Mastercard
scoring de risque de transaction en temps reel
En 2024, Mastercard lance Decision Intelligence Pro, un modele generatif qui score chaque transaction en moins de 50 ms ; sa modelisation interne annonce +20% de detection de fraude en moyenne (jusqu'a +300%) et plus de 85% de faux positifs en moins.
L'essentiel
- Scoring de risque de fraude en temps reel sur chaque transaction du reseau.
- Decision Intelligence Pro, modele generatif type transformer, score affine en moins de 50 ms.
- +20 % de detection en moyenne (jusqu'a +300 %), faux positifs reduits de plus de 85 %.
- Preuve B, statut confirme : modelisation interne Mastercard, reprise par CNBC et PYMNTS.
Objectif
Aider les banques emettrices a distinguer les transactions legitimes des transactions frauduleuses en temps reel, pour bloquer plus de fraude tout en reduisant les faux refus qui degradent l'experience et font perdre du chiffre d'affaires.
Le déploiement
Decision Intelligence attribue un score de risque a chaque transaction du reseau. En fevrier 2024, Mastercard a lance Decision Intelligence Pro, une version qui s'appuie sur un modele generatif pour evaluer les relations entre les entites autour d'une transaction (commercant, terminal, comportement). Le modele scanne un trillion de points de donnees pour predire si une transaction est probablement authentique, et affine le score de Decision Intelligence en moins de 50 millisecondes. Selon la modelisation initiale de Mastercard, l'amelioration porte le taux de detection de fraude de 20% en moyenne, jusqu'a 300% dans certains cas, et reduit les faux positifs de plus de 85%.
Résultats Preuve B
Chiffres issus du communique officiel de Mastercard (analyse et modelisation internes, source interessee) et repris nommement par CNBC et PYMNTS. Ce sont des resultats de modelisation initiale, pas des KPI financiers audites; le -20% et le -300% sont presentes par Mastercard comme des projections, ce que la fiche conserve.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Mastercard Decision Intelligence scoring de risque en temps reel sur chaque transaction du reseau, transmis aux banques emettrices en autorisation
- llm Decision Intelligence Pro modele generatif type transformer (lance en fevrier 2024) qui evalue les relations entre entites (commercant, terminal, comportement) et affine le score en moins de 50 ms
- infra Donnees du reseau Mastercard un trillion de points de donnees scannes ; les labels de fraude confirmee servent au reentrainement
- infra Moteur de decision de la banque emettrice consomme le score dans les regles d'autorisation ; la decision finale reste chez l'emetteur, supervisable et contestable (RGPD, AI Act)
Comment ça tourne, concrètement
Pour les équipes ops-
1Passage de la transaction site_app / reseau
Une transaction arrive en autorisation sur le reseau Mastercard.
-
2Scoring IA
Le modele evalue les relations entre entites et scanne le contexte pour attribuer un score de risque en moins de 50 ms.
-
3Enrichissement du score DI IA
Decision Intelligence Pro affine le score global transmis a la banque.
-
4Decision banque emettrice
La banque emettrice approuve ou refuse la transaction sur la base du score et de ses propres regles.
Le comportement de transaction et les relations entre entites (commercant, terminal, historique). Si le signal de labels de fraude confirmee se degrade, le modele derive et la precision baisse.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Flux de transactions en temps reel
- Historique de fraudes confirmees pour l'apprentissage
- Donnees relationnelles entre entites (commercant, terminal, appareil)
Prérequis orga
- Capacite d'integrer un score externe dans le moteur de decision d'autorisation
- Equipe risque pour calibrer les seuils
Stack possible
- Mastercard Decision Intelligence (activation reseau)
- moteurs de scoring anti-fraude tiers (Feedzai, Featurespace)
- modele custom si volume et data internes suffisants
Le plan, étape par étape
- Étape 1Cadrer avec le reseau l'activation du score sur le portefeuille de cartes concerneLivrable : Perimetre d'activation + acces au score dans le flux d'autorisation
- Étape 2Brancher le score dans le moteur de decision, d'abord en mode observation sans blocageLivrable : Score consomme en production, journalise sur le trafic reel
- Étape 3Calibrer les seuils par segment avec l'equipe risque, sur l'historique et le trafic observeLivrable : Matrice de seuils testee, arbitrage entre fraude detectee et faux refus
- Étape 4Passer en mode decisionnel sur un segment pilote et comparer a une periode temoinLivrable : Mesure du taux de detection, des faux positifs et du taux d'approbation
- Étape 5Generaliser au portefeuille et boucler le reentrainement avec les labels de fraude confirmeeLivrable : Tableau de bord detection, faux positifs et approbation suivi en continu
Première étape : Pour un emetteur : brancher le score reseau existant dans les regles d'autorisation et mesurer l'effet sur faux refus et fraude.
Le même pattern, prouvé dans d'autres industries
Sources
- S1 Mastercard Says New AI Model Ups Fraud Detection by 20% Presse établie archive à générer
- S2 Mastercard supercharges consumer protection with gen AI Primaire archive à générer
- S3 Mastercard jumps into generative AI race with model it says can boost fraud detection by up to 300% Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.