Vos données existent déjà. Nos consultants créent les liens entre elles dans le graph chaque RIB partagé, chaque adresse commune, chaque IP récurrente devient une relation. Une fois le graph construit, les algorithmes de détection de communautés identifient automatiquement les groupes d’acteurs fortement connectés, même si aucun d’entre eux ne présente d’anomalie individuelle. Votre dispositif cesse de chercher des suspects. Il cartographie des réseaux.
Détection de fraude publique : passez de la vision dossier à la vision réseau
Vos enquêteurs travaillent dossier par dossier. Les fraudeurs, eux, opèrent en réseau.
Chaque jour, des réseaux organisés de prête-noms, de sociétés écrans et de coordonnées partagées passent entre les mailles de vos outils. Pas parce que vos équipes manquent de rigueur. Parce que votre dispositif analyse des individus, là où la fraude s’organise en communautés. BAW déploie Neo4j ; la solution de référence en approche graph ; pour transformer cette réalité dans votre organisme public.
En 3 mois, vos brigades travaillent sur des réseaux. Pas sur des dossiers.
Business At Work accompagne les organismes publics dans le déploiement de Neo4j pour la détection de fraude en réseau. Nous intervenons sur l’ensemble de la chaîne ; de la compréhension des enjeux métier fraude à l’industrialisation et la gouvernance ; en combinant des experts Neo4j et des consultants spécialisés dans le recouvrement forcé. En 3 mois, votre organisme visualise ses premiers réseaux de fraudeurs, dispose de listes de dossiers hiérarchisées pour vos brigades de vérification, et peut justifier chaque décision de contrôle devant un magistrat ou la CNIL.
Trois raisons pour lesquelles votre dispositif actuel ne voit pas la fraude en réseau
Ce n’est pas une question de moyens, ni de compétences. Les équipes qui nous sollicitent sont rigoureuses, expérimentées, souvent déjà équipées d’outils de data mining performants. Le problème est ailleurs : leurs outils ont été conçus pour détecter des anomalies individuelles, dans un monde où les fraudeurs agissaient seuls. Ce monde n’existe plus. Aujourd’hui, les fraudes qui coûtent le plus aux finances publiques s’organisent en réseau et un réseau ne se détecte qu‘avec une approche réseau.
Pain Point 1 : La vision dossier par dossier laisse les réseaux invisibles :
Le data mining détecte les anomalies individuelles : un montant inhabituel, une fréquence atypique, un bénéficiaire suspect. Mais lorsque dix individus sans antécédents partagent le même RIB, que vingt entreprises fictives sont déclarées à la même adresse, que des flux financiers circulent entre des entités apparemment sans lien ; votre outil ne voit rien. La fraude organisée n'est pas une anomalie individuelle. C'est un réseau. Et un réseau ne se détecte qu'avec une approche réseau.Pain Point 2 : Le croisement manuel ralentit vos brigades et dilue les priorités:
Vos enquêteurs rapprochent déjà les dossiers à la main : vérification des RIB communs, des adresses partagées, des numéros de téléphone récurrents. C'est long. C'est incomplet. Et cela ne produit pas de liste hiérarchisée : les brigades de vérification travaillent sans savoir si le dossier qu'elles traitent est le plus stratégique. L'approche graph automatise ce rapprochement et produit, en sortie, une liste priorisée par criticité ; les acteurs les plus proches des réseaux de fraude connus en premier.Pain Point 3 : Les décisions de contrôle sont difficiles à justifier :
Dans un contexte de renforcement des exigences de conformité (CNIL, ANSSI, magistrats), une décision de contrôle motivée par « l'algorithme a signalé ce dossier » est juridiquement fragile. L'approche graph produit des décisions explicables par nature : qui partage quel RIB, quelle adresse, quelle IP, quels flux. La chaîne de décision est traçable de la donnée brute à la sanction. Neo4j journalise tout. BAW livre la documentation de gouvernance.
Vous ne savez pas encore si l'approche graph est faite pour votre organisme ?
