Utiliser un moteur de règles contre la fraude

Un moteur de règles dédié à la lutte contre la fraude donne aux entreprises une plus grande maîtrise de leurs contrôles. Elles peuvent définir des règles et des conditions personnalisées à partir des données de prestataires tiers et de leurs propres données. Ces règles aident à repérer et à prévenir les transactions frauduleuses, et à réduire le risque opérationnel.

Les avantages de l’intégration de prestataires tiers

Un moteur de règles antifraude peut s’intégrer à des prestataires tiers comme Maxmind et FraudLabs pour accéder à un large éventail de données sur les risques de fraude. Ces prestataires apportent des indicateurs et des informations utiles. Il est toutefois préférable de les considérer avant tout comme des fournisseurs de données, puis d’évaluer ces données dans un moteur de règles. La stratégie antifraude reste ainsi adaptée aux besoins de l’entreprise et à son profil de risque.

Un moteur de règles antifraude peut aussi comparer les adresses IP à des listes de blocage, comme celles d’AbuseIPDB et de Project Honeypot. Cette vérification permet aux entreprises de repérer et de bloquer les transactions provenant d’acteurs malveillants connus, et de réduire leur exposition à la fraude.

Un moteur de règles antifraude peut également calculer la vélocité à partir des données de l’entreprise pour définir des règles. L’analyse des tendances et des schémas dans les données de transaction permet de repérer les comportements inhabituels ou suspects, puis de créer des règles personnalisées pour signaler et prévenir les transactions frauduleuses.

Prévenir la fraude avec des règles personnalisées fondées sur les adresses IP

Voici cinq exemples de règles qui peuvent être mises en place avec un moteur de règles pour prévenir la fraude dans le commerce en ligne à partir des adresses IP :

  1. Bloquer les transactions provenant d’adresses IP associées par le passé à un niveau élevé de fraude. Cette règle peut s’appuyer sur les données de prestataires tiers comme Maxmind ou FraudLabs, ou sur l’analyse des données de l’entreprise.
  2. Demander une authentification supplémentaire pour les transactions provenant d’adresses IP que le client n’utilise pas habituellement. La règle peut s’appuyer sur l’historique des transactions du client ou sur les données de prestataires tiers.
  3. Bloquer les transactions provenant d’adresses IP connues pour être associées à des acteurs malveillants. Cette règle peut s’appuyer sur des listes de blocage comme celles d’AbuseIPDB ou de Project Honeypot.
  4. Demander une authentification supplémentaire pour les transactions provenant d’adresses IP situées dans un pays ou une région différente de l’adresse de facturation ou de livraison du client. La règle peut s’appuyer sur les informations d’adresse du client ou sur les données de prestataires tiers.
  5. Bloquer les transactions provenant d’adresses IP associées à une forte vélocité ou à une activité inhabituelle. La règle peut s’appuyer sur l’analyse des données de l’entreprise et sur des calculs de vélocité pour repérer les comportements suspects.

Prévenir la fraude avec des règles personnalisées fondées sur les adresses e-mail

Voici cinq exemples de règles qui peuvent être mises en place avec un moteur de règles pour prévenir la fraude dans le commerce en ligne à partir des adresses e-mail :

  1. Bloquer les transactions des clients qui utilisent des adresses e-mail temporaires ou jetables. Cette règle peut s’appuyer sur les données de prestataires tiers comme FraudLabs, ou sur l’analyse des données de l’entreprise.
  2. Demander une authentification supplémentaire pour les transactions de clients dont l’adresse e-mail vient d’être créée. La règle peut s’appuyer sur l’historique des transactions du client ou sur les données de prestataires tiers.
  3. Bloquer les transactions des clients dont l’adresse e-mail est connue pour être associée à des acteurs malveillants. Cette règle peut s’appuyer sur des listes de blocage ou des bases de données d’adresses e-mail frauduleuses connues.
  4. Demander une authentification supplémentaire pour les transactions de clients dont l’adresse e-mail n’utilise pas le même domaine que l’adresse de facturation ou de livraison. La règle peut s’appuyer sur les informations d’adresse du client ou sur les données de prestataires tiers.
  5. Bloquer les transactions des clients dont l’adresse e-mail est associée à une forte vélocité ou à une activité inhabituelle. La règle peut s’appuyer sur l’analyse des données de l’entreprise et sur des calculs de vélocité pour repérer les comportements suspects.

Intégrez ces contrôles à un flux de décision

Créez des règles de crédit, de fraude ou de recouvrement, puis appliquez-les aux décisions réelles.

