Moteurs de notation des risques LBC/FT : comment fonctionnent les recommandations automatisées de déclaration de soupçon

Tout responsable de la conformité d'une banque d'Afrique de l'Est très active connaît ce moment : l'ouverture de la file de surveillance des transactions, le lundi matin. Des centaines d'alertes. Des milliers, parfois, en période de forte activité — en fin de mois, autour des jours fériés ou pendant la saison fiscale, lorsque les mouvements d'espèces s'envolent. Quelque part dans cette file se trouvent les deux ou trois dossiers réellement suspects qui justifient une déclaration de soupçon (STR) à la cellule de renseignement financier (CRF). Le reste n'est que du bruit : des transactions légitimes qui ont simplement franchi le seuil d'une règle.

Les estimations du secteur situent couramment le taux de faux positifs de la surveillance des transactions classique, fondée sur des règles, à 90 % ou plus. Concrètement, la grande majorité des alertes qu'examine une équipe conformité seront documentées comme une activité commerciale légitime et classées sans suite, et seule une petite minorité justifiera une STR. C'est le problème de la saturation des alertes (alert fatigue), et ses conséquences sont bien réelles : les équipes conformité consument leur capacité d'analyse sur du bruit, l'activité réellement suspecte met plus de temps à être repérée, et la qualité des STR transmises en pâtit parce que les responsables sont à bout.

Les moteurs de notation des risques existent pour inverser cette équation. Au lieu de considérer que chaque alerte mérite au même titre une investigation manuelle, un moteur de notation des risques attribue à chaque alerte un score de risque chiffré fondé sur de multiples facteurs, écarte par algorithme le bruit à faible risque et ne dirige l'attention humaine que vers les alertes qui, au vu des éléments disponibles, le justifient réellement. Bien mis en œuvre, il libère l'équipe d'une grande partie de la charge d'investigation des faux positifs tout en améliorant la détection des vrais positifs.

Cet article explique comment fonctionnent les moteurs de notation des risques de lutte contre le blanchiment de capitaux et le financement du terrorisme (LBC/FT), comment ils déterminent les recommandations de STR et ce qu'exige leur calibrage pour l'environnement financier d'Afrique de l'Est.

---

Le problème de la saturation des alertes en LBC/FT

Taux de faux positifs habituels en surveillance des transactions

Un taux de faux positifs aussi élevé en surveillance des transactions fondée sur des règles n'a rien d'une anomalie : c'est le résultat attendu du fonctionnement même d'une surveillance par seuils. Une règle qui signale toutes les transactions en espèces supérieures, par exemple, à l'équivalent de 7 500 USD détectera chaque cas de véritable fractionnement sous le seuil de déclaration des transactions en espèces (CTR) du Kenya, fixé à 15 000 USD, mais elle signalera aussi chaque retrait d'espèces important et légitime d'un chef d'entreprise, chaque agent immobilier qui reçoit un acompte et chaque commerçant de marché qui travaille essentiellement en espèces.

Les règles sont volontairement trop inclusives, car le coût d'un vrai positif manqué (ne pas transmettre de STR pour un véritable blanchiment de capitaux) est jugé plus grave que celui de l'examen d'un faux positif. Il en résulte un système où la charge d'analyse repose systématiquement, dès le départ, sur les enquêteurs humains, qui doivent écarter l'activité légitime pour l'immense majorité des alertes.

Prenons une illustration : une équipe conformité de trois responsables dans une banque kényane de taille moyenne, qui traite 500 alertes par mois à raison de 30 minutes par alerte, y consacre 250 heures d'investigation cumulées. Si neuf alertes sur dix se révèlent être des faux positifs, quelque 225 de ces heures servent à documenter qu'une activité normale a eu lieu.

Coût de l'examen manuel de chaque alerte

Le coût économique de l'examen manuel des alertes en Afrique de l'Est est considérable. Les analystes LBC/FT qualifiés et certifiés (CAMS ou équivalent) comptent parmi les spécialistes les plus coûteux d'une fonction conformité, et le coût complet de leur temps inclut les avantages sociaux, les frais de locaux et les frais d'encadrement.

Chaque heure passée à clôturer un faux positif est une heure de ce coût dépensée simplement pour conclure qu'une transaction était légitime. Pour en mesurer l'ampleur dans votre établissement, multipliez votre volume mensuel d'alertes par votre temps de traitement moyen et par le coût de votre propre personnel. Ce calcul ne tient pas compte du coût d'opportunité du véritable travail d'analyse des risques qui n'a pas été fait parce que le personnel était occupé par du bruit.

