Background
Numérisation croissante des services offerts, évolution des comportements de consommation bancaire, développement de schémas de fraudes complexes…les contrôles traditionnels de lutte anti-fraude sont aux limites de leur efficacité : ils ne trouvent que ce qu’ils cherchent ce qui génère un volume croissant de faux positifs qui accapare les analystes. Dans ce contexte, une banque privée cherche à dégager des marges de manœuvre pour mieux protéger ses clients, mieux répondre aux exigences règlementaires et contenir la charge de travail.
Le client et Wavestone font le choix de construire une réponse opérante et projective à partir du Machine Learning.
Challenges
Dans cette démarche, le client et Wavestone répondent à 3 enjeux :
- Faire émerger des indices en complément des alertes.
- Développer un radar auto-apprenant des opérations et des comportements propres à chaque client et sans schéma préétabli.
- Faire évoluer le dispositif de lutte anti-fraude vers le data-driven: développement des expertises d’analyses d’indices, redéploiement des ressources, révision des procédures, etc.
Réponses & facteurs clés de succés
Aux côtés du client, Wavestone conçoit, prépare et fait grandir le dispositif de détection avancée des comportements divergents :
- Approche opérante et projective : déploiement progressif des paliers de bénéfices, engagements maîtrisés des ressources et réexamen de la trajectoire sur la base des résultats acquis.
- Développement du self-learning radar: application innovante du Machine Learning combinant différents apprentissages et nourrie des travaux de R&D de Wavestone. Branchement sur le core-banking system.
- Initialisation de la cellule d’analyse des indices
