Le verdict en trois phrases
La plupart des marchands croient qu'il faut un modèle de machine learning pour lutter contre la fraude, alors qu'il faut d'abord des règles de vélocité déterministes. En empilant 10 règles simples avant tout modèle, on stoppe environ 80 % des tentatives de fraude carte. L'objectif de calibrage : faux positifs sous 2 % et chargeback sous 0,5 %.
Les 10 règles à empiler dans l'ordre
Ces règles se lisent en millisecondes, ne coûtent rien à héberger et n'ont pas besoin de données d'entraînement.
| # | Règle | Seuil de blocage 2026 | Impact estimé sur la fraude |
|---|---|---|---|
| 1 | Vélocité cartes/heure | > 3 cartes différentes/heure/appareil | Élevé |
| 2 | Échecs répétés | > 5 échecs/10 min | Élevé |
| 3 | Réutilisation d'empreinte appareil | Même device, > 4 comptes | Élevé |
| 4 | Mismatch pays facturation / BIN | Pays différents | Moyen |
| 5 | Plage BIN à haut risque | Liste BIN surveillée | Moyen |
| 6 | Plafond valeur 1re commande | > 150 000 FCFA sur nouveau compte | Moyen |
| 7 | Blocklist partagée entre marchands | Match e-mail/carte/device | Élevé |
| 8 | Adresse e-mail jetable | Domaine temporaire connu | Faible-moyen |
| 9 | Heure atypique + montant élevé | 2h-5h + > 200 000 FCFA | Faible |
| 10 | Distance IP / téléphone | > 500 km d'écart | Faible-moyen |
Calibrer sans étouffer les vraies ventes
Le danger n'est pas de bloquer trop peu, mais de bloquer trop. Chaque règle doit être mesurée sur son ratio fraude bloquée / ventes légitimes perdues.
| Indicateur | Cible 2026 | Zone d'alerte |
|---|---|---|
| Taux de faux positifs | < 2 % | > 4 % |
| Taux de chargeback | < 0,5 % | > 1 % |
| Fraude bloquée (règles seules) | ~80 % | < 60 % |
| Commandes en revue manuelle | 3-6 % | > 10 % |
| Temps de décision par règle | < 50 ms | > 200 ms |
Une blocklist partagée entre marchands (règle 7) est souvent la plus rentable : un fraudeur grillé chez un commerçant l'est chez tous.
Besoin d'un site web professionnel ?
Kolonell crée des sites web qui attirent des clients, optimisés pour le marché sénégalais. Devis gratuit en 2 minutes.
Mini cas pratique
Blessing gère une boutique électronique à Lagos, avec un taux de chargeback de 1,8 %. Elle active 6 des 10 règles : vélocité cartes, échecs répétés, mismatch BIN, plafond 1re commande, blocklist partagée, empreinte appareil. En six semaines, son chargeback tombe à 0,4 %, elle bloque ~82 % des tentatives et ne perd que 1,6 % de ventes légitimes. Économie estimée : 2 300 000 FCFA de fraude évitée par trimestre.
FAQ
Faut-il vraiment du machine learning ? Pas au début. 10 règles déterministes couvrent ~80 % des cas. Le ML n'apporte de gain qu'au-delà, sur les 20 % résiduels.
Quel est le bon budget de faux positifs ? Sous 2 %. Au-dessus de 4 %, vous perdez plus en ventes légitimes qu'en fraude évitée.
La règle la plus rentable ? La blocklist partagée entre marchands : un device ou une carte déjà signalés ailleurs sont bloqués immédiatement.
Comment gérer les commandes en revue ? Visez 3-6 % en revue manuelle. Au-delà de 10 %, vos seuils sont trop agressifs.
Le mobile money est-il concerné ? Moins : les paiements push Wave/Orange Money sont difficilement réversibles, donc la fraude carte est la priorité des règles.
Discutons de votre projet. Nous déployons un moteur de règles anti-fraude calibré sur vos chiffres réels. WhatsApp +221 77 596 93 33.
Mohamed Bah
Fondateur, Kolonell
Passionné par le digital et l'entrepreneuriat en Afrique, Mohamed accompagne les entreprises sénégalaises dans leur transformation digitale depuis 2020. Fondateur de Kolonell, il croit que chaque PME mérite une présence en ligne professionnelle et accessible.
