Services financiers Scénario d'usage

Détection de fraude en temps réel par analyse de graphe et machine learning

Détecter la fraude au paiement en temps réel avec une base de données graphe et le machine learning, avec moins de faux positifs.

Décrire votre projet Voir la solution

Aperçu du projet

Ce scénario illustre ce que nous construisons ; il ne s'agit pas d'une référence client.

Ce scénario montre comment une plateforme de paiement peut remplacer des règles statiques par une analyse en temps réel. Le machine learning et une base de données graphe repèrent les schémas de fraude organisés, tout en bloquant moins de transactions légitimes.

Défis du client & exigences

Une fintech de paiement voit augmenter les tentatives de fraude élaborées (fraude à la carte, prise de contrôle de compte).

Ses règles statiques génèrent beaucoup de faux positifs : des transactions légitimes sont bloquées et les utilisateurs sont pénalisés.

Objectifs principaux

Détecter les schémas de fraude complexes et coordonnés en temps réel

Réduire les pertes financières dues à la fraude

Diminuer les faux positifs pour ne pas pénaliser les clients légitimes

Fournir aux analystes des outils pour investiguer les cas suspects efficacement

Solution du projet

La solution repose sur une architecture de streaming capable de scorer chaque transaction en quelques millisecondes. Les événements sont ingérés via Kafka et traités avec Spark streaming.
Les transactions sont modélisées dans une base de données graphe (Neo4j) pour repérer vite les liens suspects entre comptes, appareils et cartes. Un modèle de machine learning calcule un score de risque pour chaque transaction.

Indicateurs à suivre

Montant des pertes liées à la fraude
Taux de faux positifs
Nouveaux schémas de fraude détectés
Temps moyen d'investigation par dossier

Stack technique

Streaming: Apache Kafka Spark streaming
Base de données graphe: Neo4j
Data Science: Python Scikit-learn XGBoost
Cache: Redis
Infrastructure: Kubernetes Docker

Questions fréquentes

Les bases de données graphe comme Neo4j sont faites pour repérer des connexions cachées entre entités (comptes, appareils, cartes). Elles identifient rapidement des réseaux de fraude coordonnés que les bases relationnelles classiques détectent mal.

Le système est conçu pour évaluer chaque transaction avant sa validation, en quelques millisecondes. Les transactions frauduleuses sont bloquées en temps réel, sans ralentir les clients légitimes.

Le modèle de machine learning est ré-entraîné régulièrement avec les dernières données. L'approche par graphe repère aussi des schémas anormaux jamais vus auparavant, ce qui protège contre les nouvelles techniques de fraude.