| dc.description.abstract | Ce mémoire porte sur la conception d’un système de détection des transactions anormales pour
Ecobank Sénégal, visant à répondre aux enjeux croissants de sécurité bancaire. Les transactions
anormales, définies comme des écarts significatifs par rapport aux habitudes des clients, posent
des risques financiers et réputationnels majeurs. Le système actuel de Ecobank Sénégal, basé
sur des règles prédéfinies, souffre d’un manque de flexibilité et génère un nombre important de
faux positifs tout en échouant à détecter les nouveaux schémas de fraude.
L’approche proposée s’appuie sur l’apprentissage automatique non supervisé pour développer
une solution dynamique et adaptative. À partir de plus d’un million de transactions anonymisées
sur 18 mois, une analyse exploratoire approfondie a permis de préparer les données grâce à des
techniques d’imputation, de normalisation et d’encodage. Plusieurs algorithmes
d’apprentissage non supervisé ont été testés, notamment Isolation Forest, Local Outlier Factor
(LOF), Auto encodeurs, One-Class SVM et DBSCAN.
Les performances des modèles ont été évaluées sur la base de leur précision, leur réduction des
faux positifs et leur capacité à identifier des comportements atypiques en temps réel. Les
résultats obtenus indiquent que l’Isolation Forest offre une performance optimale, avec une
amélioration significative de la précision et une réduction des faux positifs. Les Auto encodeurs
ont également montré leur pertinence pour analyser les anomalies complexes. Cette
méthodologie a permis d’atteindre une réduction notable des pertes potentielles liées aux
fraudes, ainsi qu’une optimisation des ressources de surveillance et une amélioration de
l’expérience client.
Bien que le modèle n’ait pas encore été déployé dans un environnement opérationnel, les
travaux réalisés constituent une avancée significative vers l’intégration de technologies
d’apprentissage automatique dans la détection des fraudes bancaires | en_US |
