Nov 13, 2023
Un numérique
Scientific Reports volume 13, Numéro d'article : 12499 (2023) Citer cet article 420 accès 2 Détails de Altmetric Metrics Le crime organisé de vente au détail (ORC) est un problème important pour les détaillants et les marchés.
Rapports scientifiques volume 13, Numéro d'article : 12499 (2023) Citer cet article
420 accès
2 Altmétrique
Détails des métriques
Le crime organisé au détail (ORC) constitue un problème important pour les détaillants, les plateformes de marché et les consommateurs. Sa prévalence et son influence ont rapidement augmenté au rythme de l’expansion du commerce en ligne, des appareils numériques et des plateformes de communication. Aujourd'hui, il s'agit d'une affaire coûteuse, qui fait des ravages sur les revenus globaux des entreprises et met continuellement en péril la sécurité des communautés. Ces conséquences négatives devraient atteindre des sommets sans précédent à mesure que davantage de personnes et d’appareils se connectent à Internet. Détecter et réagir à ces actes terribles le plus tôt possible est essentiel pour protéger les consommateurs et les entreprises tout en gardant un œil sur les tendances croissantes et la fraude. La question de la détection de la fraude en général a été largement étudiée, notamment dans le domaine des services financiers, mais les études axées sur la criminalité organisée dans le commerce de détail sont extrêmement rares dans la littérature. Pour contribuer à la base de connaissances dans ce domaine, nous présentons une stratégie d'apprentissage automatique évolutive pour détecter et isoler les inscriptions ORC sur une plateforme de marché de premier plan par des commerçants commettant des crimes ou des fraudes organisés dans le commerce de détail. Nous utilisons une approche d'apprentissage supervisé pour classer les publications comme frauduleuses ou réelles sur la base des données passées relatives aux comportements et aux transactions des acheteurs et des vendeurs sur la plateforme. Le cadre proposé combine des procédures de prétraitement de données sur mesure, des méthodes de sélection de caractéristiques et des techniques de résolution d'asymétrie de classe de pointe pour rechercher des algorithmes de classification alignés capables de faire la distinction entre les inscriptions frauduleuses et légitimes dans ce contexte. Notre meilleur modèle de détection obtient un score de rappel de 0,97 sur l'ensemble de données exclues et de 0,94 sur l'ensemble de données de test hors échantillon. Nous obtenons ces résultats sur la base d’un ensemble sélectionné de 45 fonctionnalités sur 58.
Récemment, on a assisté à une croissance de l’utilisation des plateformes de commerce et de communication sur Internet, encore accentuée par la pandémie de COVID-19. Plus que jamais, une partie importante de la population mène des activités normales en ligne et à la maison, notamment le travail, l'école, les courses, les rendez-vous chez le médecin et les divertissements1. La cybercriminalité et la fraude se sont considérablement développées parallèlement à l’utilisation généralisée des appareils et plateformes numériques2, poursuivant ainsi la tendance à faire perdre des milliards de dollars à l’économie mondiale3 et à mettre en péril la sécurité des communautés4.
La cybercriminalité et la fraude englobent un large éventail d'actions odieuses, notamment le phishing, les logiciels malveillants, le commerce électronique frauduleux, les escroqueries amoureuses, les escroqueries au support technique, l'extorsion ou le chantage et le déni de service1. De plus, il existe des cas de vol de cartes de crédit, de blanchiment d’argent et de plagiat. Ces deux pratiques ont un effet néfaste à la fois sur les entreprises et sur les clients, posant des dangers économiques, de réputation et psychologiques importants à ces entités.
La lutte contre la cybercriminalité et la fraude est une tâche longue et coûteuse, car les acteurs malveillants évoluent constamment et capitalisent sur de nouvelles opportunités pour exploiter les vulnérabilités des systèmes existants de protection et de détection de la fraude. Les faibles efforts de développement aggravent encore le problème en limitant le partage d’idées dans la recherche sur la fraude. Par exemple, cela n’a aucun sens d’expliquer les techniques de détection ou de prévention de la fraude dans le domaine public, car cela pourrait fournir aux fraudeurs les informations nécessaires pour échapper à la détection.
Lorsqu’il s’agit de lutter contre la cybercriminalité et la fraude, que ce soit par la prévention ou la détection, il existe deux méthodologies principales documentées dans la littérature. La prévention fait référence aux mesures prises pour éviter la survenance des actes en premier lieu. Il s’agit notamment de conceptions complexes, de numéros d’identité personnels, de sécurité Internet pour les interactions en ligne avec les plateformes numériques, ainsi que de mots de passe et de mécanismes d’authentification pour les ordinateurs et les appareils mobiles5. Aucune de ces solutions n’est parfaite ; il faut souvent trouver un compromis entre le coût (pour l'entreprise) et l'inconfort (pour le client). D’autre part, la détection implique de reconnaître les actes frauduleux dès qu’ils se produisent5. Lorsque la prévention échoue, elle devient importante. Par exemple, nous pouvons prévenir la fraude à la carte de crédit en protégeant insidieusement nos cartes, mais si les informations de la carte sont volées, nous devons constater la fraude le plus tôt possible5.