Revenons tout d’abord sur le marché dans lequel les e-commerçants évoluent aujourd’hui. Comme l’a indiqué la FEVAD en mai dernier, les ventes sur Internet ont progressé de plus de 14 % sur le 1er trimestre 2017. Cette forte hausse du volume de transactions s’accompagne souvent d’une hausse du risque de fraude auquel les marchands sont confrontés.
Actuellement, pour lutter contre la fraude, la plupart des acteurs du paiement proposent d’estimer le niveau de risque des transactions en se basant sur un ensemble de règles aboutissant à un “score”. Evidemment, c’est un outil dont nous disposons, comme Virginie te l’avait expliqué dans un précédent article, et qui permet d’effectuer un premier filtrage des transactions. Soit elles sont autorisées ou bloquées, soit elles nécessitent une analyse plus approfondie de la part du e-commerçant. Cependant, ce travail de revue manuelle requiert des ressources et des compétences dont le marchand ne dispose pas nécessairement en interne. C’est également un processus long qui tend à dégrader l’expérience utilisateur des acheteurs dans la mesure où leur paiement est placé en suspens jusqu’au traitement.
C’est dans cette optique que nous nous sommes lancés dans l’utilisation de l’Intelligence Artificielle. Cette technologie a pour objectif de rendre les machines “intelligentes” dans le sens où elles ont pour mission de résoudre rapidement des problématiques complexes. L’utilisation du Machine Learning est l’une des techniques permettant d’atteindre ce but. Ainsi, grâce à l’introduction du Machine Learning au coeur de la solution HiPay Sentinel, nous mettons notre expertise technique à disposition de nos clients en confiant l’étape de revue approfondie des transactions à des algorithmes qui ont une capacité d’apprentissage et d’auto-adaptation. L’idée étant d’avoir une complémentarité entre le module de scoring, les connaissances de nos experts et Smart Decision.
Comme nous l’avons démontré précédemment, les transactions “challenged” sont les transactions qui nécessitent une revue approfondie suite à leur passage dans notre module de lutte contre la fraude. La première étape dans l’utilisation du Machine Learning est “d’éduquer” des algorithmes en analysant l’historique des données de paiement de chacun de nos marchands. De manière générale, nous cherchons à définir les critères les plus pertinents définissant des schémas de fraude. Ensuite, grâce au volume conséquent de données dont nous disposons, nos algorithmes sont en mesure de déterminer statistiquement le risque que représente chacune des transactions. Des modèles sont alors créés. Evidemment, si nous évaluons la pertinence de nos modèles d’un point de vue statistique, nous prenons également en compte la dimension business du marchand. L’enjeu consiste à maximiser le nombre de “vrais positifs” (n.d.l.r. transactions frauduleuses bloquées par le système) tout en minimisant le nombre de “faux positifs” (n.d.l.r. transactions légitimes bloquées à tort).
Pour résumer, Smart Decision est une technologie en auto-apprentissage permanent dans la mesure où l’ensemble du processus est automatisé. Le recours au Machine Learning nous permet donc d’évaluer statistiquement et dynamiquement le niveau de risque des transactions nécessitant une revue approfondie et d’ainsi prendre la meilleure décision en temps réel.
Ce premier projet d’ampleur nous conforte dans l’idée que l’utilisation de l’Intelligence Artificielle, et plus particulièrement du Machine Learning, permet d’améliorer la qualité de nos produits. Nous allons donc évidemment poursuivre nos efforts dans ce sens au sein de HiPay Sentinel... mais pas seulement ! De nombreux projets sont en préparation afin d’accompagner au mieux nos marchands dans le développement de leur activité et cela passe évidemment par la mise en place de nouveaux services innovants répondant à leurs besoins.
Vous l’aurez compris, le Machine Learning chez HiPay ne fait que commencer… Restez connectés à notre blog pour connaître toutes notre actualité !