Détection de fraudes – Approche graphe

Client Octopeek

Equipe

• Chef de projet (LCL)
• Data Engineer (Octopeek)
• Architecte data et technique (Octopeek)
• Business Analyst (prestataire externe)

Cas d’usage

Certains clients d’une banque sont tous victimes d’une même escroquerie. Leur carte bancaire a été utilisée frauduleusement pendant plusieurs mois pour l’achat de morceaux de musique en ligne à 0,99 €.
La faible valeur des achats a fait que beaucoup d’entre eux ne se sont pas aperçus immédiatement de la fraude. A présent ils se disent qu’il y a aucune chance de pouvoir identifier le(s) coupable(s).
L’approche « graphe » permet de mettre en évidence des relations jusqu’à présent invisibles entres des données souvent silotées dans des bases distinctes. Dans notre exemple, une investigation de ce type a pu mettre en évidence que toutes les victimes avaient effectué des achats dans le même magasin, et un recoupement des horaires de ces achats dans le temps a permis d’identifier un vendeur bien précis.

Approche

Les techniques de fraude évoluent en permanence et mettent en œuvre des modèles de plus en plus complexes faisant intervenir plusieurs niveaux d’indirection afin de tenter de passer inaperçus. Le modèle de données relationnelles utilisé aujourd’hui par les banques rend toute investigation sur ce type de fraude fastidieuse. Il faut arriver à croiser des données provenant de plusieurs bases tout en remontant les chaînes de relations entre les tables.
Afin de relever ce défi, LCL a mis en oeuvre une approche à deux niveaux :
Le recours à une base de données graphe, en l’occurrence Neo4j afin de modéliser l’ensemble des données d’opérations financières sous formes de nœuds interconnectés : par exemple, déterminer si un fraudeur est connecté à des clients par le biais d’adresses IP, électronique, ou postale, ce qui était le cas de l’exemple cité plus haut. L’enjeu ici est dans la modélisation des données sous forme de graphes.
L’utilisation de Linkurious, une application web s’interfaçant à Neo4j et permettant au métier de visualiser ces graphes de les explorer afin de mettre à jour les interactions cachés, et d’une prise en main aisée.

Résultats

Les équipes métiers peuvent de manière autonome interroger facilement les relations et ainsi mettre en évidence des scénarios de fraudes complexes.
Réduction importante du temps nécessaire aux requêtages de données (auparavant cloisonnées) grâce à leur mise à disposition dans un modèle orienté graphe.

Expertise apportée par Octopeek

En plus des sujets techniques, Octopeek a apporté une réflexion autour du modèle de données graphe.