Avant de lire la suite, faites le point en 6 minutes. Notre test de maturité évalue votre dispositif actuel sur 11 critères clés : vision réseau, croisement de données, priorisation des contrôles, conformité RGPD, gouvernance. Vous repartez avec un score personnalisé, vos angles morts identifiés et une recommandation concrète adaptée à votre niveau.
Aucun prérequis. Aucun engagement. Un résultat immédiatement actionnable.
Prioriser les contrôles : des listes actionnables pour vos brigades de vérification
Détecter un réseau ne suffit pas. Il faut savoir par où commencer. Les métriques de centralité calculent, pour chaque acteur du graph, sa proximité avec les réseaux de fraude connus. En sortie : une liste classée de dossiers, du plus critique au moins critique. Vos brigades de vérification cessent de travailler sur des volumes et commencent à travailler sur des priorités. Chaque décision de contrôle est traçable qui partage quel RIB, quelle adresse, quel flux et justifiable devant un magistrat ou la CNIL.
Une solution conforme et durable
Neo4j intègre nativement la pseudonymisation et le contrôle d’accès par rôles : les identifiants nominaux sont remplacés par des clés techniques, la ré-identification ne se déclenche que lors d’une procédure effective. BAW livre un document de conformité dès la phase de cadrage, incluant la cartographie des flux de données personnelles pour la CNIL et l’ANSSI. Au-delà de la conformité, BAW s’appuie sur les ressources du Groupe Mantu pour mobiliser rapidement les profils techniques Neo4j et les experts sectoriels nécessaires, et garantir la continuité des équipes sur toute la durée du projet.
L'approche graph Neo4j : ce que BAW déploie concrètement
Déployer Neo4j dans un organisme public, ce n’est pas installer un logiciel. C’est faire le lien entre deux mondes qui ne se parlent pas naturellement : la connaissance métier de vos experts fraude d’un côté, les algorithmes de graph de l’autre. C’est ce lien que nos consultants BAW construisent, mission après mission, dans des organismes publics qui ont les données, le savoir-faire terrain et l’urgence d’agir — mais pas encore la méthode pour transformer tout ça en détection de réseaux opérationnelle.
1 méthode en 3 étapes : résultats en 3 mois
Nous n’arrivons pas avec une solution préconstruite. Nous arrivons avec une méthode rodée sur des missions comparables à la vôtre, et nous l’adaptons à votre contexte : vos schémas de fraude, vos données, vos contraintes SI, votre organisation. Chaque étape produit un livrable concret. Chaque livrable est exploitable avant même de passer à la suivante. En 3 mois, votre organisme dispose d’un dispositif graph opérationnel, d’une gouvernance en place et d’équipes formées pour le faire vivre.
Étape 1 : Cadrage et montée en connaissance (2 à 4 semaines)
Ce que nous faisons : Réunion de démarrage (définition des objectifs, des services impliqués, des cas d’usage prioritaires). Ateliers de prise de connaissance des contraintes SI, réglementaires et d’usage. Ateliers métier avec les équipes fraude : formalisation des patterns de fraude cibles et des règles de paramétrage. Validation du périmètre du MVP.
Ce que vous recevez : Document de cadrage du projet ; objectifs, cas d’usage priorisés, contraintes, périmètre MVP.
Étape 2 : MVP ; premières communautés de fraude (4 à 6 semaines)
Ce que nous faisons : Résolution d’entités sur vos données réelles. Premières modélisations en ateliers métier. Paramétrage des algorithmes de communautés et de centralité. Restitution des résultats, visualisation des premières communautés de fraude, évaluation de la pertinence métier.
Ce que vous recevez : Documentation du MVP ; données modélisées, algorithmes paramétrés, premières visualisations de réseaux de fraude, premières listes de dossiers priorisées.
Prérequis côté client : Disponibilité des équipes métier fraude pour les ateliers (véritables porteurs de la connaissance). Pas de prérequis technique pour démarrer le MVP.
