FinTech/Néobanque : le machine learning pour lutter contre les fraudes, un bilan positif pour Revolut

Revolut dévoile de nouveaux outils technologiques ayant permis de diviser par 4 la fraude.

Plutôt que de se reposer entièrement sur de longs procédés manuels, Revolut souhaite lutter contre la fraude et le blanchiment d’argent à l’aide d’algorithmes développés en interne, exploitant une combinaison de machine learning et de puissance de calcul pour mieux protéger ses clients.

Au cours des 12 derniers mois, Revolut a investi massivement dans ses départements data science et ingénierie afin d’automatiser, d’accélérer, et d’augmenter la qualité de toutes les décisions prises en matière de lutte contre la fraude et le blanchiment d’argent.

Cette nouvelle technologie de pointe développée en interne permet d’identifier la fraude de manière dynamique sans nécessiter d’intervention humaine explicite. Ces nouveaux systèmes fonctionnent en appliquant des modèles mathématiques complexes à un large spectre de data afin d’identifier toute anomalie, offrant un plus grand degré de précision aux processus de prise de décision tout en permettant d’économiser du temps et des ressources humaines.

Au cours des derniers mois, Revolut a testé ce nouvel outil anti fraude pour détecter les activités suspectes en temps réel, en se basant sur les comportements de dépenses inhabituels. Si un paiement effectué par un utilisateur dévie drastiquement de ses habitudes de dépenses, Revolut est désormais en mesure de bloquer automatiquement les paiements par carte jusqu’à ce que l’utilisateur confirme dans l’application qu’il s’agissait bien de lui. Ce nouveau procédé permet de réduire les longueurs habituelles de vérifications de sécurité pour débloquer un compte.

Depuis le lancement du nouveau système début août, l’entreprise a vu le niveau de fraude être divisé par 4, réduisant drastiquement le nombre de cas communs d’utilisation frauduleuse, tels que sur les paiements en ligne, le clonage ou le vol de cartes.

Revolut a également lancé un autre outil utilisant le machine learning, afin de lutter contre le blanchiment d’argent cette fois. Basé sur un modèle mathématique dynamique qui calcule un score de risque pour chaque utilisateur en fonction de l’historique d’activité, cet outil supervise en direct toutes les transactions effectuées via Revolut, et détermine statistiquement la probabilité de blanchiment d’argent en fonction du profil de l’utilisateur et des données extraites de la transaction.

Toutes ces estimations nourrissent l’algorithme afin d’attribuer un score de risque propre à chaque utilisateur. Si ce score dépasse un certain seuil, il sera demandé à l’utilisateur de soumettre des documents justifiant de son activité, auquel cas le modèle les incorporera afin de recalibrer l’exposition au risque de l’utilisateur.

Emmanuel Boulade, responsable communication France, Suisse et Belgique de Revolut, déclare : “Nous sommes en discussions régulières avec de nombreuses banques, et plusieurs d’entre elles nous ont déjà formulé des offres pour acheter cette technologie. Ce que nous pouvons effectuer en 10 minutes avec ces outils prendrait en général plus d’une heure dans une grande banque utilisant des procédés entièrement manuels.”

“Avec pour objectif d’atteindre des dizaines de millions de clients et d’étendre nos services au monde entier, nous ne pouvons pas nous reposer uniquement sur un processus manuel pour protéger de manière efficace nos utilisateurs de la fraude financière, a fortiori lorsque les criminels utilisent des tactiques de plus en plus élaborées”.

Ces investissements massifs de Revolut dans le machine learning arrivent à un moment de croissance hors normes, alors que l’entreprise s’apprête à lancer plusieurs nouveaux marchés à l’international, parmi lesquels les Etats-Unis, le Canada, l’Australie, Singapour et Hong Kong. Le nombre d’utilisateurs a dépassé les 3 millions en Europe (400 000+ en France, deuxième marché derrière le Royaume-Uni avec 1,3 million), et Revolut enregistre à l’heure actuelle plus de 250 000 nouvelles inscriptions par mois.