BigPay

Le défi : l’activité des mules avait un impact sur l’expérience client

BigPay est l’une des plateformes de monnaie électronique à la croissance la plus rapide de Malaisie. Des réseaux organisés de comptes mules avaient identifié BigPay comme une cible pour déplacer des fonds volés. BigPay recevait plus de 1,000 cas de mules signalés par mois, ce qui a pesé sur les processus et les ressources internes.

À un moment donné, d’autres institutions financières ont commencé à refuser des transactions légitimes de rechargement BigPay, ce qui a eu un impact sur l’expérience client. La politique malaisienne de traitement équitable des consommateurs de services financiers augmentant la responsabilité en matière de protection des clients, il était encore plus nécessaire d’améliorer les capacités de détection et de réponse à la fraude.

La solution : tirer parti de la visibilité multicanal pour neutraliser rapidement les menaces

La plateforme de Feedzai était déjà en place. L’objectif était de traduire les modèles en logique de détection. L’équipe Customer Success de Feedzai a travaillé directement avec les analystes de la fraude de BigPay pour développer cette capacité, en les formant à la conception des règles, à la logique d’alerte pour les paiements entrants suspects, et à la mise en place de règles de refus basées sur la vitesse de financement et le risque du bénéficiaire.

Une fois que l’équipe a pu concevoir et déployer de manière indépendante, elle a effectué une analyse structurée des modèles. Les comptes de mules ont été principalement ouverts le même mois qu’ils ont été utilisés, et les fonds sont sortis par des canaux rotatifs. La réponse :

• Fusion des signaux multicanaux : les règles ont évalué ensemble l’intégralité du parcours de paiement, du transfert et de l’activité de la carte, afin de détecter des tendances telles que des recharges par des tiers suivies de sorties vers des cryptomonnaies.
• Blocage des canaux de sortie de fonds : chaque fois que l’équipe a identifié un nouvel itinéraire de sortie — crypto, distributeurs automatiques de billets, transferts de fonds, paiements QR — des règles ont été déployées rapidement pour réduire l’exposition et perturber l’évolution des itinéraires de blanchiment.
• Déploiement axé sur la simulation : chaque règle a été validée avant d’être mise en production, comprimant des semaines de test en quelques heures.

Chaque sortie bloquée produisait des données plus propres et un pool de cas plus petit, rendant l’analyse suivante plus précise.

Deux facteurs étaient décisifs. Premièrement, la visibilité multicanal : la capacité à relier les événements de financement entrants au comportement des transactions sortantes dans un cadre analytique unique. Les schémas des mules ne deviennent lisibles que lorsque vous pouvez voir le parcours complet. Deuxièmement, la vitesse d’itération. La capacité à simuler une règle, à la valider, à la déployer et à observer les résultats en quelques heures, plutôt qu’en plusieurs semaines, a entraîné une réponse plus rapide aux nouveaux modèles de fraude.

L’effet cumulatif était tout aussi important. À mesure que les volumes de mules chutaient, les cas restants devenaient analytiquement exploitables. Des tailles d’échantillon plus petites ont facilité l’identification des schémas, ce qui a entraîné d’autres améliorations de règles, ce qui a entraîné une nouvelle baisse des volumes.

Les résultats : détection précoce, réponse plus rapide

La position de BigPay en matière de fraude a été renforcée et évolue désormais des contrôles réactifs vers une prévention plus prédictive et adaptative.

Repérer les mules plus tôt

Une fois la surveillance des transactions stabilisée, la couche de défense suivante fait remonter les signaux en amont. Feedzai Digital Trust ajoute la mise en réseau intelligente des terminaux (device intelligence), le comportement de session et les signaux d’identité, signalant les comptes suspects avant le déplacement des fonds.

II. Intégrer la résilience au flux

Le moteur de règles de Feedzai permet aux équipes de lutte contre la fraude de créer une logique de détection à partir d’entrées en langage naturel, réduisant ainsi le temps écoulé entre l’identification des menaces et la mise en production des règles. La hiérarchisation des alertes assistée par l’IA aide également les analystes à se concentrer sur les cas les plus critiques, ce qui améliore la vitesse de réponse et la qualité des décisions.

Grâce à cette approche de détection multicouche et à une réponse rapide aux menaces, BigPay a neutralisé une nouvelle flambée du réseau de mules en Malaisie en 72 heures, réduisant ainsi l’activité globale des mules de 90 %+ en 60 jours.