Nenhum resultado encontrado

Sua pesquisa não corresponde a nenhum resultado.

Sugerimos que você tente o seguinte para ajudar a encontrar o que procura:

  • Verifique a ortografia da sua pesquisa por palavra-chave.
  • Use sinônimos para a palavra-chave digitada; por exemplo, tente “aplicativo” em vez de “software.”
  • Tente uma das pesquisas populares mostradas abaixo.
  • Inicie uma nova pesquisa.
Perguntas Frequentes

Saiba mais sobre o banco de dados de gráficos

Um banco de dados gráfico é uma plataforma especializada e de propósito único para criar e manipular gráficos. Os gráficos contêm nós, arestas e propriedades, todos usados para representar e armazenar dados de uma forma que os bancos de dados relacionais não estão equipados a fazer.

Análise de gráficos é outro termo comumente usado e se refere especificamente ao processo de análise de dados em um formato de gráfico usando pontos de dados como nós e relacionamentos como arestas. A análise de gráficos requer um banco de dados que possa suportar formatos de gráfico; pode ser um banco de dados gráfico dedicado ou um banco de dados de vários modelos que oferece suporte a vários modelos de dados, incluindo gráfico.

O que é um gráfico?

Um gráfico é uma coleção de pontos (vértices) e linhas entre esses pontos (arestas). Os gráficos permitem que os usuários modelem dados com base em relacionamentos de maneira mais natural e intuitiva do que os bancos de dados relacionais normalmente permitem.

No exemplo abaixo, os vértices são Melli, Jean, John, Lucy, e Sophie, e as arestas que denotam os relacionamentos são “colabora com” e “disputas com”.

Banco de dados gráfico

O formato de gráfico fornece uma plataforma muito mais flexível para encontrar conexões distantes ou analisar dados com base em coisas como força ou qualidade do relacionamento. Ao procurar uma relação indireta entre dois pontos de dados, a natureza da lógica do formato de um gráfico é uma plataforma mais eficiente para completar esta tarefa.

Os gráficos permitem que você explore e descubra conexões e padrões em redes sociais, IoT, big data, data warehouses e também dados de transações complexas para vários casos de uso de negócios, incluindo detecção de fraude em bancos, descoberta de conexões em redes sociais e cliente 360. Hoje, gráficos estão cada vez mais sendo usados como parte da ciência de dados como forma de tornar as conexões nos relacionamentos mais claras.

Algoritmos de gráfico, operações projetadas especificamente para analisar relacionamentos e comportamentos entre dados em gráficos, tornam possível entender coisas que são difíceis de ver com outros métodos. Por exemplo, algoritmos de gráficos podem identificar qual indivíduo ou item está mais conectado a outros nas redes sociais ou processos comerciais. Os algoritmos podem identificar comunidades, anomalias, padrões comuns e caminhos que conectam indivíduos ou transações relacionadas.

Fundamentos do banco de dados gráfico

Os bancos de dados gráficos trazem os dados em um formato de gráfico, independentemente do modelo de dados a partir do qual eles são extraídos. Em um formato de gráfico, os principais ativos são registros (nós ou vértices) e as conexões entre os registros (arestas, links ou relacionamentos). Como é possível criar conexões (arestas) entre dois nós ou muitos nós, isso por sua vez abre a porta para todos os tipos de análises dimensionais.

A imagem abaixo oferece uma representação visual de uma consulta de exemplo usando a análise de gráficos. Neste exemplo, todos os registros são representados por pontos. Por padrão, todos os pontos são azuis. Quando uma consulta é feita, os registros resultantes e suas respectivas conexões são mostrados em vermelho. Os bancos de dados gráficos permitem conexões quase ilimitadas para ajudar a identificar padrões e detectar anomalias.

Fundamentos do banco de dados gráfico 1

Um exemplo simples do mundo real do que pode ser realizado com um banco de dados gráfico é determinar as direções do início ao fim em um mapa. Você pode imaginar que toda interseção é um nó e toda rua é uma aresta. A consulta, então, é para determinar o melhor caminho para ir de A a B. Além disso, a força/qualidade da conexão pode ser considerada como tráfego. Tudo isso pode ser incluído para processar a consulta (veja o exemplo abaixo):

Fundamentos do banco de dados gráfico 2

Como você pode usar um banco de dados gráfico?

Os bancos de dados gráficos são uma ferramenta extremamente flexível e poderosa. Devido ao formato do gráfico, relacionamentos complexos podem ser determinados para insights mais profundos com muito menos esforço. Os bancos de dados de gráficos geralmente executam consultas em linguagens como Property Graph Query Language (PGQL). O exemplo abaixo mostra a mesma consulta em PGQL e SQL.

