法国巴黎银行个人金融专门从事通过消费信贷和分期付款服务进行零售融资，而预防欺诈者是他们工作的重中之重。

虽然分期付款服务使消费者能够按需预支未来的财富，通过三到四期分期付款便捷的完成当前的消费。但是，这些类型的付款往往也会吸引一群欺诈者：他们欺骗性地申请信贷、操纵或隐瞒个人细节以掩盖其真实身份并永不还款。

法国巴黎银行个人金融法国风险部创新数据和工具负责人 Mehdi Barchouchi 说：“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。”“他们还经常在许多不同的应用程序上更改这些信息，以规避当前规则和黑名单。”

拥有超过 80 万个应用程序和 85 家零售商对于安全支付和交易的依赖和信任，强大的反欺诈工具对法国巴黎银行个人金融的广泛客户群至关重要。

法国巴黎银行个人金融公司选择了 Neo4j 的图数据库，在初步概念验证（POC）后加强其欺诈框架，以便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。

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重要关系方面步履蹒跚。

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，即使这些连接不共享共同信息。”“实时评分决策，批准或推荐应用程序，对客户即时响应至关重要。”

传统的关系数据库根本无法满足这些需求。非常适合传统的 SQL 查询，它们缺乏在数据中遍历更深层次关系的能力。需要多个连接来检测这些关系，导致性能瓶颈和成本高昂的处理和网络开销。

Barchouchi 解释说：“随着数据库总规模的增长，整体复杂性和查询时间将显著增加。”“特别是指数级更多的连接点和我们需要探索的关系的深度。”

BNP Paribas Personal Finance 选择了 Neo4j 及其 Neo4j 企业图形数据库系统。双方在初步概念验证（POC）上密切合作，以证明新的欺诈检测系统的可行性。

Barchouchi 回忆说：“当我们刚开始试点时，我们不知道如何从传统的关系数据库过渡到图形数据库。”“ Neo4j 团队发挥了关键作用，深入参与制定我们的首次数据模型和开发新的查询，以计算未来在整个数据库中部署的最佳欺诈指标。”

一个非常有效的检测模型，可以抵御几乎所有的欺诈者网络。借助 Neo4j，法国巴黎银行个人金融以 2 秒的最大延迟加强了其自动欺诈检测流程。

现在，来自信用应用程序的新数据直接集成到图形数据库中，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，系统使用 Neo4j 中的相似性链接识别潜在的欺诈信号。

BNP Paribas 个人金融设计了一个欺诈检测评分模型，以评估所有应用程序并参考风险最大的应用程序：“我们创建了一个机器学习模型，将来自 Neo4j 图形数据库的各种嵌入作为输入，” BNPP PF 中央风险评分中心的数据科学家 Julie Cavarroc 说。

Julie 解释说：“有了 Neo4j，我们可以更好地了解每个消费者的应用程序。”“广阔的数据上下文使我们能够识别复杂的模式，甚至发现与已知欺诈者的联系。所有这些都使我们在欺诈检测和预防方面具有强大的优势。”

这种方法只拒绝了总申请的一小部分，但使总欺诈大幅减少了 20%。这场胜利凸显了法国巴黎银行个人金融公司有能力挫败过去可能未被发现的高度欺诈，而无需过滤掉有效申请以保持尽可能高的贷款量。

“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，该模型符合我们的期望。这是一个双赢卓有成效的伙伴关系。

——法国巴黎银行个人金融法国风险部创新数据和工具负责人，Mehdi Barchouchi”

法国巴黎银行个人财务持续致力于完善和改进其图表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。他说：“我们过去的数据库不可能提供这些结果。”“我们对 Neo4j 的整个经验帮助我们开发了符合我们期望的成功欺诈检测系统的组件。”