Les services de paiement fractionné, qui permettent d'étaler un paiement en trois ou quatre fois, sont fréquemment visés par des réseaux de fraudeurs. Pour améliorer la détection de dossiers de fraudes, les banques misent sur des solutions toujours plus innovantes. C’est dans cette optique que BNP Paribas mise sur l'usage d'une base de données en graphes, Neo4j.
Comment Neo4j aide BNP Paribas ?
BNP Paribas Personal Finance a mis en place une base de données en graphes, pour détecter des relations entre dossiers de payement fractionné, car les bases de données relationnelles classiques étaient insuffisantes.
De ce fait, le potentiel de Neo4j a été retenu et un pilote a été lancé en 2020 avec un jeu de données réduit. Alors, l’équipe a créé un modèle de données en graphes à partir de données tabulaires, puis l’a affiné progressivement en utilisant des algorithmes de machine learning pour arriver au modèle voulu.
Jusqu’en 2022, le système fut constamment amélioré pour pouvoir répondre à un besoin de gestion en temps réel. Désormais, les données de chaque dossier arrivent directement dans la base de données et sont comparées avec tous les autres, en seulement quelques secondes.
UNE CARRIÈRE DANS LA DATA VOUS TEND LES BRAS !
Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez nos formations en Data Science.
Participer à votre première formation data gratuitement !
Assistez aux cours dispensés en live par nos formateurs pour démarrer sur Python, SQL, Power BI…
UNE CARRIÈRE DANS LA DATA VOUS TEND LES BRAS !
Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ?
Participer à votre première formation data gratuitement !
Quels sont les résultats de cette solution ?
Une fois les groupements identifiés, l’équipe utilise les liens de similarité de Neo4j pour trouver des marqueurs potentiels de fraude. De plus, le but est de minimiser les faux positifs et de comprendre le chemin qui a conduit à un score de risque frauduleux élevé. L’équipe s’assure également que le modèle ne contient pas de biais discriminants.
L’usage d’une telle technologie est une première pour l’équipe de BNP Paribas Personal Finance, et elle ne sera pas la seule banque à faire usage de la Data Science dans les années à venir. C’est d’ailleurs déjà le cas d’Orange Bank, menant un projet ambitieux avec DataScientest.
De nombreuses collaborations entre entreprises et organismes de formation sont amenées à voir le jour. Notamment, BioNTech rachetant InstaDeep ou encore Microsoft et OpenAI s’associant pour améliorer Bing. C’est pourquoi, si cet article vous a plu, et si vous envisagez une carrière dans la Data Science, n’hésitez pas à découvrir nos offres de formations sur DataScientest.
Source : group.bnpparibas
