Microsoft a associé l'apprentissage automatique à l'optimisation pour réduire la fraude dans le commerce électronique

Tout filtre antifraude doit trouver un équilibre entre laisser passer les mauvaises commandes et rejeter les commandes légitimes, et un filtre réglé pour arrêter la fraude tend à bloquer aussi les bons clients.

Le système de Microsoft combinait un apprentissage automatique séquentiel pour repérer à la fois les fraudes connues et émergentes avec une couche d'optimisation qui pesait la perte due à la fraude, les faux positifs et le chiffre d'affaires en jeu. Cela lui a permis d'augmenter le taux d'acceptation par la banque tout en réduisant le taux de perte due à la fraude.

De 2016 à 2018, le projet a réduit la perte due à la fraude de Microsoft de 0,52 point de pourcentage, générant environ 75 millions de dollars d'économies annuelles et plus d'un milliard de dollars de revenus supplémentaires grâce à un plus grand nombre d'achats légitimes traités. Ce travail a été finaliste du prix Franz Edelman 2019 de l'INFORMS.

Signaler la fraude et laisser la bonne commande suivre son cours

Modéliser à la fois la fraude et la perte liée aux bonnes ventes met en évidence le coût réel de chaque décision erronée.

Les modèles séquentiels détectent de nouvelles tendances de fraude que les règles statiques manquent.

Augmenter le taux d'acceptation des achats légitimes accroît les revenus tout en réduisant les pertes dues à la fraude.

Une optimisation explicite remplace un seuil réglé manuellement qui rejetait excessivement.

Un système antifraude jugé sur les seules pertes rejette excessivement ; ajouter le coût d'une bonne vente perdue rend l'ensemble de la décision moins coûteux.

Le système a été déployé sur l'ensemble des vitrines de Microsoft et est devenu une référence pour la manière dont les détaillants en ligne associent l'apprentissage automatique à la recherche opérationnelle dans la gestion de la fraude. Il a été nommé finaliste Edelman 2019 et documenté dans un article de revue de l'INFORMS.