Aller au contenu

Préférences et cookies

Afin d’améliorer votre expérience sur notre site et de réaliser des statistiques de visites, nous utilisons des cookies. Rien n’est déposé sans votre accord, et le refus n’enlève l’accès à aucun contenu. Ce choix peut être modifié à tout moment.

Gérer les traceursVos données

Personnaliser

ArticleCybersécurité & Conformité

Comment Pindrop coince les fraudeurs des call centers

Soutenu par Google qui a injecté 75 millions de dollars à son capital en janvier 2016, Pindrop a développé une technologie de lutte contre la fraude téléphonique. Cette dernière permet aux centres d'appels de réaliser des analyses sonores, de lignes et d'appels permettant de déterminer un score de fraude complété par la détection d'empreinte vocale pour blacklister les fraudeurs.

La rédaction

Un mal ronge les centres d'appels des acteurs de la banque, de l'assurance et du commerce : la fraude téléphonique. Rien qu'aux États-Unis, cette dernière - comprenant aussi bien l'usurpation d'identité que les attaques par ingénierie sociale - représenteraient en effet plus de 20 milliards de dollars de pertes chaque année. « En trois ans, la part des appels frauduleux aux call centers est passé d'un sur 3 000 à un sur moins de 800 », nous a expliqué Vincent Pajot, responsable Europe du Sud de Pindrop. La fraude téléphonique, c'est justement le créneau de ce jeune éditeur américain (7 ans d'existence) créé avec la bénédiction de nombreux fonds dont Google Capital qui a investi à lui seul pas moins de 75 millions de dollars en janvier 2016 sur un montant total de fonds cumulés levés de 122 millions de dollars. Chose assez rare pour être signalée, 90% des fonds levés auprès de Google Capital par Pindrop n'ont pas été dépensés. Preuve que le business récurrent est prolixe, d'autant que l'entreprise a aujourd'hui quasiment atteint son point d'amortissement.

Aujourd'hui, confrontées à la baisse de leurs coûts opérationnels, les acteurs de la banque, assurance et du commerce sont nombreux à avoir basculer leur service client vers des centres d'appels. Avec toute la problématique de s'assurer que la personne qui appelle est bien le client en personne. Pour s'en assurer, les fameuses questions de sécurité (3 à 5) apparaissent nécessaires mais sont loin d'être suffisantes. « Chez les 18-25 ans, 80% des informations de sécurité sont présents sur les réseaux sociaux. Les fraudeurs qui ont décidé de viser un call center vont appeler de manière répétée, utiliser du social engineering pour récupérer des infos car plus on en récupère, plus on est crédible et plus on peut installer un climat de confiance avec l'opérateur », fait savoir Vincent Pajot.

Schéma de détection de la fraude par la solution Pindrop. (crédit : Pindrop)

Les limites de l'authentification vocale

Sur le marché de la détection de la fraude téléphonique aux call centers, quelques acteurs se positionnent comme Nuance ou encore Nice Systems aux côtés de Pindrop. Mais seul ce dernier aurait dans sa besace l'arme fatale de la détection des fraudeurs : « Certaines banques mettent en place l'authentification vocale avec password, cela marche mais pose certains inconvénients comme obliger le client à faire la démarche d'enregistrer sa voix avec les risques de ne pas avoir de correspondance de voix s'il utilise un terminal différent, qu'il y a du bruit autour sachant qu'en plus dans le temps le spectre de la voix change », explique Vincent Pajot. « Nous c'est différent, quand un appel arrive en call center, pas besoin d'enrollement, on procède à une analyse des métadatas, on vérifie l'authentification du téléphone grâce à nos accords mondiaux avec les opérateurs télécoms. »

Concrètement, chaque numéro d'appel est passé au peigne fin pour savoir s'il est bien enregistré chez un opérateur français, s'il n'a pas été utilisé pour des opérations de spoofing, s'il ne s'agit pas d'un numéro VoIP se faisant passer pour un 06, etc. Pour réaliser ce couplage d'informations, Pindrop héberge toutes ces données dans un cloud en Irlande pour l'Europe où plus de 500 millions d'appels sont analysés et qui devrait atteindre un milliard d'ici la fin de l'année. Mais ce n'est pas tout : « Nous utilisons des données techniques d'anomalies aboutissant à un scoring de fraude qui fait intervenir notre technologie d'empreinte télécom », poursuit Vincent Pajot. Dans sa dernière version, cette brique permet de passer au crible 1 380 critères multifactoriels contre 143 précédemment. « Les sons qui se répercutent sur les murs d'une pièce sont analysés, tout comme ceux de la climatisation et on va jusqu'à l'analyse des sons, inaudibles pour l'homme, émis par chaque mobile qui est unique. Cela permet de détecter qu'un appel a été passé d'un même appareil avec 15, 20 ou 30 cartes SIM différentes le même jour », raconte Vincent Pajot.

Du machine learning en renfort

L'établissement du scoring de fraude est effectué en moins de 20 secondes. Plus ce dernier est élevé, plus la probabilité d'avoir affaire à un fraudeur est importante. Pour faciliter cette visualisation, une pop-up verte, orange ou rouge s'affiche sur l'écran de l'opérateur qui pourra alors réaliser des actions différentes. Par exemple, pour un score de fraude faible, il pourra décider de limiter à 3 au lieu de 5 le nombre de questions de sécurité afin d'améliorer l'expérience utilisateur et supprimer une partie de cette démarche considérée comme une agression pour nombre de clients. A l'inverse, en cas de voyant rouge, l'agent a la possibilité de refuser l'accès au service en prétextant que le système est bloqué ou bien que cette opération nécessite de contacter un autre collègue. Ce dernier est surtout un expert de la fraude interne à l'entreprise, Pindrop ne gérant pas cet aspect particulier de l'escalade. Enfin, une fois le fraudeur démasqué, une technologie de détection biométrique vocale entre en jeu pour capturer la voix et la blacklister définitivement, et par la même occasion son propriétaire.

L'ensemble des technologies de détection de la fraude de Pindrop ont été développées en interne et ne sont pas basées sur du code open source. « Tout est maison, il y a aussi du machine learning pour le setup, le paramétrage et la personnalisation client sur les blackbox installées chez les clients. Quand on commence, le taux de détection de fraude dépasse 60% et ensuite monte pour atteindre 93% », conclut Vincent Pajot.

Newsletter

La Quotidienne LMI

Recevez chaque matin l’actualité IT de la rédaction.