PayPlug a développé des algorithmes prédictifs innovants pour estimer le risque d’un paiement en temps réel, et alimenter notre solution de Smart 3D-Secure.
Avant PayPlug, les solutions de lutte contre la fraude reposaient sur des moteurs de règles. Il fallait paramétrer des dizaines de règles différentes à la main, puis les mettre à jour pour essayer de conserver une performance acceptable. Ces moteurs de règles sont encore largement utilisés par les grands e-commerçants. Ce sont des solutions lourdes, qui nécessitent une équipe dédiée à la fraude en interne pour les piloter, et dont l’efficacité a montré ses limites.
PayPlug a développé une solution de prédiction de fraude en rupture par rapport aux solutions traditionnelles. En effet, au lieu de s’appuyer sur des moteurs de règles, la solution de PayPlug s’appuie sur l’apprentissage automatique et l’analyse prédictive (le “machine learning”). Des modèles mathématiques complexes sont alimentés par des jeux de données historiques importants (“big data”) et sont éduqués pour reconnaître la fraude grâce aux occurrences passées de comportements frauduleux. Ces modèles analysent notamment le comportement d’achat, les informations de carte bancaire, les données géographiques ou encore l’historique de l’acheteur. C’est grâce à ces grands volumes d’information traités en temps réel que les modèles mathématiques de PayPlug sont aussi précis. En revanche, ils sont trop complexes pour pouvoir interpréter à posteriori les raisons qui ont influencé un score de risque. C’est le prix à payer pour la précision !
Le développement de cette solution innovante est le fruit d’un important travail de recherche, encore en cours aujourd’hui chez payPlug, et qui a fait l’objet d’un financement européen dans le cadre du programme Horizon 2020.