Le regard des régulateurs sur la gestion des alertes

La Recommandation 20 du FATF (Groupe d'action financière, GAFI) impose aux institutions financières de transmettre des STR lorsqu'elles soupçonnent un blanchiment de capitaux ou un financement du terrorisme, mais elle exige aussi qu'elles disposent de processus systématiques pour identifier ces soupçons. Les régulateurs vérifient de plus en plus non seulement si les institutions transmettent des STR, mais aussi si leur processus de gestion des alertes est rationnel, fondé sur les risques et capable d'identifier les alertes qui comptent.

Une institution qui génère 10 000 alertes et les examine toutes sans les hiérarchiser ne démontre pas une conformité fondée sur les risques : elle démontre qu'elle n'a pas la finesse d'analyse nécessaire pour distinguer le risque élevé du risque faible. La Recommandation 1 du FATF impose une approche fondée sur les risques ; un moteur de notation des risques est la mise en œuvre technologique de cette exigence dans la surveillance des transactions.

---

Qu'est-ce qu'un moteur de notation des risques LBC/FT ?

Définition : une évaluation chiffrée du risque des transactions et des dossiers

Un moteur de notation des risques LBC/FT est un système qui prend un ensemble de facteurs d'entrée — les caractéristiques d'une transaction, le client qui en est à l'origine, son historique comportemental, le contexte géographique et les indicateurs typologiques pertinents — et produit un score de risque numérique représentant la probabilité que la transaction ou le dossier appelle une action de conformité.

Contrairement à une règle binaire (déclenchée / non déclenchée), un score de risque est continu. Une transaction notée 82 sur 100 est signalée comme justifiant presque certainement une investigation. Une transaction notée 31 est presque certainement légitime, mais elle est journalisée par souci d'exhaustivité. Une transaction notée 56 se situe dans la zone grise où le jugement humain apporte le plus de valeur.

Différence entre règles de surveillance des transactions et moteurs de notation des risques

Les règles de surveillance des transactions posent des questions binaires : « Cette transaction a-t-elle dépassé 500 000 KES ? » « Ce client a-t-il effectué plus de 10 transactions aujourd'hui ? » « Ce compte a-t-il reçu des fonds d'une juridiction à haut risque ? » Chaque question appelle un oui ou un non. Lorsque la réponse est oui, une alerte est générée.

Un moteur de notation des risques demande : « Compte tenu de tout ce que nous savons de cette transaction, de ce client, de ce canal, de ce moment et de ce schéma, à quel point est-ce suspect ? » Il agrège de multiples signaux faibles en une seule évaluation chiffrée. Une transaction qui dépasse à peine un seuil dans un contexte client normal obtient un score faible. Le même montant, provenant d'un compte ouvert il y a trois semaines, traité par l'intermédiaire d'un agent en zone rurale à une heure inhabituelle, selon un schéma qui ressemble à du fractionnement, obtient un score bien plus élevé.

La force de la notation des risques est de pouvoir repérer des schémas suspects qui, pris isolément, ne déclencheraient aucune règle, mais qui, ensemble, constituent un signal fort.

Facteurs d'entrée de la notation des risques

Les moteurs de notation des risques s'appuient sur quatre catégories de données d'entrée :

Données de transaction : montant, devise, type, canal, moment, contrepartie, lieu d'origine et fréquence sur la période en cours.

Données du profil client : ancienneté du compte, niveau KYC (connaissance du client), catégorie professionnelle, revenu déclaré ou chiffre d'affaires de l'entreprise, référentiel historique des transactions, STR antérieures, statut de personne politiquement exposée (PPE) et signalements d'informations négatives dans les médias.

Données géographiques : classification du risque pays des contreparties, risque lié à l'emplacement de l'agence ou de l'agent, et schémas de transactions transfrontalières.

Analyse comportementale : écart par rapport au propre historique transactionnel du client (détection statistique des anomalies), variations de vélocité, changements de canal et détection des schémas de fractionnement.

---

Architecture des facteurs de risque pondérés

Catégories de facteurs de risque

Un moteur de notation des risques bien conçu organise ses facteurs d'entrée en catégories pondérées, chacune représentant une dimension du risque LBC/FT :

Le risque transactionnel porte sur la nature de la transaction elle-même : son montant au regard du profil du client, le type de transaction (les espèces présentent un risque plus élevé que les opérations électroniques) et le canal utilisé.

Le risque client porte sur la personne qui effectue la transaction : statut de PPE, appartenance à un secteur à haut risque (entreprises de services monétaires, bijoutiers, concessionnaires automobiles), ancienneté du compte et antécédents en matière de conformité.

