Article
Ecrit par Sven Persoone
Posted on 05/10/2020

Un contrôle traditionnel ne suffit pas pour détecter des fraudes criminelles

74 lectures

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, qui permet de prendre des décisions rapides et efficaces. Le score de prévention de la fraude est l’un d’entre eux. « Ce score permet d’estimer dans quelle mesure les clients ou les fournisseurs ont des intentions frauduleuses », explique Jens Verboven, Corporate Business Consultant chez Graydon.

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 sont dans leurs propres rangs (jusqu’aux plus hauts échelons) ainsi que parmi les clients et les fournisseurs d’une entreprise.

Fraude criminelle et fraude aux liquidités

Graydon 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.

« Pendant cette crise du coronavirus, nos clients signalent également un nombre croissant de cas de fraudes aux liquidités », explique Jens Verboven. « Les entreprises peuvent encore rapidement délibérément vendre une voiture avant de faire faillite, par exemple. Lorsqu’ils s’apprêtent à couler définitivement, des entrepreneurs malhonnêtes 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 que la plupart de ces entreprises sont situées dans les segments 1 et 2 de la 9-grid. Ces entreprises se trouvaient déjà dans une situation très difficile avant la crise du coronavirus. Avant la crise, elles étaient déjà sur le qui-vive et étaient plus susceptibles de commettre des fraudes. Le confinement n’a finalement pas amélioré leur situation financière. »

Toutefois, sur base d’un score de fraude, ce type d’entreprise peut être marqué à un stade précoce. Jens Verboven nous explique comment cela fonctionne exactement.

Pourquoi élaborer un score de fraude ?

« Graydon est fortement représentée 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 se glissaient à travers les mailles du filet. D’où l’idée d’identifier les caractéristiques et le comportement de ces fraudeurs. »

Qu’entendons-nous par contrôle traditionnel ?

« 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. »

Comment ont-ils contribué au développement du score de fraude ?

« 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, 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 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. »

Aucun cas n’est identique. Comment un seul modèle peut-il tout gérer ?

« 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 pouvons déjà déduire 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 Graydon 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. »

Voulez-vous savoir ce que le score de fraude peut signifier pour votre entreprise ou votre secteur ? Alors, contactez-nous immédiatement via info@graydon.be ou connectez-vous avec Jens Verboven sur LinkedIn.