Dans le cadre de l’article sur l’optimisation de la détection des fraudes bancaires, explorez comment une alliance stratégique entre le GIE CB, acteur clé du secteur bancaire, et notre partenariat, renforce de manière significative la sécurité financière. Au cours de cet événement, GIE CB, expert en paiements par carte, a dévoilé ses initiatives novatrices visant à renforcer la sécurité des transactions bancaires, grâce à notre collaboration fructueuse.

Notamment, la conférence a mis en lumière les défis auxquels le secteur bancaire est confronté, soulignant l’efficacité de KNIME, un outil No-Code/Low-Code adopté par GIE CB. Cette adoption témoigne de la manière dont les équipes gagnent en autonomie en élaborant leurs propres règles de calcul. Les nouveaux processus ainsi déployés ont non seulement allégé la charge des équipes informatiques, mais ont également favorisé une collaboration accrue avec les métiers, marquant ainsi une avancée significative dans la lutte contre la fraude bancaire.

Aujourd’hui, on constate de plus en plus de fraudes et arnaques au quotidien. La détection des fraudes est donc devenue un enjeu majeur.

Avec plus de 65% des transactions par carte en France à son actif, GIE CB est en première ligne dans cette lutte contre la fraude.

En 2022, sur les 28 milliards d’opérations, 7,5 millions étaient frauduleuses, représentant un coût total de 1,2 milliard d’euros. GIE CB, face à ces chiffres, redouble d’efforts pour renforcer la sécurité des transactions, notamment avec des solutions innovantes telles que le LAB by CB (https://www.cartes-bancaires.com/innovation/accelerer-transformation-digitale/lab-by-cb/).

Notre étude de cas en Data Science illustre le passage de GIE CB de l’utilisation majoritaire d’algorithmes Python à l’adoption de KNIME. Ce changement stratégique, par conséquent, favorise une plus grande autonomie des équipes métier, simplifie la maintenance du code et permet une meilleure scalabilité.

Les outils No-Code/Low-Code comme KNIME, connaissent une popularité croissante. Ils ouvrent de nouvelles perspectives en matière de gouvernance des données et réduisent la dépendance aux équipes IT. KNIME se distingue par son approche communautaire, favorisant le partage de workflows sur une plateforme publique (https://hub.knime.com/), accélérant ainsi la mise en œuvre de cas d’usage complexes.

Incluant l’importation, le nettoyage, la gestion des valeurs manquantes et la conversion des types de données.

– Création de variables clés, comme date et heure des transactions, avec identification des transactions weekends/nuit.

-Analyse fréquence fraudes et valeur moyenne paiements par terminal via Python dans nœuds KNIME.

Le Feature Engineering peut être comparé à l’équipement de notre modèle de prédiction avec des lunettes, affinant ainsi sa précision et sa clarté.