Comment Oneytrust intègre les graphes dans son arsenal de lutte contre la fraude

Face aux évolutions de la fraude, Oneytrust constate les limites des bases de données relationnelles

Une obligation de moyen qui implique de changer la manière dont Oneytrust modélise ses données. Jusqu’alors, la société s’appuyait uniquement sur des bases relationnelles où les données sont stockées en ligne et en colonnes dans des tables. Des clés servent à lier les tables. « C’est très efficace pour beaucoup de cas d’usage. En revanche, dès lors qu’il faut explorer des relations complexes, cela prend beaucoup de temps, de jointures de table et s’avère coûteux », note le directeur technique.

Dès que les relations étaient indirectes, les experts de la fraude, eux, devaient se prêter à un « exercice d’imagination » pour se figurer un réseau de fraude.

Pour répondre à son besoin d’analyse et aux exigences de quasi-temps réel de ses clients, Oneytrust s’est tourné vers les bases de données orientées graphes. Les données y sont stockées sous forme de nœuds et les relations sont modélisées sous forme d’arêtes, de liens plus ou moins forts entre les nœuds. Des propriétés décrivent les nœuds et la nature de ces relations. Le tout forme un réseau. « C’est une manière assez naturelle de représenter le réel », juge Guillaume Beauventre.

En revanche, la technologie ne remplace pas l’existant. « Nous ne voulions pas une techno qui fasse tout », mentionne-t-il. « Notre approche a toujours été de transformer des données brutes en signaux, ces signaux en informations, et ces informations en décisions. Il faut faire collaborer les technologies les plus pertinentes pour être efficace dans la détection ».

Au début de l’année 2025, Oneytrust a donc exploré les solutions sur le marché à la recherche d’une chaussure à son pied. « Nous avons regardé différentes solutions. Certaines étaient chères ou se limitaient à la visualisation de données », note Guillaume Beauventre. « Pour notre part, nous recherchions des capacités de data science appliquée à la théorie des graphes. Or nous ne disposions pas en interne de l’expertise requise. Notre choix s’est donc porté sur une technologie, mais aussi un partenaire pour accompagner cette montée en compétences ».

Oneytrust a finalement choisi Neo4j et ses services professionnels. Après plusieurs tests, la société a déployé AuraDB, la DbaaS de l’éditeur, ainsi que ses outils Graph Data Science et sa couche de visualisation Bloom, sur Microsoft Azure. AuraDB est alimenté depuis un entrepôt Snowflake, lui-même réceptacle de bases de données PostgreSQL.

« La gestion des pipelines des données est effectivement un sujet, mais le principal enjeu dans ce genre de projet, c’est la mise en place du bon modèle de données », souligne le directeur technique. « Ce fut un long travail d’élaboration, car il fallait que cela corresponde exactement à la façon dont nous gérons la fraude », indique-t-il.

Un travail qui s’est appuyé sur la technologie graphe, ici employée pour trouver des patterns jusque-là difficiles à discerner.

La modélisation de données graphe, un passage obligé

Il fallait choisir le « nœud central » du réseau à modéliser. Serait-ce la transaction ? Le mail ? L’événement ? Le produit ? Ce fut l’objet de débat en interne, mais aussi avec les experts de Neo4j.

« Nous avons mené plusieurs tests afin de déterminer ce qui était le plus pertinent en matière de performance de détection de la fraude et de temps de réponse ».

C’est finalement le courriel qui a été retenu comme centre du modèle de données. Sur le Web, il fait le lien entre les éléments d’identité (adresse IP, la carte bancaire, le numéro de téléphone), la place de marché et son panier.

Les experts de la fraude souhaitaient au départ retrouver l’ensemble des informations déjà présentes dans leur patrimoine de données. Or ce trop-plein noyait le modèle de données. Il était donc nécessaire d’alléger, pour des raisons de performance et de coût, l’itérer aussi.

« Un des points négatifs, c’est qu’une fois qu’on met les données sous forme de graphe, l’on veut tout voir sous forme de graphe », remarque Guillaume Beauventre. « Il a fallu faire des choix ».

Oneytrust a ensuite testé des réseaux de fraude connus afin de voir si le nouveau système pouvait les détecter. Les résultats ont parfois dépassé les attentes des spécialistes. Ils ont pu trouver des profils jusqu’alors inconnus.

