法国巴黎银行个人金融利用 Neo4j 将欺诈减少 20%

分期付款服务使消费者能够将付款分摊到未来的三到四期。不幸的是，这些类型的付款往往会吸引大量欺诈者——这些人通过欺骗性地申请信贷，操纵或隐瞒个人详细信息，以掩盖其真实身份和从不支付余额的意图。

“欺诈者和欺诈团伙在许多不同的信用申请中重复使用信息，”法国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，“他们还经常在许多不同的申请中更改这些信息，以规避当前的规则和黑名单。”

法国巴黎银行个人金融拥有超过80万份申请和85家零售商依赖安全的支付和交易，因此强大的反欺诈工具对其庞大的客户群至关重要。法国巴黎银行个人金融在初步概念验证（POC）后，选择 Neo4j 的图数据库来加强其欺诈框架，以开发一个额外的欺诈检测系统，该系统可以克服精明欺诈者使用的特定信息组合策略。

与 Neo4j 紧密合作，为成功铺平道路

关系型数据库可以支持黑名单检查和速度规则来识别用户并评估其行为，但在实时海量关联数据中揭示关键关系方面却力不从心。

Barchouchi 说：“为了创建一个有效的欺诈检测系统，我们需要在消费者的信用申请和各种数据之间建立联系，即使这些连接没有共享共同信息。实时评分决策——批准或转介申请——对于即时客户响应至关重要。”

传统的RDBMS（关系型数据库）根本无法满足这些需求。它们虽然非常适合传统的 SQL 查询，但却缺乏遍历数据中更深层次关系的能力。检测这些关系需要多次连接（JOIN），这将导致性能瓶颈以及成本高昂的处理和网络开销。

Barchouchi 解释道：“随着数据库总规模的增长，整体复杂度和查询时间将显著增加。尤其是在连接点呈指数级增长以及我们需要探索的关系深度不断增加的情况下。”

通过实时评分决策开发成功的欺诈检测模型

法国巴黎银行个人金融选择了 Neo4j 及其 Neo4j Enterprise 图数据库系统。双方就初步概念验证 (POC) 进行了密切合作，以证明新欺诈检测系统的可行性。

Barchouchi 回忆道：“当我们最初启动试点项目时，我们并不知道如何从传统的关联数据库过渡到图数据库。Neo4j 团队发挥了关键作用，深入参与了我们初始数据模型的构建，并开发了新的查询，以计算出最佳欺诈指标，用于未来在整个数据库中的部署。”

法国巴黎银行个人金融利用图驱动的欺诈检测将欺诈减少 20%

结果如何？一个非常强大的检测模型，能够抵御几乎所有的欺诈者网络。通过 Neo4j，法国巴黎银行个人金融以最大 2 秒的延迟增强了其自动化欺诈检测流程。

现在，来自信用申请的新数据直接集成到图数据库中，并在几毫秒内快速比较所有历史请求。随着集群和关系的出现，系统利用 Neo4j 中的相似性链接识别潜在的欺诈信号。

法国巴黎银行个人金融设计了一个欺诈检测评分模型，用于评估所有申请并识别风险最高的申请：“我们创建了一个机器学习模型，它将从 Neo4j 图数据库中提取的各种嵌入作为输入，”法国巴黎银行个人金融中央风险评分中心的数据科学家 Julie Cavarroc 说。

“借助 Neo4j，我们对每个消费者的申请都有了更清晰的了解，”Julie 解释道。“广阔的数据背景使我们能够识别复杂的模式，甚至发现与已知欺诈者的关联。所有这些都为我们的欺诈检测和预防带来了强大的优势。”

这种方法只拒绝了总申请量中非常小的一部分，但却使总欺诈减少了20%。这一胜利强调了法国巴黎银行个人金融能够阻止高程度的欺诈——这些欺诈在过去可能未被发现——同时不筛选掉有效申请，以保持尽可能高的贷款量。

Neo4j 的未来

在持续的进程中，法国巴黎银行个人金融致力于完善和改进其图数据模型和欺诈检测分数，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成果，”他说。“我们与 Neo4j 的全部合作经验帮助我们开发了成功欺诈检测系统的组件，并达到了我们的预期。”

联系我们

对图驱动的解决方案能为您的业务带来哪些洞察感到好奇吗？ 联系我们——我们将与您取得联系。