Comment analyser la donnée pour identifier la fraude ?

Timothée Schnapper, Senior OPS chez Uber Eats, a pour métier d’améliorer les process, de prendre les meilleures décisions et de délivrer la meilleure expérience utilisateur possible en s’appuyant sur la data. Il a livré à Lion deux cas super concrets pour illustrer l’importance de l’utilisation des données. Est-il possible d’éliminer toute fraude grâce à la data ? En premier lieu, pour lutter contre la fraude, Uber Eats utilise différents produits tech, complétés par une vérification humaine. Mais il reste toujours des possibilités de frauder !

‍‍C’est ici que l'analyse de la data entre en jeu. La donnée sert pour démêler le vrai du faux, et identifier les abus en innovant et mettant en place des nouvelles technologies pour le bien des utilisateurs, des livreurs et des partenaires ! Attention, Timothé le dit lui-même : il reste toujours une infime partie de fraude résiduelle qu’on accepte : celle qui est en avance sur les solutions développées pour lutter contre. Ces techniques nouvelles sont d’ailleurs rapidement identifiées, dans un jeu permanent du chat et de la souris.
‍

Pourquoi lutter contre la fraude ?

‍
Pourquoi lutter contre la fraude sur une appli ? Sur le cas d’Uber Eats, elle nuit à toutes les parties prenantes : consommateurs honnêtes, restaurateurs, livreurs et bien sûr au business d’Uber et à sa réputation. Ici, et comme dans le cas d’autres produits tech, il y a trois obligations de le faire : légale, morale et business. Deux types de fraudes coexistent sur cette plateforme : le partage illégal de compte par des livreurs, et les demandes abusives de remboursement. 

Sur le premier type d’abus, il s’agit souvent de personnes sans papiers qui louent un compte pour pouvoir travailler. Cela s’apparente à de l’exploitation d’être humains. Lutter contre ce type de détournement de la plateforme est d’abord une obligation légale : si Uber Eats ne le faisait pas, l’entreprise se rendrait aux yeux de la loi complice des loueurs de compte qui exploitent d’autres personnes. Timothée lie cela à l’obligation morale pour la société de ne pas couvrir l’exploitation d’être humains en situation de grande précarité. Enfin, la dernière forme d’obligation relève de la protection du business, car ces situations nuisent à la réputation d’Uber Eats. 

Concernant les demandes de remboursement abusifs, ces pratiques nuisent à la fois au business d’Uber Eats et des restaurateurs partenaires, qui se partagent les frais.

Comment me servir de la data pour détecter les anomalies ? 

• Par les outils : Uber Eats a développé un outils de reconnaissance faciale qui demande à ses livreurs de prendre des selfies de manière aléatoire et récurrente. Ensuite, ce selfie est comparé à la photo de profil renseignée lors de l’inscription par un algorithme d'abord, ensuite par un humain s'il reste encore un doute. En cas de récurrence de la fraude, le compte du livreur est supprimé. Certains arrivent encore à passer entre les mailles du filet. C’est ici que la data générée par les utilisateurs prend toute son importance.

• Par des données passées et des comparaisons :

Comment certains arrivent à contourner le contrôle par reconnaissance faciale ?  Soit en demandant à ce que l’owner du compte leur envoie un selfie, soit en se déplaçant physiquement pour prendre en photo la personne propriétaire du compte. La solution face à cela ?  C’est l’analyse de plusieurs types de data : 

• le device utilisé ( si la photo n’est pas envoyé depuis le même téléphone) ;
•  le temps entre la demande d'envoi de la photo et l’envoi réel ( s’il est très élevé, c’est suspect) ;
•  la distance parcourue entre le moment de demande d’envoi de la photo et le moment où elle est envoyée. 

Comment reconnaître une demande de remboursement abusive ?

D’abord en faisant l’analyse de l’historique de commandes du client : demande-t-il souvent à être remboursé ? Si c’est un nouveau compte, on observe les données personnelles renseignées pour vérifier que ce n’est pas un compte dupliqué. Ensuite, on analyse des données spécifiques liées au compte, en comparant avec un profil d’utilisateur moyen. Par exemple, Uber Eats va examiner l’adresse mail. En effet, Timothée explique que celles qui comportent beaucoup de chiffres et de lettres, loin d’une adresse “humaine”, sont plus souvent associées à des fraudes. Idem sur le moyen de paiement : les comptes Paypal ou les cartes prépayées sont massivement utilisés pour des remboursements frauduleux. Autres données qui donnent des indices ? Le montant de la commande, lorsqu’il est plus élevé que le panier moyen , ou le type de restaurants visés ( les plus gros fast foods sont les plus sujets à erreurs et fraudes).Les comptes des clients fraudeurs ne sont pas suspendus, on ne leur rembourse simplement pas les demandes abusives

Pour compléter les données, Uber Eats a mis en place une réflexion sur les outils. Par exemple, il existe un système de code, que le livreur doit demander à l’utilisateur à la livraison pour vérifier que la commande a été remise. Autre réflexion en cours ? Un outil qui serait un système de pesée de sacs au départ et à l’arrivée de la commande, pour vérifier qu’il n’y ait pas de signalement abusif de commandes incomplètes

En résumé, il faut :

• Analyser les historiques de comportements, pour comprendre s’il y a des récurrences qui peuvent faire penser à un comportement abusif
• Examiner les comportements de l’utilisateur en temps réel et comparer cela à une situation dite “normale” ( par exemple, il est impossible de faire du 230 km/h en ville, ou il est étrange de demander un remboursement 4 heures après avoir reçu une commande) 
• Comparer les comportements des utilisateurs entre eux : ainsi déterminer un montant de commande moyen permet de détecter un montant de remboursement qui semble frauduleux 
• L’analyse par des algorithmes se complète d’analyses humaines : on peut détecter les adresses mails avec beaucoup de chiffres et de lettres car on sait d'expérience humaine qu’elles sont souvent générées par des faux comptes 
• Penser aux utilisateurs et à leur réaction face aux outils de lutte contre les fraudes : par exemple, cela a permis d’éliminer des dispositifs de prise de photos qui auraient créé des frictions entre livreurs et utilisateurs