Le risque géographique porte sur la provenance et la destination des fonds : implication d'un pays à haut risque ou inscrit sur la liste grise du FATF, transactions sur des corridors à haut risque et risque lié à l'emplacement de l'agent.

Le risque comportemental consiste à déterminer si le schéma d'activité est anormal pour ce client précis : s'agit-il d'un pic soudain d'activité ? D'un changement de type de transaction ? D'un schéma qui correspond à des typologies connues, comme le fractionnement ou l'empilage ?

Attribution et calibrage des pondérations

Les pondérations sont attribuées en fonction du pouvoir prédictif relatif de chaque facteur pour la clientèle et le modèle économique propres à l'institution. Les pondérations initiales s'appuient généralement sur les orientations typologiques du FATF, les rapports de renseignement régionaux et l'historique des STR de l'institution elle-même : quels facteurs étaient systématiquement présents dans les dossiers qui ont donné lieu à une STR ?

Le calibrage est un processus continu. Après le déploiement initial, le moteur de notation des risques doit être évalué chaque trimestre : quel pourcentage des alertes à score élevé a donné lieu à une STR ? Quel pourcentage des alertes à faible score s'est révélé suspect par la suite ? Si les alertes à score élevé sont rarement fondées, il faut revoir à la baisse les pondérations des facteurs de notation dominants. Si les alertes à faible score se révèlent souvent suspectes par la suite, c'est qu'il manque un facteur au modèle.

Tranches de seuil : ESCALATE / REVIEW / IGNORE

Ces tranches sont paramétrables par institution et doivent être calibrées en fonction de la capacité de l'institution, de son appétence pour le risque et de ses taux historiques de faux positifs. Une institution dotée d'une équipe conformité étoffée et expérimentée peut fixer un seuil ESCALATE plus bas pour capter davantage de cas potentiels. Une institution plus petite, aux capacités limitées, peut fixer un seuil plus élevé pour se concentrer uniquement sur les cas les plus nets.

Normalisation des scores

Tous les scores bruts des facteurs de risque sont normalisés sur une échelle de 0 à 100 avant d'être combinés. On évite ainsi qu'un facteur ne domine le score composite simplement parce que sa valeur brute relève d'un autre ordre de grandeur. La combinaison pondérée des scores normalisés des facteurs produit le score composite, lui aussi sur une échelle de 0 à 100, qui correspond directement aux tranches de seuil ci-dessus.

Tableau de notation des facteurs de risque

---

Comment les scores de risque déterminent les recommandations de STR

Score de 75 ou plus : ESCALATE

Lorsqu'un score de risque composite atteint 75 ou plus, le moteur génère une recommandation automatique de STR. Cela ne signifie pas qu'une STR est transmise automatiquement : un dossier de STR prérempli est créé dans le système de gestion des dossiers, attribué à un responsable de la conformité et signalé comme investigation prioritaire. Le dossier contient toutes les données justificatives qui ont contribué au score : les transactions concernées, le profil du client, les scores des facteurs et les codes d'indicateurs suggérés, issus de la bibliothèque typologique de la CRF.

Le responsable de la conformité examine le dossier prérempli, ajoute le contexte que le système ne peut pas connaître (historique de la relation client, échanges récents, pièces justificatives), prend la décision finale de déclarer ou non, puis approuve la transmission de la STR ou clôture le dossier en consignant sa motivation.

Score de 50 à 74 : REVIEW

Les dossiers de la tranche REVIEW sont affectés à la file de conformité pour une investigation humaine, avec une priorité normale et non élevée. Ce sont les dossiers dans lesquels les éléments sont contrastés et où le jugement professionnel apporte le plus de valeur. Le rapport de notation des risques explique quels facteurs ont contribué au score et pourquoi, ce qui permet au responsable de la conformité de mener une investigation ciblée sur les zones où le signal est le plus fort, plutôt que de passer au crible, sans distinction, toutes les données disponibles.

Score inférieur à 50 : IGNORE ou MONITOR

Les alertes à faible score sont résolues automatiquement, sans investigation manuelle. Un enregistrement d'audit est conservé pour chaque alerte, avec son score, les facteurs qui l'ont déterminé et la décision de résolution automatique. Cette piste d'audit est essentielle à deux titres : démontrer aux régulateurs que l'institution dispose d'un processus systématique et documenté de traitement des alertes, et permettre une analyse rétrospective lorsqu'un client devient ultérieurement à haut risque (les alertes antérieures fournissent alors un contexte).

