Approche graph vs data mining : quel outil pour détecter la fraude publique en réseau ?

Face à la fraude publique organisée, le débat n’est plus « faut-il outiller ses équipes ? » mais « avec quel modèle d’analyse ? » L’approche graph vs data mining est au cœur de cette question pour de nombreuses directions fraude et fonctions data des organismes publics. Ces deux approches ne s’opposent pas : elles répondent à des natures de fraude différentes. Le data mining excelle dans la détection des anomalies individuelles. L’approche graph révèle les réseaux organisés qui opèrent précisément sous les seuils du data mining. Cet article compare leurs logiques, leurs forces respectives et les conditions dans lesquelles les combiner produit les meilleurs résultats de détection. 

Ce que le data mining détecte bien : les anomalies individuelles

Le data mining est aujourd’hui l’outil de référence dans la plupart des organismes publics qui ont structuré leur démarche de lutte contre la fraude. Son fonctionnement repose sur l’analyse statistique de variables individuelles : un montant inhabituel, une fréquence atypique, un profil incohérent avec les données déclarées. Ces outils sont performants sur ce qu’ils ont été conçus pour faire : signaler les dossiers qui s’écartent de la norme. 

Dans un contexte de fraude individuelle non organisée, le data mining est efficace. Il permet de cibler les contrôles, de réduire les faux positifs sur des périmètres bien définis et de scorer les dossiers selon leur niveau de risque. Les équipes qui l’utilisent bien obtiennent des résultats réels, mesurables, défendables. 

Le problème n’est pas le data mining. C’est la nature de la fraude qui a changé. 

Ce que le data mining ne voit pas : les réseaux organisés 

La fraude aux finances publiques s’organise de plus en plus en réseau : prête-noms, sociétés écrans, coordonnées bancaires partagées entre dizaines d’entités, flux financiers distribués pour rester sous les seuils de détection. Ces schémas sont construits précisément pour être invisibles à une analyse dossier par dossier. 

Concrètement : un individu sans antécédent présente un profil parfaitement normal au regard des critères de scoring. Son score de risque est bas. Aucune anomalie n’est détectée. Mais ce même individu partage un RIB avec d’autres bénéficiaires, une adresse avec d’autres entreprises, une IP avec d’autres demandeurs. L’analyse individuelle ne voit rien. L’analyse des relations entre entités révèle un réseau. 

C’est le point de rupture fondamental entre les deux approches : le data mining analyse des valeurs, l’approche graph analyse des relations. 

Comment fonctionne l’approche graph pour la détection de fraude publique

L’approche graph consiste à représenter les données non plus sous forme de tableaux, mais comme un réseau de nœuds et de liens. Chaque entité, individu, foyer, entreprise, compte bancaire, adresse, IP, devient un nœud. Chaque relation entre ces entités devient un lien. Le graph visualise ainsi la structure complète des connexions entre les données, quelle que soit leur source d’origine. 

Une fois ce réseau construit, trois familles d’algorithmes entrent en jeu : 

• La détection de communautés (algorithmes de type Louvain ou WCC) identifie automatiquement les groupes d’entités fortement connectées. Un ensemble d’individus partageant des coordonnées communes, même sans lien déclaré, forme une communauté visible dans le graph. 
• Les métriques de centralité calculent l’importance de chaque nœud dans le réseau. Un individu très connecté à des entités déjà signalées se voit attribuer un score de risque élevé, même s’il n’a jamais été contrôlé individuellement. 
• Les algorithmes de similarité repèrent les entités proches de réseaux connus, même sans lien direct. Ils permettent d’étendre automatiquement le périmètre de surveillance aux entités connexes. 

Ces algorithmes s’appliquent sur vos données existantes. Pas besoin de nouvelles sources : il s’agit de changer la façon de les regarder. 

Graph et data mining : comment les combiner efficacement

L’approche graph ne remplace pas le data mining. Elle le complète sur le périmètre où il est le moins efficace : la détection des fraudes organisées en réseau. 

En pratique, les dispositifs les plus performants combinent les deux couches. Le data mining continue de scorer les dossiers individuels et de signaler les anomalies classiques. L’approche graph prend en charge la modélisation des relations et la détection des communautés. Les deux sorties s’alimentent mutuellement : un dossier signalé par le data mining peut être enrichi par le graph, qui révèle son appartenance à un réseau. Un nœud identifié par le graph comme central dans une communauté à risque peut déclencher une analyse data mining approfondie sur les entités qui lui sont connectées. 

La valeur de l’accompagnement BAW est précisément de structurer cette complémentarité : définir avec vos équipes métier fraude quel outil répond à quel besoin, sur quel périmètre, avec quels algorithmes paramétrés selon vos schémas de fraude spécifiques. 

Quand passer à l’approche graph : les 3 conditions déclenchantes

Tous les organismes n’ont pas le même niveau d’urgence sur le sujet. Trois conditions signalent qu’un organisme est prêt à engager un accompagnement graph : 

• Son data mining produit des résultats satisfaisants sur les fraudes individuelles, mais les équipes détectent des schémas de fraude coordonnée que les outils actuels ne captent pas. 
• Les investigations manuelles sur les fraudes en réseau (rapprochement de RIB, d’adresses, de flux) mobilisent un temps d’investigation disproportionné par rapport aux résultats obtenus. 
• Les brigades de vérification n’ont pas de liste hiérarchisée des dossiers à prioriser en fonction de leur appartenance probable à un réseau : elles travaillent sur des volumes, pas sur des priorités. 

Si ces trois conditions sont réunies, le retour sur accompagnement d’un projet graph est rapide. Les premiers résultats — premières communautés de fraude modélisées, premières listes de dossiers priorisées — sont visibles en 4 à 6 semaines de MVP. 

Point de vue de l’expert Business At Work

« Ce qui distingue l’approche graph, ce n’est pas sa sophistication technique. C’est qu’elle pose une question que le data mining ne pose jamais : avec qui cet acteur est-il connecté ? Cette question change tout. Elle déplace l’investigation de l’individu vers le réseau, et c’est là que les fraudes organisées deviennent visibles. Notre rôle chez BAW est de faire le lien entre cette logique et la connaissance métier de vos équipes fraude, parce que sans cette expertise terrain, les algorithmes tournent dans le vide. » 

Fabienne Larose Expert Consultante BAW _Practice Secteur Public | Groupe Mantu 

FAQ: Les questions que se posent les directions fraude 

Pour aller plus loin 

Vous souhaitez approfondir le sujet ? 2 ressources pour aller plus loin : 

→ Évaluez votre dispositif en 6 minutes : notre test de maturité vous donne un score personnalisé et vos angles morts identifiés : Faire le test

→ Découvrez notre offre d’accompagnement : de la phase de cadrage à l’industrialisation, la méthode BAW en 3 étapes pour un premier dispositif graph opérationnel en 3 mois: Voir l’offre

À propos de Business At Work

Business At Work accompagne les organismes publics dans leurs projets de transformation data et de modernisation de leurs systèmes d’information. Sur le sujet de la détection de fraude publique, nos consultants combinent une maîtrise technique de la solution Neo4j et une connaissance approfondie des enjeux de recouvrement forcé et de lutte contre la fraude. Nous intervenons sur l’ensemble de la chaîne — du cadrage avec les équipes métier fraude jusqu’à la gouvernance en régime permanent — pour que votre dispositif graph soit opérationnel, conforme et durable. BAW est une entité du Groupe Mantu, présent dans plus de 60 pays avec 12 000+ consultants.
Making IT Work For People.  »