BigPay

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

BigPay est l’une des plateformes monétaires électroniques à la croissance la plus rapide de Malaisie. Les réseaux de mules organisés avaient identifié BigPay comme une cible pour le déplacement de fonds volés. BigPay recevait plus de 1,000 cas de mule signalés par mois, ce qui a eu un impact négatif sur les processus et ressources internes.

À un moment donné, d’autres institutions financières avaient commencé à décliner les transactions d’appoint BigPay légitimes qui avaient un impact sur l’expérience client. La politique malaisienne de traitement équitable des consommateurs financiers augmentant la responsabilité de la protection des clients, il y avait un besoin plus important d’améliorer les capacités de détection et de réponse aux fraudes.

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

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

Une fois que l’équipe a pu construire et déployer de manière indépendante, elle a effectué une analyse structurée des modèles. Les comptes Mule ont été principalement ouverts au cours du même mois d’utilisation, et les fonds ont été retirés par des canaux rotatifs. La réponse :

• Fusion de signaux intercanaux : les règles ont évalué l’intégralité du parcours de paiement, l’activité de transfert et de carte ensemble, afin de détecter des modèles tels que les appoints tiers suivis de sorties cryptographiques.
• Blocage des canaux de retrait : à chaque fois que l’équipe identifiait une nouvelle voie de sortie - crypto, distributeurs automatiques de billets, transferts de fonds, paiements QR - des règles étaient déployées rapidement pour réduire l’exposition et perturber les voies de blanchiment en évolution.
• Déploiement axé sur la simulation : chaque règle a été validée avant la mise en service, compressant des semaines de tests en heures.

Chaque sortie fermée a produit des données plus propres et un pool de cas plus petit, ce qui a rendu la prochaine analyse plus nette.

Deux facteurs ont été décisifs. Premièrement, visibilité multicanal : la capacité à connecter les événements de financement entrants au comportement des transactions sortantes dans un cadre analytique unique. Les motifs de mules ne deviennent lisibles que lorsque vous pouvez voir tout le voyage. 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 quelques semaines, a entraîné une réponse plus rapide aux modèles de fraude émergents.

L’effet de composition était tout aussi important. Au fur et à mesure que les volumes de mules chutaient, les cas restants devenaient analytiquement tractables. Des tailles d’échantillon plus petites ont facilité l’identification des motifs, ce qui a entraîné d’autres améliorations des règles, ce qui a réduit les volumes.

Résultats : détection plus précoce, réponse plus rapide

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

Mules Catch plus tôt

Une fois la surveillance des transactions stabilisée, la couche de défense suivante génère des signaux en amont. Feedzai Digital Trust ajoute des informations sur les appareils, le comportement des sessions et les signaux d’identité, en signalant les comptes suspects avant le transfert des fonds.

II. Instaurer la résilience dans le flux

Feedzai Le moteur de règles de permet aux équipes de lutte contre la fraude de créer une logique de détection à partir d’une entrée en langage naturel, réduisant ainsi le temps écoulé entre l’identification des menaces et le déploiement de règles en direct. La hiérarchisation des alertes assistée par IA aide également les analystes à se concentrer sur les cas les plus critiques, ce qui améliore la rapidité 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 hausse du réseau de mules en Malaisie en 72 heures, réduisant ainsi l’activité globale des mules de plus de 90 % en 60 jours.