L'humain dans la boucle : la technologie recommande, l'humain décide

Un système de notation des risques bien conçu n'est absolument pas un système de déclaration automatique. Aucune STR n'est jamais transmise à la CRF sans qu'un responsable de la conformité qualifié ait examiné le dossier et jugé, en professionnel, que la transaction ou le schéma est suspect. La technologie resserre le champ et hiérarchise le travail. L'humain prend la décision de conformité.

Cette distinction compte, juridiquement comme en pratique. Le responsable de la conformité qui valide une STR atteste qu'il a examiné les éléments et s'est forgé la conviction professionnelle que l'activité doit être déclarée. Aucun système automatisé ne peut se substituer à ce jugement professionnel. Ce que l'automatisation peut faire, c'est garantir que le temps du responsable est consacré aux dossiers qui requièrent réellement son attention — et non à documenter que le dépôt mensuel d'espèces du commerçant de marché est, en fait, son dépôt mensuel d'espèces.

---

Calibrer votre moteur de risque pour les typologies d'Afrique de l'Est

Facteurs de risque élevé propres au Kenya

L'Afrique de l'Est présente des schémas typologiques sensiblement différents de ceux que couvrent les jeux de règles des éditeurs internationaux de solutions de surveillance des transactions. Parmi les principaux facteurs de risque propres au Kenya qui doivent être pondérés explicitement dans le moteur de notation figurent :

Empilage via mobile money : un schéma consistant à recevoir de multiples petits paiements M-PESA de différents expéditeurs, chacun anodin en soi, dont le cumul dépasse de loin n'importe quel paiement pris isolément, le tout suivi d'un dépôt bancaire ou d'un virement RTGS. C'est la typologie de fractionnement dominante au Kenya, et elle échappe systématiquement aux systèmes qui traitent les transactions M-PESA et les transactions bancaires comme des flux de données distincts.

Espèces transfrontalières : les transactions en espèces de gros volume dans les villes frontalières (Busia, Malaba, Namanga, Taveta) justifient une notation plus élevée du risque géographique, en particulier pour les clients sans activité commerciale transfrontalière déclarée.

Concentration d'espèces dans le secteur informel : les clients PME kényans des secteurs du commerce informel effectuent légitimement des opérations en espèces à des volumes qui seraient jugés suspects dans d'autres contextes. Le moteur de notation des risques doit tenir compte du secteur d'activité du client : un négociant en céréales d'Eldoret au chiffre d'affaires en espèces élevé n'est pas comparable à un salarié de Nairobi présentant le même schéma de transactions.

Des profils pays qui paramètrent différemment les pondérations

La configuration de notation des risques d'une banque zambienne doit refléter les typologies propres à la Zambie — espèces du secteur minier, flux transfrontaliers avec la RDC et financement du commerce du cuivre —, avec des pondérations différentes de celles d'une banque kényane. Les profils pays du moteur de notation des risques permettent de paramétrer ces pondérations pays par pays sans nécessiter de bases de code distinctes.

Apprentissage automatique ou notation fondée sur des règles

Les moteurs de notation fondés sur des règles, dans lesquels chaque facteur et chaque pondération sont explicitement définis et documentés, constituent l'approche dominante de la conformité LBC/FT en Afrique de l'Est, pour une raison décisive : l'explicabilité. Lorsqu'un régulateur demande pourquoi une transaction donnée a été escaladée comme étant à haut risque, un système de notation fondé sur des règles peut produire une explication complète et auditable : « Le score composite est de 82 en raison des éléments suivants : montant de la transaction égal à 4,2 fois la moyenne du client (élevé, pondération 25 %), pays de la contrepartie inscrit sur la liste grise du FATF (élevé, pondération 20 %), fréquence supérieure de 2,3 écarts-types à la référence (élevé, pondération 20 %). »

Les approches par apprentissage automatique peuvent améliorer la précision prédictive, en particulier pour la reconnaissance de schémas complexes, mais elles posent des problèmes d'explicabilité des modèles. Si le modèle ne peut pas expliquer sa recommandation en des termes qu'un responsable de la conformité et un régulateur peuvent évaluer, la recommandation est sujette à caution sur le plan professionnel comme sur le plan juridique. Pour les institutions qui envisagent une notation enrichie par l'apprentissage automatique, les techniques d'IA explicable (XAI) — en particulier l'attribution de l'importance des variables — sont obligatoires, et non facultatives.

---

L'explicabilité : montrer votre raisonnement aux régulateurs

Chaque score de risque doit être auditable

Les inspecteurs qui mènent des évaluations de l'efficacité des dispositifs LBC/FT demandent désormais couramment aux responsables de la conformité de leur détailler le traitement d'alertes précises. « Ce client a effectué le mois dernier trois transactions signalées comme à haut risque. Montrez-moi comment vous avez statué sur chacune d'elles. » Savoir produire une explication claire et documentée pour chaque traitement d'alerte — pourquoi elle a obtenu ce score, ce que le responsable de la conformité a constaté, quelle décision a été prise et pourquoi — est une compétence centrale d'une conformité LBC/FT efficace.