De manière contre-intuitive, ils ont pu aller plus loin dans les détections en remontant d’un cran dans le niveau d’information. Avec l’équipe de Neo4j, Oneytrust a mis en place des « macronoeuds ». Par exemple, les experts ne s’intéressent pas seulement au numéro complet de la carte bancaire. Celui-ci peut masquer l’usage d’une carte à usage unique. Les spécialistes représentent aussi le numéro d’identification de l’émetteur (BIN) qui, en combinaison d’autres données, permet d’identifier plus aisément des connexions entre des opérations suspectes et des personnes.

Techniquement, les données tabulaires stockées dans Snowflake sont transformées en paires clés-valeur à l’aide de l'outil DBT. Elles peuvent ensuite être soumises à interrogation avec le langage de requêtes de Neo4j, Cypher. Le système permet une visualisation des transactions en quasi-temps réel depuis Bloom.

Des gains tangibles

Ces neuf mois de travail ont permis de mettre les environnements Neo4j dans les mains d’une dizaine de métiers en novembre 2025. « Nous avons souhaité y aller progressivement », note Guillaume Beauventre. « Le premier cas d’usage, le plus simple, permet de naviguer dans ces données sous forme de graphes. Cela permettait une appropriation des outils par nos experts afin de reconstruire les réseaux de fraude ».

Alors qu’il fallait auparavant plusieurs jours pour constituer ces cartographies, plus que quelques heures suffisent avec Bloom. « Il reste encore à explorer les faux positifs, mais les gains opérationnels sont tangibles », signale le directeur technique.

Les experts peuvent déjà s’appuyer sur ces analyses pour créer de nouvelles règles de détection.

« Cela améliore le dialogue entre les experts fraudes et les data scientists. Ça nous aide aussi à mieux expliquer à nos clients l’ampleur d’un réseau de fraude », ajoute-t-il.

Les dossiers de preuve constitués avec les clients en direction des autorités sont aussi plus solides.

Vers la détection en temps réel des nouveaux réseaux de fraude

Ce n’est pas tout. Les algorithmes graphes (détection de communautés, centralités, détection de réseaux, etc.) sont explorés depuis Graph DS pour affiner la détection de nouveaux réseaux frauduleux. « Nous nous sommes particulièrement concentrés sur les graph attention networks. Ils permettent d’aller plus loin que la simple détection de communautés, en évaluant leur caractère potentiellement frauduleux selon leurs connexions à des signaux de fraude connus », témoigne Guillaume Beauventre.

« Historiquement, la fraude était analysée événement par événement, de manière unitaire. L’intégration des graphes et des réseaux nous permet désormais d’appréhender le sujet comme une structure globale, et non plus isolément ».

Reste à intégrer définitivement les nouveaux signaux dans la pile technologique de la société.

« L’objectif est de déterminer, pour chaque événement, s’il est lié – à un, deux, trois degrés ou plus – à une communauté ou un signal frauduleux », explique le responsable. « Ce signal supplémentaire vient enrichir notre stack de décision, qui combine déjà signaux comportementaux, modèles de machine learning, règles expertes et modèles unitaires, pour aboutir à une décision définitive ».

Il faut produire un résultat en quasi-temps réel tout en s’assurant du juste poids de ce nouveau signal dans la recommandation fournie par Oneytrust. Une affaire de « quelques mois », anticipe le directeur technique.

Ensuite, Oneytrust se penchera sur l’intégration de l’IA générative et agentique dans cette architecture. La société pourrait faire sien un mécanisme GraphRAG afin d’explorer et expliquer ces trouvailles.

« Le véritable changement n’est pas tant l’adoption de la technologie graphe. C'est l’émergence d’une architecture où les données, les relations et l’IA peuvent cohabiter pour produire des résultats plus pertinents, plus rapides, plus efficaces », envisage Guillaume Beauventre. « C’est l’un de nos prochains chantiers ».

Le chemin parcouru jusqu’ici permet déjà à Oneytrust d’identifier plusieurs écueils à éviter. Aux entreprises qui seraient tentées d’adopter les graphes, le directeur technique fournit trois grands conseils : réfléchir sur le modèle de données avant de se lancer, y aller progressivement et intégrer rapidement l’aspect FinOps. « Ces outils sont assez puissants, ils réclament des ressources de calcul et cela nécessite de piloter finement son budget », conclut-il.