Présentation de Probayes. ProbayesCard Solution de détection de fraude à la carte bancaire

Transcription

1 Présentation de Probayes La maîtrise des incertitudes ProbayesCard Solution de détection de fraude à la carte bancaire Octobre 2009 Page: 1

2 La société Créée en 2003 Basée à Grenoble Spin-off du INRIA/CNRS Label JEI, accréditée Crédit Impôt Recherche Effectif: 21personnes Rentable depuis sa création Détenue à 100% par fondateurs et employés Page: 2

3 Notre métier Développer des solutions logicielles d aide à la décision basée sur la prévisions des comportements Comportements d objets, de processus, d êtres vivants Page: 3

4 Notre approche unique Mixer: Modélisation des incertitudes Modélisation des connaissances Données expérimentales En utilisant des outils mathématiques puissants: réseaux bayésiens, chaînes de Markov CONNAISSANCE + MODELE+ DONNEES= ++ PERTINENCE ++ Page: 4

5 Nos points forts Prendre en compte l incertitude Dans presque toutes les applications réelles, les paramètres et les modèles utilisés ne sont pas connus précisément. Il est souvent important de propager quantitativement cette incertitude jusqu aux résultats. Utiliser les données expérimentales Raffiner les modèles avec des données expérimentales est l idée de base de l identification et de l apprentissage. Utiliser les modèles formels L obtention de modèles fonctionnels précis reliant des variables d un système à d autres est la forme la plus achevée de la connaissance. Notre méthodologie peut utiliser ce type d information et le combiner avec des modèles probabilistes. Résoudre des problèmes inverses complexes. Beaucoup de problèmes concrets sont dit «inverses» dans le sens où il est facile de savoir le résultat d une action donnée mais très difficile de connaître les actions menant à un résultat désiré. Page: 5

6 Nos Marchés Finance Gestion de processus (BPM) Gestion de stock, d achat Prévision sur des processus industriels Business Intelligence (BI) Risque opérationnel Détection fraude & blanchiment Helpdesk, Call-center Comportement consommateurs/utilisateurs Machine to Machine (M2M) Sûreté, Défense, Automobile, Santé, domotique, énergie Fusion capteurs, tracking, détection menaces, Page: 6

7 Nos Références CNCE, La Banque Postale, GCB Toyota, Hitachi, Schneider Orange, DCNS, Areva, Yahoo SAMSE, CCIAG, Somfy, Cotherm Page: 7

8 Fraude CB: le dilemme Les fraudeurs sont intelligents, informés et s adaptent en permanence. Les porteurs peuvent avoir des comportements inhabituels mais ce ne sont pas des fraudeurs L institution financière doit : Garantir la tranquillité d usage des porteurs Limiter le plus possible le montant de la fraude Page: 8

9 Limites des solutions actuelles Moteurs de règles: Les fraudeurs savent en déduire les seuils Ces seuils doivent être réévalués régulièrement et manuellement La multiplication de cas spécifiques fait grossir leur taille et complique leur maintenance Moteurs statistiques: Perte de l expérience des experts métier «Boîte noire» empirique Page: 9

10 Notre réponse: ProBayesCard ProbayesCard est une solution de détection de fraude à la carte bancaire travaillant sur les demandes d autorisation, au niveau de la banque émetteur ou au niveau interbancaire et calculant un scoring carte et transaction en quasi temps réel. Les algorithmes de détection sont des calculs probabilistes selon des modèles bayésiens comportementaux mis au point par des experts en monétique et bayésien, spécifiquement pour chaque type de fraude selon les données analysables au point de traitement. Les modèles s auto-adaptent aux évolutions grâce à un calibrage régulier. Page: 10

11 ProBayesCard Solution logicielle de détection de fraudes CB Composants: Un moteur de calcul probabiliste dédié Différents Modèles Spécifiques de détection de fraudes Intégrant le meilleur des approches existantes: Modélisation par expert Apprentissage des comportements Exemple de modèles existants: VAD, Contrefaçon Carte Modèles à la demande: fraude ciblée avec données client Génère un score (probabilité de fraude) Fonctionnement FrontOffice (NearRealTime) ou BackOffice Applicable pour Acquéreur/Interbancaire/ Emetteur Page: 11

12 Exemple d intégration FRONT OFFICE + Score interne demande d autorisation Le serveur d autorisation ajuste sa réponse si la carte est dans la liste des cartes en alerte, selon ProbayesCard TPE, GAB, e-commerce réponse Autos H-x X:\\ Alertes PBC Cartes en Autos//TF N mois Histo Autos j-1 Alertes PBC Calibrage TF X:\\ Service Fraude ProBayesCard NRT : Outil détection fraude quasi temps-réel Détection Temps Réel Les alertes ProbayesCard ont un score précis et sont présentées classées selon le risque. Calibrage Outil gestion d alertes et détection différée Autos J-1 BACK OFFICE monétique ProbayesCard WorkShop outil étude fraude Etudes LCLF Page: 12

