Chaque jour, BNP Paribas Personal Finance (BNPP PF) reçoit des milliers de demandes de paiement fractionné, traitées en quelques secondes. Cette rapidité fait la qualité du service, mais aussi sa vulnérabilité: les fraudeurs l'exploitent pour obtenir un financement sans intention de rembourser. Pour les détecter, BNPP PF relie les demandes dans un graphe, où chacune devient un noe{}ud connecté à celles partageant des informations identifiantes. Cette structure relationnelle est une mine d'information encore peu exploitée. Cette thèse montre comment en tirer parti pour mieux détecter la fraude, sous les contraintes de temps réel du service. Elle apporte trois contributions. D'abord, une résolution d'identité à plusieurs niveaux qui révèle des liens entre demandes, dont une méthode adaptée au paiement fractionné. Ensuite, une architecture hybride couplant réseaux de neurones sur graphes et méthodes ensemblistes, afin d'exploiter signaux individuels et relationnels Enfin, la publication d'un jeu de données anonymisé et déformé, issu de données réelles. Les résultats confirment l'apport du graphe et du couplage hybride, dont le bénéfice croît lorsque l'information relationnelle manque aux données.