Étape 3 : Déploiement, industrialisation et gouvernance (3 à 4 semaines)
Ce que nous faisons : Revue du scope et établissement d’une feuille de route de déploiement. Passage du MVP à l’échelle. Intégration dans les outils existants (interfaces, scoring, gestion de dossiers). Formation des utilisateurs. Définition de la gouvernance cible et mise en place du comité de pilotage. Préparation au run (gestion des incidents, maintenance évolutive).
Ce que vous recevez : Structuration de la gouvernance | Livrables de formation et montée en compétence des équipes internes | Documentation complète pour la chaîne de décision auditables.
De la donnée isolée à la détection de fraudeurs en 3 étapes
Vos données sont déjà là. Ce qui change avec l’approche graph, c’est la façon de les lire. Ce schéma illustre concrètement le chemin parcouru , de la donnée en silo à la détection de réseaux de fraudeurs organisés et ce que chaque étape produit pour vos équipes.
Les bénéfices mesurables de l'approche graph
Un projet graph ne se justifie pas par la technologie qu’il déploie. Il se justifie par ce qu’il change dans vos résultats de détection, dans le travail quotidien de vos brigades et dans votre capacité à rendre compte de vos décisions. Voici ce que nos missions produisent concrètement.
Meilleure détection de la fraude : augmentation des dossiers à risque identifiés ; possibilité de concentrer l'action procédurale sur les cas à fort enjeu financie
Meilleure utilisation des moyens de contrôle : hiérarchisation des priorités et réduction du temps d'investigation par dossier complexe
Politique de risque maîtrisée de bout en bout : chaque décision de contrôle est traçable, justifiable, auditable
Scalabilité : l'offre est transposable à différents patterns (fraude fiscale, sociale, douanière) et à différentes régions, sans refonte
Conformité by design : investiguer sur les comportements suspects sans exposer les données personnelles. Le contrôle granulaire des accès et le respect strict des standards réglementaires (RGPD, CNIL, ANSSI) garantissent que seuls les profils autorisés accèdent aux données nominatives et uniquement lors du déclenchement d'une procédure.
Interopérabilité native : détecter la fraude multiple, sur plusieurs typologies et plusieurs organismes. La solution s'interface facilement avec vos systèmes d'information existants, ce qui permet d'identifier les fraudeurs qui opèrent simultanément sur plusieurs périmètres, fraude fiscale et douanière, ou entre la CNAF, la CNAV et France Travail, sans rupture de traçabilité.
Votre dispositif anti-fraude montre-t-il des signes d'essoufflement ?
11 signaux concrets permettent de le savoir. Nous les avons réunis dans une checklist que les directions fraude et les DSI des organismes publics utilisent pour faire le point avant d’engager un chantier de transformation. Cochez ceux que vous reconnaissez : si vous en identifiez 5 ou plus, votre dispositif laisse probablement passer des fraudes en réseau que vos outils actuels ne voient pas.
Lecture en 3 minutes. Téléchargement immédiat.
Point de vue de
l'expert Business At Work
« Dans la lutte contre la fraude publique, le plus grand danger n’est pas le manque de données ; c’est la façon dont on les regarde. »
J’interviens depuis plusieurs années sur des missions de détection de fraude dans des organismes publics. Chaque fois, je retrouve le même constat : les équipes métier connaissent les schémas, elles ont une intuition précise des patterns qui se cachent dans leurs données. Le problème n’est pas le savoir , c’est l’outil. Le data mining classique leur permet de vérifier des hypothèses sur des dossiers individuels. Mais la fraude organisée d’aujourd’hui , les prête-noms, les sociétés écrans, les réseaux de coordonnées partagées ,ne se voit qu’à l’échelle du réseau.
Ce que l’approche graph change, fondamentalement, c’est la question que l’on pose aux données. On ne demande plus ‘ce dossier est-il suspect ?’ On demande ‘avec qui cet acteur est-il connecté, et que représente ce réseau ?’ C’est un renversement de perspective qui, dans ma pratique, produit des résultats que personne n’attendait : des communautés entières de fraudeurs que personne n’avait explorées, parce qu’aucun dossier individuel ne signalait rien d’anormal.
