Data et machine learning pour lutter contre la fraude et les impayés
La solution combine les analyses des données lors de l'achat (contenu du panier, moyen de livraison..) avec celles du paiement (carte valide ou en opposition, banque du client...) avec les données historiques et déclaratives du client (adresse, email, téléphone, identité...). Grâce au web scraping, une technique d'extraction du contenu de sites Web, les données laissées par les clients à disposition de tout un chacun sont collectées tout comme les données bancaires partagées (open banking) pour étudier leur cohérence avec les données déclaratives de la transaction. Ces open data sont utilisées dans le respect du RGPD. Un score de fiabilité est ainsi attribué à partir de plus de 400 données. Lorsque le score n'est pas réellement déterminant, c'est à l'utilisateur de décider s'il accepte le nouveau client. Il peut par exemple tenter de le joindre par téléphone pour vérifier son identité. Cette solution peut améliorer l'expérience des "bons" clients et diviserait le taux de risque par 4 selon la société.Nos articles remonteront en priorité dans « À la une » de Google.
