Résumé:
Dans le contexte actuel marqué par la digitalisation croissante des services bancaires, la détection des fraudes financières est devenue un enjeu prioritaire. Ce travail de recherche propose une approche hybride combinant des techniques de fouille de données, notamment le clustering non supervisé et l'extraction de motifs fréquents, pour identifier les comportements suspects dans les transactions bancaires.
La première partie du travail s'intéresse aux différentes formes de fraudes, telles que la fraude par carte bancaire, le vol d'identité ou encore la fraude hypothécaire. Les méthodes de détection traditionnelles, basées sur des systèmes de règles, se révèlent insuffisantes face à l'évolution des techniques des fraudeurs. L'apprentissage automatique, en particulier le clustering, permet d'explorer les données sans étiquettes et de détecter des anomalies de manière plus efficace.
Dans ce cadre, deux algorithmes de clustering ont été utilisés :
K-means, basé sur le partitionnement, a permis de segmenter les transactions en deux groupes distincts. La méthode du coude a validé l'existence de deux clusters correspondant, dans l'interprétation métier, aux transactions normales et potentiellement frauduleuses.
DBSCAN, un algorithme basé sur la densité, s'est avéré performant pour détecter des groupes de comportements atypiques ainsi que des points isolés, considérés comme des anomalies.
Parallèlement, l'extraction de motifs fréquents via l'algorithme Apriori a permis d'identifier des associations récurrentes entre certaines caractéristiques des transactions frauduleuses, renforçant ainsi l'interprétabilité des résultats et la compréhension des stratégies employées par les fraudeurs.
Les expérimentations ont été menées sur un jeu de données transactionnelles réel, après un prétraitement rigoureux incluant le nettoyage, l'ingénierie de caractéristiques et la mise à l'échelle. Les résultats ont montré que l'approche combinée clustering et motifs fréquents améliore significativement la précision de la détection et permet d'isoler efficacement les comportements anormaux.
Cette méthodologie offre ainsi une solution robuste, proactive et interprétable pour renforcer les systèmes de détection des fraudes dans les institutions bancaires, tout en ouvrant des perspectives pour des approches encore plus sophistiquées et adaptées à l'évolution des pratiques frauduleuses.
Mots clés : fraude bancaire, clustering, DBSCAN, K-means, fouille de données, motifs fréquents.