Règles personnalisées antifraude fondées sur les informations du navigateur

Voici cinq exemples de règles qui peuvent être mises en place avec un moteur de règles pour prévenir la fraude dans le commerce en ligne à partir des informations du navigateur :

  1. Bloquer les transactions des clients qui utilisent des navigateurs associés à un niveau élevé de fraude. Cette règle peut s’appuyer sur les données de prestataires tiers, comme WhatIsMyBrowser ou FraudLabs, ou sur l’analyse de vos propres données.
  2. Demander une authentification supplémentaire pour les transactions des clients qui utilisent un navigateur ne correspondant pas à leurs habitudes de navigation. Cette règle peut s’appuyer sur l’historique des transactions du client ou sur les données de prestataires tiers.
  3. Bloquer les transactions des clients qui utilisent des navigateurs associés à des acteurs malveillants. Cette règle peut s’appuyer sur des listes de blocage ou des bases de données recensant les navigateurs utilisés à des fins frauduleuses.
  4. Demander une authentification supplémentaire pour les transactions des clients qui utilisent un navigateur peu courant dans leur pays ou leur région. Cette règle peut s’appuyer sur les données de prestataires tiers, comme WhatIsMyBrowser, ou sur l’analyse de vos propres données.
  5. Bloquer les transactions des clients qui utilisent des navigateurs associés à une fréquence élevée ou à une activité inhabituelle. Cette règle peut s’appuyer sur l’analyse de vos propres données et sur des calculs de fréquence pour repérer les comportements suspects.

Règles personnalisées antifraude fondées sur les adresses physiques

Voici cinq exemples de règles qui peuvent être mises en place avec un moteur de règles pour prévenir la fraude dans le commerce en ligne à partir des adresses physiques :

  1. Bloquer les transactions de clients dont l’adresse est fausse ou invalide. Cette règle peut s’appuyer sur les données de prestataires tiers comme Ekata ou Google Places API, ou sur l’analyse des données de l’entreprise.
  2. Demander une authentification supplémentaire pour les transactions de clients dont l’adresse vient d’être créée ou a été modifiée récemment. La règle peut s’appuyer sur l’historique des transactions du client ou sur les données de prestataires tiers.
  3. Bloquer les transactions de clients dont l’adresse est associée à un niveau élevé de fraude. Cette règle peut s’appuyer sur les données de prestataires tiers ou sur l’analyse des données de l’entreprise.
  4. Demander une authentification supplémentaire pour les transactions de clients dont l’adresse se trouve dans un pays ou une région différente des informations de facturation ou de livraison. La règle peut s’appuyer sur les informations d’adresse du client ou sur les données de prestataires tiers.
  5. Bloquer les transactions de clients dont l’adresse est associée à une forte vélocité ou à une activité inhabituelle. La règle peut s’appuyer sur l’analyse des données de l’entreprise et sur des calculs de vélocité pour repérer les comportements suspects.

Conclusion

Un moteur de règles antifraude donne aux entreprises des moyens concrets de maîtriser leurs contrôles. Il facilite l’intégration de prestataires tiers, la vérification des adresses IP et e-mail dans des listes de blocage, ainsi que le calcul de la vélocité à partir des données de l’entreprise pour créer des règles personnalisées. En utilisant les prestataires tiers principalement comme fournisseurs de données et en appliquant leurs propres règles dans un moteur de règles, les entreprises peuvent mieux repérer et prévenir les transactions frauduleuses, et réduire le risque opérationnel.

Questions fréquentes

Comment combiner les indicateurs liés à l’adresse IP, à l’e-mail, au navigateur et à l’adresse avant de refuser une commande ?

Regroupez les indicateurs en quelques niveaux d’action et ne refusez une commande que si plusieurs éléments indépendants signalent un risque pour cette transaction. Une seule incohérence devrait généralement entraîner une authentification supplémentaire ou un examen, en particulier pour un nouveau client ou un réseau partagé. Évaluez chaque niveau à partir des fraudes confirmées et des commandes légitimes, par marché et par montant de transaction, car un seuil unique peut entraîner trop de refus pour certains groupes de clients.

Comment traiter les transactions provenant d’adresses IP partagées ?

Considérez une adresse IP partagée comme un élément de contexte, pas comme une preuve de fraude. Les bureaux, les opérateurs mobiles, les réseaux Wi-Fi publics et les foyers peuvent partager une même adresse entre des clients légitimes. Avant de refuser une commande, recherchez donc des éléments liés au compte, à l’appareil ou à la transaction qui la relient à une activité suspecte. Si l’indicateur IP est préoccupant, mais ne permet pas de conclure, demandez une authentification supplémentaire ou procédez à un examen, puis suivez le taux de faux positifs.

Que doit faire une règle antifraude si les données d’un prestataire sont manquantes ou retardées ?

Définissez l’action de repli avant le lancement. Pour une commande de faible montant, vous pouvez vous appuyer sur les indicateurs disponibles, puis suivre les résultats. Pour une transaction plus risquée, demandez une authentification supplémentaire ou procédez à un examen. Ne considérez pas une donnée manquante comme un résultat favorable et ne refusez pas automatiquement toutes les commandes si un prestataire est indisponible, car cela peut interrompre largement les achats de clients légitimes.

Que faire lorsque deux règles antifraude recommandent des actions différentes ?

Définissez un ordre de priorité explicite entre les actions, par exemple en donnant la priorité au refus sur l’authentification supplémentaire. Vérifiez que l’action la plus sévère repose sur des éléments suffisamment solides. Avant le lancement, testez les conditions qui se chevauchent sur des transactions réelles, notamment les cas où une règle signale une commande et une autre la valide. Des priorités ambiguës peuvent rendre les décisions incohérentes et compliquer les ajustements lorsque la fraude ou les désagréments pour les clients évoluent.

Intégrez ces contrôles à un flux de décision

Créez des règles de crédit, de fraude ou de recouvrement, puis appliquez-les aux décisions réelles.