13 Notre démarche 1/Étude==>un modèle adapté aux données et à la fraude visée, testé et mesuré. 2/ Intégration du modèle dans ProbayesCard puis interfaçage chez le client 3/ Exploitation ==> Constitution d alertes sur les dernières autorisations (ex. H+1) - à disposition du serveur Front Office pour action en quasi temps-réel - à disposition du Back Office Fraude pour analyse et action différée 4/ Calibrage ==> adaptation automatique du modèle 5/ Audit => audit/vérification des résultats, qui donnera lieu à: Poursuite (le modèle est toujours efficace) Remodelage fin (ii reste efficace après aménagement) ou nouvelle étude (la fraude ou le système ont trop changé) Cette démarche est adaptée pour la fraude récurrente, même mal connue. Page: 13

14 L étude Probayes définit avec le client : le périmètre du modèle (ex: la fraude e-commerce), voire le comportement à détecter le périmètre analysable (ex: les paiements à l étranger) les données sur lesquelles s appuyer : Les champs, en détail Le type de transactions (périmètre analysable) La profondeur de l historique Les pertinences/performances visées Page: 14

15 Pré-requis pour l étude Le client fournit un historique d autorisations annotées, au format CSV ou de fichier à plat, avec la structure précise, sur une profondeur de 4 mois au minimum. Exemple de volume : 6 mois d historique, pour 40 millions de transactions par mois soit 60 Go de données. Il est INDISPENSABLE que toutes les transactions frauduleuses (correspondant à la fraude visée) de la période soient présentes et marquées comme telles, et qu il y n ait pas d omission dans les autres. Sinon : Probayes propose un outil rapide et efficace pour faire le rapprochement À partir de données Autorisations/TF Page: 15

16 Modélisation À moins qu un comportement particulier soit spécifié par le client et identifié dans les données à analyser Probayes procède à un démarche itérative à partir d un premier modèle: 1) Codage du modèle 2) Calibrage/analyse du calibrage 3) Application du modèle/analyse des résultats 4) Examen des bonnes et des mauvaises alertes 5) Au besoin : Modification du modèle, retour en 1 Jusqu à ce que le modèle atteigne des résultats satisfaisants Page: 16

17 Méthode de calcul des résultats Grace aux données fournies, on «connaît» les autorisations effectivement frauduleuses, ce qui permet de confronter l avis du modèle et la réalité. La date d opposition vient en renfort. Lors de la validation, ProbayesCard questionne le modèle pour chaque autorisation et calcule : P(F)= Probabilité de fraude, valeur réelle (plusieurs décimales) entre 0 et 1 PBC_i avec 0<i<=15, flag «alerte» =1 si P(F) > seuil, Valeur entière entre 0 et 15. L espace de probabilités est découpé en 10 ou 15 plages selon le modèle. Page: 17

18 Méthode de calcul des résultats(2) On déduit, pour chaque seuil : nombre d alertes justifiées - Pertinence ou Taux de bonnes alertes ou «pert» = nombre d alertes nombre de fraudes détectées - Performance ou Taux de Couverture ou «perf» = nombre de fraudes - Efficacité ou «eff» - Montant de fraude «Sauvable» = Performance x Pertinence = montants fraudes - Taux de couverture en montant ou «Perf-Mt»= montant fraudes détectées/montant fraudes - Efficacité en nombre & montant ou «Res» = (pert.perf.perf-mt)1/3 Seuls les montants accordés sont pris en compte. c est donc de la fraude non couverte par les autres outils de détection temps réel. Page: 18

19 Livrables de l étude A l issue de l étude, on a: un modèle utilisable dans ProbayesCard, et on connaît son efficacité sur la période fournie: performance, pertinence, montant sauvé. Un rapport décrivant le modèle (spécification, réseau bayésien) Un rapport avec les graphiques de distributions sur une période Un rapport avec les résultats pour chacun des seuils : pertinence, performance, nombre d alertes, montant sauvable. Une version d évaluation de ProbayesCard pour 3 mois, permettant au client d essayer le modèle sur d autres données (calibrage et détection/validation). Page: 19

20 Environnement technique Support de: Windows XP, Windows VISTA, MAC OS Linux Ubuntu, RedHat 32 et 64 bits d autres Unix. Du serveur dédié À la machine de bureautique! (2 Go de mémoire, disque adapté aux données à traiter) Page: 20

21 Intégration : Un interfaçage simple L installation Définir simplement les emplacements des différents fichiers (binaires, répertoire de travail, fichiers d entrée, de sortie) Le lancement se fait simplement en mode commandes Possible depuis n importe quel programme ou script par un appel système. La détection on peut préciser simplement les paramètres Seuil minimum pour générer les alertes Dates et heures de début/fin Répertoire et noms des fichiers d entrée Répertoire des alertes en sortie Page: 21

22 ProBayesCard: Les bénéfices Efficacité Taux très élevés de détection pertinente, temps de calcul court Modèles conçus par des experts monétique et modélisation Flexibilité Compromis possible entre performance/pertinence/alerte Visibilité sur impact des modèles avant mise en production Evolutivité Les modèles s auto-adaptent à partir des données historiques Pas besoin d intervention manuelle pour modifier des règles Simplicité d intégration Calibrage sur fichier autorisations/fraude (TF) Complète simplement les solutions en place En entrée : les demandes d autos, en sortie les alertes Page: 22

23 Pour conclure ProBayesCard complète les solutions existantes en particulier pour des fraudes difficiles à caractériser avec des règles (VAD par exemple) Page: 23

24 Nous contacter Contact Technique : Diana Pétrot diana.petrot@probayes.com (0) Contact Commercial: Serge Rigori commercial_contact@probayes.com (0) Page: 24