Les moteurs de notation des risques qui produisent des résultats inexpliqués ou des scores « boîte noire » ne peuvent pas satisfaire à cette exigence. Chaque score doit être accompagné d'une ventilation par facteur montrant la contribution de chaque élément de notation au résultat composite, les valeurs brutes des données qui ont déterminé le score de chaque facteur et la recommandation qui en a découlé.

Exigences relatives à la piste d'audit

La piste d'audit des décisions de notation des risques et de recommandation de STR doit consigner : l'événement déclencheur de l'alerte, le score calculé à ce moment-là (avec sa ventilation par facteur), tout recalcul du score à la suite de nouvelles informations, le responsable de la conformité qui a examiné le dossier, les actions menées, la décision prise, ainsi que la date et l'heure de chaque étape. Cette piste d'audit doit être immuable : une fois écrite, elle ne peut plus être modifiée. Elle fait partie des éléments probants de conformité LBC/FT que l'institution présente lors des contrôles réglementaires.

Gestion du risque de modèle pour l'IA et l'apprentissage automatique

Les institutions qui déploient une notation des risques statistique ou fondée sur l'apprentissage automatique doivent lui appliquer une discipline de gestion du risque de modèle, et s'attendre à ce que les inspecteurs en demandent la preuve. Cela suppose une gouvernance des modèles documentée, comprenant : la documentation de conception du modèle, les résultats des tests de validation, le suivi continu des performances, les processus de gestion des changements et des procédures de repli en cas de défaillance du modèle. L'équipe conformité et la fonction de gestion des risques doivent porter conjointement le cadre de gouvernance des modèles — pas seulement l'équipe informatique qui a construit le modèle.

---

Le retour sur investissement de l'automatisation de la notation des risques

Réduction des faux positifs

Un moteur de notation des risques bien calibré réduit la charge d'investigation des faux positifs sans réduire la couverture. Cela ne signifie pas que le système génère moins d'alertes, mais que moins d'alertes exigent une investigation manuelle, parce que le moteur de notation résout automatiquement les cas manifestement à faible risque. La file d'investigation de l'équipe conformité se réduit, tandis que la couverture des alertes réellement à haut risque s'améliore. L'ampleur de cette réduction dépend de la composition de vos alertes et du calibrage des seuils : mesurez-la donc par rapport à votre propre situation de référence.

Un tri plus rapide des STR

Dans un processus d'investigation manuelle des alertes, le délai entre la génération de l'alerte et la décision de transmettre ou non une STR va de plusieurs jours à plusieurs semaines, selon la complexité de l'investigation et la capacité de l'équipe conformité. Avec la notation des risques et le préremplissage des dossiers, l'étape de tri — « cela mérite-t-il une investigation complète ? » — se fait automatiquement. Pour les alertes à score élevé qui justifient clairement une investigation, le responsable de la conformité part d'un dossier structuré, de données préremplies et d'un jeu de codes d'indicateurs suggérés. Le délai entre l'alerte et le projet de STR passe de plusieurs jours à quelques heures.

La capacité des responsables de la conformité

La réduction des faux positifs, combinée à un tri plus rapide, accroît de fait la capacité de l'équipe conformité sans augmenter les effectifs. Une équipe de trois responsables de la conformité qui traite des centaines d'alertes par mois, en majorité des faux positifs, consacre l'essentiel de son temps à du bruit. La même équipe, lorsque la notation des risques ne laisse dans sa file d'investigation que les cas réellement ambigus, peut mener des investigations plus approfondies, rédiger de meilleurs exposés des faits dans ses STR et nouer des relations plus solides avec la CRF — les activités qui apportent une réelle valeur en matière de conformité.

---

Passez à l'étape suivante

La plateforme de déclaration goAML de Creodata comprend un moteur de notation des risques entièrement intégré, calibré pour les typologies d'Afrique de l'Est. La notation pondérée des facteurs de risque transactionnels, clients, géographiques et comportementaux alimente des recommandations automatiques de STR, avec des pistes d'audit complètes et une explicabilité au niveau de chaque facteur — pour donner à votre équipe conformité les éléments dont elle a besoin pour se concentrer sur l'essentiel.

Découvrez le moteur de notation des risques lors d'une démonstration en direct : Demander une démo sur creodata.com/demo