Définition
La prévention de la fraude regroupe l’ensemble des règles, signaux et modèles (règles métier + machine learning) qui permettent à un site e-commerce ou à une application DTC d’identifier, scorer et bloquer les transactions suspectes avant qu’elles ne deviennent des litiges (chargebacks) ou des pertes sèches.
En clair : on ne cherche pas seulement à récupérer l’argent après coup, on décide en temps réel si une commande mérite d’être acceptée, revue manuellement, ou refusée.
C’est un pilier du paiement, au même titre que l’authentification 3DS ou la gestion des litiges.
Analogie
Imaginez un videur à l’entrée d’un club select.
- Il regarde votre pièce d’identité (vérification CVV / AVS).
- Il observe votre comportement : stress, incohérence, groupe suspect (analyse comportementale).
- Il consulte une liste de personnes déjà signalées (listes noires, deny lists).
- Il peut aussi se fier à son instinct entraîné par des années d’expérience (modèle ML).
Si le doute est trop fort, il refuse l’entrée. S’il hésite, il appelle le responsable (revue manuelle). La prévention de la fraude, c’est exactement ça : un filtrage rapide, déterministe et évolutif, à l’échelle de milliers de commandes par jour.
Formule
Un score de risque simple peut se représenter ainsi :
Score_risque = (w1 × incohérence_adresse)
+ (w2 × vélocité_IP)
+ (w3 × historique_client)
+ (w4 × montant_vs_panier_moyen)
+ (w5 × signaux_appareil)
Puis :
Décision = si Score_risque < 30 → Accepter si 30 ≤ Score_risque < 70 → Revue manuelle si Score_risque ≥ 70 → Bloquer
Exemple concret avec des pondérations réalistes :
- incohérence_adresse = 1 (pays IP ≠ pays livraison) × w1 = 25
- vélocité_IP = 3 (3 commandes en 10 min) × w2 = 10
- historique_client = 0 (nouveau client) × w3 = 15
- montant_vs_panier_moyen = 2,5 × w4 = 8
- signaux_appareil = 1 (émulateur détecté) × w5 = 20
→ Score = 25 + 30 + 0 + 20 + 20 = 95 → Blocage immédiat.
Tableau comparatif
| Approche | Avantages | Limites | Idéal pour |
|---|---|---|---|
| Règles métier | Rapide, explicable, peu coûteux | Rigide, contournable, faux positifs | Petits volumes, secteurs réglementés |
| Machine learning | S’adapte, détecte des schémas complexes | Boîte noire, besoin de données, dérive | Volumes élevés, DTC scale-up |
| Revue manuelle | Contexte humain, cas limites | Lent, coûteux, non scalable | Commandes à fort panier |
| 3DS / SCA | Transfert de responsabilité | Friction, abandon panier | UE, transactions carte |
| Deny lists / allow lists | Simple, immédiat | Maintenance, contournement | Clients VIP, fraudeurs connus |
Application concrète (DTC / e-commerce)
Prenons une marque DTC de cosmétiques qui vend en France et en Allemagne.
- Panier moyen : 65 €.
- Taux de chargeback actuel : 1,8 % (au-dessus du seuil Visa de 0,9 %).
- Objectif : descendre sous 0,5 % en 90 jours.
Mise en place :
1. Règles de base : bloquer si IP Nigeria + livraison France + montant > 300 €.
2. Vélocité : max 2 commandes par IP sur 24 h.
3. ML : modèle entraîné sur 12 mois d’historique, réentraîné chaque semaine.
4. 3DS : déclenché si score > 40.
5. Revue manuelle : file d’attente pour scores 30–70, traitée en < 2 h.
Résultats typiques observés :
- Réduction des chargebacks de 1,8 % → 0,4 % en 3 mois.
- Baisse des commandes frauduleuses de 72 %.
- Augmentation du taux d’acceptation de 3 points (moins de faux positifs).
3 données chiffrées à retenir
1. 1 € perdu en fraude coûte en réalité 3,5 € à l’e-commerçant (remboursement + frais + logistique + temps support).
2. Jusqu’à 30 % des commandes bloquées à tort peuvent être récupérées avec une revue manuelle bien calibrée.
3. Un modèle ML bien entraîné réduit les faux positifs de 40 à 60 % par rapport à des règles seules.
Erreurs fréquentes
- Bloquer trop large : un taux de refus élevé tue la conversion. Mieux vaut une revue manuelle qu’un « non » automatique.
- Ignorer les faux positifs : un client légitime bloqué = panier perdu + avis négatif + risque de chargeback… paradoxalement.
- Ne pas réentraîner le modèle : la fraude évolue vite. Un modèle figé devient obsolète en 4 à 8 semaines.
- Oublier le mobile : 60 à 70 % du trafic DTC est mobile. Les signaux device doivent être adaptés.
- Négliger la conformité : RGPD, SCA, DSP2. La prévention de la fraude ne doit pas violer la protection des données.
- Tout miser sur le ML : sans règles métier claires, le ML manque de garde-fous.
Termes liés
- Chargeback : litige bancaire initié par le client.
- 3DS / SCA : authentification forte du porteur.
- AVS / CVV : vérification d’adresse et de cryptogramme.
- Velocity checks : contrôle de fréquence des transactions.
- Deny list / Allow list : listes de blocage ou d’autorisation.
- Score de risque : note attribuée à chaque commande.
- Faux positif : transaction légitime bloquée à tort.
- Rétrofacturation : synonyme de chargeback.
- Machine learning supervisé : modèle entraîné sur des cas étiquetés fraude / non-fraude.
- KYC / KYB : vérification d’identité client / entreprise.