent difficile l'ajout de types de connexions nouveaux ou différents.
Les bases de données graphiques permettent de nouvelles approches pour identifier les fraudes et les escroqueries complexes avec un niveau de précision remarquable. Ils y parviennent grâce à une analyse avancée des liens contextuels. Plus il y a de points de données pouvant être liés et interconnectés, plus la vision des modèles, des personnes et de leur comportement est holistique.
Une fois la fraude identifiée, elle peut être stoppée en temps réel. Et, à mesure que le système de base de données graphique apprend les signes de fraude, des opérations frauduleuses similaires peuvent être apprises, détectées et arrêtées plus rapidement. Supposons que cinq transactions utilisant différentes cartes aient été effectuées à partir de la même adresse IP. Cela va au-delà de ce qui pourrait être considéré comme un comportement raisonnable pour un client authentique. L'action peut être signalée comme potentiellement frauduleuse et transmise à un niveau d'authentification supérieur, comme l'envoi d'un message à chaque titulaire de carte pour vérifier l'achat et/ou le blocage immédiat de toutes les transactions.
Le système de base de données de graphes peut également intégrer ce modèle et automatiser la réponse à celui-ci grâce à l'intelligence artificielle. La détection des fraudes et la vérification des utilisateurs peuvent se produire en temps réel. Notez que cela s'applique à toute information d'identification, pas seulement à une adresse IP. Si un e-mail ou un identifiant de connexion spécifique est identifié dans une transaction potentiellement frauduleuse, toutes les interactions futures avec cet e-mail ou cet identifiant peuvent faire l'objet d'un examen approfondi.
Détection de fraude en temps réel
Nouveau jour est une société de services financiers spécialisée dans les produits de crédit à la consommation au Royaume-Uni. Étant donné que New Day a émis 19% des nouvelles cartes de crédit au Royaume-Uni en 2020, elles sont une cible de choix pour la fraude aux demandes. Leurs anciennes bases de données ne pouvaient pas analyser les volumes de données assez rapidement pour bloquer les activités frauduleuses sans nuire à leur réactivité.
L'analyse des liens profonds combinée à l'analyse en temps réel et à l'apprentissage automatique fournit une plate-forme robuste pour détecter et prévenir la fraude. Lorsque les enquêteurs de New Day identifient de nouveaux modèles de fraude, ils peuvent désormais partager ces informations avec d'autres enquêteurs. Ils peuvent également l'intégrer dans leurs systèmes pour identifier les cas similaires à l'avenir. Le résultat immédiat a été une réduction de 10 à 15 % de la fraude.
Un autre institut financier souhaitait améliorer ses capacités de mise en réseau et d'analyse des liens pourdétecter le blanchiment d'argent . Avec une solution de base de données de graphes, l'entreprise peut afficher les connexions d'un écosystème entourant le point d'intérêt et identifier les connexions qui conduiraient très probablement à des enquêtes productives. Avec ce système en place, les analystes peuvent désormais réagir aux éléments de travail potentiels de blanchiment d'argent en temps réel.
Au-delà de la fraude pour améliorer les recommandations
La technologie de base de données graphique peut offrir des avantages au-delà de la détection des fraudes. D'autres applications importantes pour les bases de données de graphes incluent :
- Moteurs de recommandation en temps réel : offrir avec précision des options pertinentes pour un utilisateur spécifique augmente les chances d'engagement.
- Gestion des données de référence : Les données de référence, telles que les clients, les produits et les fournisseurs d'une entreprise, sont de nature dynamique et comprennent de nombreux aspects relationnels difficiles à identifier et à gérer avec une base de données traditionnelle.
- Opérations réseau et informatiques : les interdépendances physiques et humaines des réseaux sont extrêmement complexes, ce qui rend difficile la mise à l'échelle des opérations et la résolution des problèmes.
- Gestion des identités et des accès : pour vérifier une identité exacte et ses autorisations d'accès, les systèmes doivent traverser un ensemble de données hautement interconnecté qui ne cesse de croître en taille et en complexité, ce qui a un impact sur la réactivité.
Grâce à la capacité d'analyser les relations interconnectées des données, les organisations peuvent détecter et prévenir les fraudes et les escroqueries, même complexes, en temps réel. Dell Technologies est à la pointe deanalytiquepour aider nos clients à tirer parti de technologies innovantes telles que les bases de données de graphes.
Le monde ne fait que se complexifier. Avec la bonne technologie, votre organisation peut garder une longueur d'avance sur la fraude. Découvrez-en plus et effectuez un essai routier dans l'un des centres Dell Technologies du monde entier.Centres de solutions client.
***
Les technologies Intel® font avancer l'analytique
L'analyse des données est la clé pour débloquer le maximum de valeur que vous pouvez extraire des données de votre organisation. Pour créer une stratégie d'analyse productive et rentable qui donne des résultats, vous avez besoin d'un matériel hautes performances optimisé pour fonctionner avec le logiciel que vous utilisez.
L'analyse de données moderne couvre une gamme de technologies, des plates-formes et bases de données d'analyse dédiées à l'apprentissage en profondeur et à l'intelligence artificielle (IA). Vous débutez avec l'analytique ? Prêt à faire évoluer votre stratégie d'analyse ou à améliorer la qualité de vos données ? Il y a toujours de la place pour évoluer et Intel est prêt à vous aider. Avec un vaste écosystème de technologies d'analyse et de partenaires, Intel accélère les efforts des data scientists, des analystes et des développeurs dans tous les secteurs. En savoir plus surAnalyses avancées d'Intel.
Source link