La méthode BAW ne consiste pas à imposer une solution technique. Elle consiste à formaliser ce que les experts métier savent déjà , et à l’implémenter dans un graph qui le rend visible, actionnable, et justifiable.
FAQ : Ce que les directions fraude nous demandent avant de se lancer
1. Qu'est-ce que l'approche graph pour la détection de fraude publique ?
2. En quoi l'approche graph est-elle différente du data mining classique ?
3. La solution est-elle compatible avec les exigences RGPD et CNIL ?
4. Combien de temps faut-il pour obtenir des premiers résultats ?
5. Faut-il remplacer nos outils existants ?
Parlons de votre dispositif de détection de fraude
Vous avez une question, un projet en tête ou simplement envie d’évaluer ce que l’approche graph changerait dans votre organisme. Renseignez vos coordonnées : Davide Tipaldi ou l’un de nos consultants secteur public vous répond sous 48h, sans engagement.
À propos de Business At Work
Business At Work (BAW) est une entité du Groupe Mantu, groupe international de conseil en transformation (12 000+ consultants, 60+ pays). BAW intervient sur l’ensemble de la chaîne de déploiement des solutions Data & IA dans le secteur public : de la compréhension des enjeux métier à l’industrialisation, en passant par l’implémentation technique et la montée en compétence des équipes.
Sur le sujet de la détection de fraude publique, BAW combine une maîtrise technique de la solution Neo4j et une connaissance approfondie des enjeux de recouvrement forcé et de lutte contre la fraude, pour faire le lien entre les experts métier des organismes publics et l’implémentation dans le graph. Notre posture : accompagner vos équipes pour qu’elles bénéficient des pleine potentialités de l’outil ; sans les remplacer dans leur expertise.
Décryptez les transformations du Secteur Public
Les enjeux du secteur public ne s’arrêtent pas à la fraude. Transformation numérique, conformité réglementaire, modernisation des SI, gouvernance des données : nos consultants décryptent les sujets qui font l’actualité de vos directions.
Secteur Public
6 mn
08 Avr 2026
Webinar : Facturation électronique : le plan d’action concret pour le Secteur public
La réforme de la facturation électronique est lancée. Le vrai enjeu n’est plus de comprendre, mais d’agir. Ce webinar vous…
Secteur Public
10 mn
18 Nov 2025
Réforme de la Facturation Electronique 2026 dans le Secteur Public : Tout comprendre pour être conforme
La réforme de la facturation électronique 2026 marque une transformation majeure pour les entités publiques, avec de nouvelles obligations dès…
Secteur Public
8 mn
05 Nov 2025
Faire mieux avec moins : le Low Code, levier d’efficacité pour le secteur public
Face à la pression budgétaire et à la complexité croissante des systèmes informatiques, les DSI du secteur public cherchent à…
InfiConnect
5 mn
21 Oct 2025
Mise en production Infinoé 2026 : comment InfiConnect ouvre la voie
La mise en production Infinoé 2026 approche à grands pas. Pour les établissements publics équipés de SAP, le défi est…
Secteur Public
7 mn
24 Sep 2025
Faire mieux avec moins : mettre en place un cadre organisationnel pour piloter le patrimoine public
La gestion du patrimoine immobilier et foncier dans le secteur public est souvent éclatée. Les acteurs sont nombreux. Leurs objectifs…
Secteur Public
6 mn
09 Sep 2025
Profitez pleinement de la réforme de la facturation électronique pour faire mieux avec moins
La situation actuelle dans le secteur public Depuis le 1er janvier 2017, l’ensemble des administrations publiques françaises échangent et reçoivent…
Secteur Public
5 mn
28 Juil 2025
Infinoé 2026 : êtes-vous prêt pour la nouvelle obligation de reporting DGFIP ?
La DGFiP a annoncé la mise en production d’INFINOE à partir du 1er janvier 2026. Quels établissements publics sont concernés…