巴黎银行个人金融将欺诈率降低了 20%
“我们与 Neo4j 的合作帮助我们开发了一个成功的欺诈检测模型，该模型满足了我们的期望。这是一个双赢的富有成效的合作关系。”
– Mehdi Barchouchi
巴黎银行个人金融 是银行业巨头巴黎银行集团的子公司，专门从事零售融资，包括消费信贷和分期付款服务，其中发现欺诈者是其使命的重要组成部分。
分期付款服务使消费者能够将付款分成三个或四个未来的分期付款。不幸的是，这些类型的付款往往会吸引大量欺诈者——他们欺骗性地申请信贷，操纵或隐瞒个人信息以掩盖其真实身份和永远不偿还余额的意图。
“欺诈者和欺诈团伙在许多不同的信贷申请中重复使用信息，”巴黎银行个人金融法国风险部门创新数据与工具负责人 Mehdi Barchouchi 解释道。“他们还在许多不同的申请中频繁更改此信息，以规避现行规则和黑名单。”
随着超过 800,000 份申请和 85 家零售商依赖于安全支付和交易，强大的反欺诈工具对于巴黎银行个人金融广泛的客户群至关重要。巴黎银行个人金融在最初的概念验证 (POC) 之后选择 Neo4j 的图数据库来强化其欺诈框架，以支持开发额外的欺诈检测系统，该系统可以克服精明的欺诈者使用的特定信息组合策略。
与 Neo4j 的密切合作为成功铺平了道路
关系数据库可以支持黑名单检查和速度规则，以识别用户并评估其行为，但它在实时发现大量连接数据中的关键关系方面存在不足。
“为了创建一个有效的欺诈检测系统，我们需要建立消费者信贷申请与各种数据之间的联系，即使这些联系没有共享共同的信息，”Barchouchi 说。“实时评分决策——批准或拒绝申请——对于立即的客户响应至关重要。”
传统的 关系数据库 根本无法满足这些需求。它们非常适合传统的 SQL 查询，但缺乏遍历数据中更深层次关系的能力。需要多个连接才能检测到这些关系，从而导致性能瓶颈以及成本高昂的处理和网络开销。
“随着数据库总大小的增长，整体复杂性和查询时间将大幅增加，”Barchouchi 解释说。“尤其是随着连接点的指数级增长以及我们需要探索的关系深度。”
通过实时评分决策开发成功的欺诈检测模型
巴黎银行个人金融选择 Neo4j 及其 Neo4j Enterprise 图数据库系统。双方密切合作，进行了初步的概念验证 (POC)，以证明新欺诈检测系统的可行性。
“当我们首次开始试点时，我们并不知道如何从传统的关联数据库过渡到图数据库，”Barchouchi 回忆道。“Neo4j 团队发挥了关键作用，深度参与了我们初始数据模型的构建和开发新查询，以计算最佳欺诈指标，用于未来部署到我们的整个数据库中。”
巴黎银行个人金融通过图驱动的欺诈检测将欺诈减少了 20%
结果如何？一个非常有效的检测模型，可以抵御几乎所有欺诈者网络。借助 Neo4j，巴黎银行个人金融加强了其自动欺诈检测流程，最大延迟为 2 秒。
现在，来自信贷申请的新数据直接集成到图数据库中，并在毫秒内快速比较所有历史请求。随着集群和关系的出现，该系统使用 Neo4j 中的相似性链接识别潜在的欺诈信号。
巴黎银行个人金融设计了一个欺诈检测评分模型，以评估所有申请并推荐风险最高的申请：“我们创建了一个机器学习模型，该模型以从 Neo4j 图数据库中提取的各种嵌入作为输入，”BNPP PF 评分中心中央风险的数据科学家 Julie Cavarroc 说。
“借助 Neo4j，我们对每个消费者的申请有了更清晰的了解，”Julie 解释说。“广泛的数据上下文使我们能够识别错综复杂的模式，甚至发现与已知欺诈者的关联。所有这些都为我们提供了在欺诈检测和预防方面的强大优势。”
这种方法只拒绝了极少数的申请，但却有效地将总欺诈率降低了 20%。这一胜利突出了巴黎银行个人金融阻止过去可能未被发现的大量欺诈的能力，而不会过滤掉有效的申请，以保持尽可能高的贷款量。
与 Neo4j 的未来
在持续的旅程中，巴黎银行个人金融始终致力于完善和改进其图数据模型及其欺诈检测评分，以跟上欺诈模式的演变。
Julie Cavarroc、Mehdi Barchouchi 和整个团队对与 Neo4j 的合作充满信心。“我们过去的数据库无法实现这些结果，”他说。“我们与 Neo4j 的整个体验帮助我们开发了一个成功欺诈检测系统的组件，这些组件满足了我们的期望。”
联系我们
想知道使用图驱动的解决方案可以为您的业务解锁哪些见解吗？让我们聊聊 - 联系我们，我们会尽快与您联系。
