Protéger une application de prêt : empreinte numérique, données comportementales et reconnaissance faciale
Les applications de prêt sont exposées à la fraude et à l’usurpation d’identité. Protéger les données des clients et assurer la fiabilité de l’analyse de crédit est essentiel. L’empreinte numérique d’un appareil constitue un bon point de départ.
Empreinte numérique et profil de l’appareil : recueillir ses caractéristiques techniques
L’empreinte numérique d’un appareil consiste à recueillir des caractéristiques techniques qui lui sont propres, comme sa marque, son modèle, son système d’exploitation et ses spécifications matérielles.
Ce profil permet de reconnaître et de suivre un appareil d’une session à l’autre. L’usurpation d’identité et l’utilisation abusive de plusieurs comptes deviennent ainsi plus difficiles.
Repérer les abus potentiels grâce au comportement dans l’application
Commencez par examiner le parcours dans l’application. Enregistrez l’heure de début et de fin de chaque écran ou étape.
Repérez ensuite les comportements inhabituels, comme des durées exactement identiques ou une navigation qui semble automatisée. Ces schémas peuvent révéler des bots ou d’autres outils automatisés.
Enregistrer les adresses IP et suivre les changements de réseau
Enregistrez les adresses IP et surveillez aussi les changements de réseau.
Ces données peuvent aider à repérer les accès suspects et à bloquer les utilisations non autorisées de l’application de prêt. Des sources tierces comme AbuseIPDB apportent des informations complémentaires sur la connexion et indiquent si une adresse IP est connue pour une activité de bot.
Ces signaux améliorent la détection et accélèrent les enquêtes.
Repérer les abus potentiels grâce aux données de l’appareil mobile
Les données du gyroscope et le niveau de batterie peuvent révéler une automatisation impliquant de nombreux appareils. Un appareil immobile, qui reste branché pendant de longues périodes, peut faire partie d’une ferme d’appareils utilisée pour générer des demandes frauduleuses.
Surveiller la puissance du signal et les informations réseau
La puissance du signal et les informations réseau apportent des éléments de contexte supplémentaires. Un groupe d’appareils connectés au même réseau Wi-Fi peut signaler une activité coordonnée.
Pour lire les résultats d’une recherche de réseaux Wi-Fi, l’application doit disposer de l’autorisation de localisation, que le client doit accorder. Autorisations Wi-Fi sous Android.
Une vérification s’impose dans ce cas.
Repérer les activités potentiellement frauduleuses grâce aux identifiants d’appareil propres à l’application
Sur iOS, une application peut utiliser l’identifiant d’appareil propre à l’éditeur, identifierForVendor. Celui-ci change lorsque l’utilisateur supprime toutes les applications de cet éditeur. Les applications ne peuvent pas accéder à l’adresse MAC de l’appareil. Sur Android, les demandes d’identifiant matériel effectuées via les API Wi-Fi et Bluetooth renvoient la valeur constante 02:00:00:00:00:00. iOS renvoie la même valeur pour les demandes d’adresse MAC. Documentation Android et documentation Apple.
Renforcer la sécurité grâce à la reconnaissance faciale et à la détection de présence réelle
La reconnaissance faciale peut contribuer à la vérification d’identité. Comparer le visage du demandeur au portrait figurant sur sa pièce d’identité permet de vérifier son identité et de confirmer qu’il s’agit bien de la personne qui dépose la demande.
Au sens de l’article 9 du RGPD, un gabarit facial utilisé pour identifier une personne constitue une donnée biométrique. Son traitement exige le consentement explicite du demandeur.
La détection de présence réelle permet de prévenir l’usurpation. Elle vérifie qu’une personne est bien présente, et non qu’il s’agit d’une vidéo rejouée ou d’une photo fixe.
Vérifiez la profondeur et les mouvements naturels pendant la capture. Examinez les métadonnées de la photo reçue par le point d’accès API, puis comparez-les au profil de l’appareil.
Des incohérences peuvent révéler une image falsifiée ou retouchée.
Conclusion
Il s’agit de protéger l’application de prêt et ses clients contre la fraude. Associer l’empreinte numérique de l’appareil, les données comportementales de l’application et la reconnaissance faciale avec détection de vivacité permet d’étayer une analyse de crédit précise et fiable.
Suivez les adresses IP, les changements de réseau et la puissance du signal. Ne recueillez les informations sur les réseaux Wi-Fi que si le client a accordé l’autorisation requise.
Questions fréquentes
Dans quels cas prévoir un examen manuel plutôt qu’un refus automatique ?
Un signal faible isolé justifie une vérification plus poussée, pas le refus d’une demande. Réservez les refus automatiques aux indicateurs de fraude très fiables ou à plusieurs signaux indépendants que les règles testées considèrent comme décisifs. Un nouvel appareil, une adresse IP partagée ou une mesure inhabituelle de la batterie peuvent avoir une explication légitime. Vérifiez les seuils à partir des fraudes confirmées et des demandes légitimes refusées à tort.
Quel poids accorder à l’empreinte numérique de l’appareil dans la décision ?
Le profil de l’appareil est un élément parmi d’autres, pas une preuve d’identité ou de fraude. Mesurez sa valeur ajoutée par rapport aux signaux déjà utilisés avant de lui attribuer un poids fixe. Les appareils partagés, les changements d’appareil et les données manquantes peuvent fausser les résultats. Limitez son influence s’il n’améliore pas suffisamment la détection de la fraude au regard de ses effets sur les demandeurs légitimes.
La recherche d’adresses MAC permet-elle d’identifier de manière fiable une ferme d’appareils ?
Non. Les systèmes d’exploitation mobiles limitent l’accès aux adresses MAC, et leur randomisation ne permet pas de les utiliser comme identifiants permanents fiables. Ne fondez pas une règle de blocage sur une adresse MAC ou un préfixe attribué au fabricant. Un regroupement d’appareils sur un même réseau peut justifier une enquête, à compléter par des éléments plus solides. Vérifiez les exigences applicables en matière de plateforme et de confidentialité avant de recueillir des données sur les appareils.
Comment tester les signaux liés aux appareils et au comportement avant de les utiliser pour refuser des demandes ?
Testez-les sur des demandes historiques dont l’issue est confirmée, puis en mode d’observation avant qu’elles n’influent sur les décisions. Comparez les pertes liées à la fraude, les refus à tort, le taux de finalisation des demandes et le volume de dossiers examinés avec les résultats de l’approche actuelle. Dans la mesure du possible, constituez l’échantillon de test à partir d’une période ultérieure, car les schémas de fraude évoluent. Prévoyez un délai suffisant pour que les remboursements soient observés et que les enquêtes aboutissent.
Que faire si la comparaison des visages ou la détection de présence réelle ne donne pas de résultat concluant ?
Proposez une nouvelle tentative ou un examen par un agent plutôt que de considérer une capture non concluante comme une preuve de fraude. Fixez une limite au nombre de tentatives et prévoyez une autre option de vérification en cas de faible luminosité, de problème de caméra ou de différence entre les documents. Suivez les taux d’échec et d’orientation vers un examen selon les appareils et les groupes de demandeurs. Vérifiez les règles applicables en matière de confidentialité et de données biométriques avant de recueillir ou de conserver des données faciales.