Uso da análise de gráficos

Como visto no exemplo acima, o código PGQL é mais simples e muito mais eficiente. Como os gráficos enfatizam as relações entre os dados, eles são ideais para vários tipos diferentes de análises. Em particular, os bancos de dados gráficos se destacam em:

  • Encontrar o caminho mais curto entre dois nós
  • Determinar os nós que criam a maior atividade/influência
  • Analisar a conectividade para identificar os pontos mais fracos de uma rede
  • Analisar o estado da rede ou comunidade com base na distância/densidade de conexão em um grupo

Um exemplo simples de análise gráfica em ação é a imagem abaixo, que mostra uma representação visual do popular jogo de festa "Six Degrees of Kevin Bacon". Para os novos, este jogo envolve a criação de conexões entre Kevin Bacon e outro ator com base em uma cadeia de filmes mútuos. Essa ênfase nos relacionamentos se torna a maneira ideal de demonstrar a análise de gráfico.

Imagine um conjunto de dados com duas categorias de nós: cada filme já feito e cada ator que esteve nesses filmes. Em seguida, usando o gráfico, executamos uma consulta pedindo para conectar Kevin Bacon ao ícone Muppet, Miss Piggy. O resultado seria o seguinte:

Imagem de caso de uso de análise de gráficos 1

Neste exemplo, os nós disponíveis (vértices) são atores e filmes e os relacionamentos (arestas) são o status de "atuado". A partir daqui, a consulta retorna os resultados a seguir:

  • Kevin Bacon atuou em The River Wild com Meryl Streep.
  • Meryl Streep atuou em Lemony Snicket’s A Series of Unfortunate Events, com Billy Connolly.
  • Billy Connolly atuou em Muppet Treasure Island com Miss Piggy.

Os bancos de dados gráficos podem consultar muitos relacionamentos diferentes para este exemplo de Kevin Bacon, como:

  • "Qual é a corrente mais curta para conectar Kevin Bacon a Miss Piggy?" (análise do caminho mais curto, conforme usado no jogo Six Degrees acima)
  • "Quem trabalhou com o maior número de atores?" (grau de centralidade)
  • "Qual é a distância média entre Kevin Bacon e todos os outros atores?" (centralidade de proximidade)

Este é, obviamente, um exemplo mais divertido do que a maioria dos usos de análise de dados. Mas essa abordagem funciona em quase todos os big data, qualquer situação em que um grande número de registros mostre uma conectividade natural entre si. Algumas das formas mais populares de usar a análise de gráficos são para analisar redes sociais, redes de comunicação, tráfego e uso do site, dados de estradas do mundo real, e transações e contas financeiras.

Caso de uso do banco de dados gráfico: Filtrando desinformações e bots nas redes sociais

Os bancos de dados gráficos podem ser usados em muitos cenários diferentes, mas são comumente usados para analisar redes sociais. Na verdade, as redes sociais são o caso de uso ideal, pois envolvem um grande volume de nós (contas de usuário) e conexões multidimensionais (engajamentos em muitas direções diferentes). Uma análise gráfica de uma rede social pode determinar:

  • Quão ativos são os usuários? (número de nós)
  • Quais usuários têm mais influência? (densidade de conexões)
  • Quem tem o envolvimento mais bidirecional? (direção e densidade das conexões)

No entanto, essa informação é inútil se tiver sido distorcida de maneira não natural por bots. Felizmente, a análise gráfica pode fornecer um meio excelente para identificar e filtrar bots.

Em um caso de uso do mundo real, a equipe Oracle usou o Oracle Marketing Cloud para avaliar a publicidade e a tração nas mídias sociais, especificamente, para identificar contas de bot falsas que distorcem os dados. O comportamento mais comum desses bots envolvia retuitar contas-alvo, aumentando artificialmente sua popularidade. Uma análise de padrão simples permitiu uma olhada usando a contagem de retuítes e densidade de conexões com os vizinhos. Naturalmente, contas populares mostraram relacionamentos diferentes com os vizinhos em comparação com contas controladas por bot.

Esta imagem mostra contas naturalmente populares.

Imagem de caso de uso do banco de dados gráfico 2

E esta imagem mostra o comportamento de uma conta controlada por bot.

Imagem de caso de uso do banco de dados gráfico 3

A chave aqui é usar o poder da análise de gráficos para identificar um padrão natural versus um padrão de bot. A partir daí, é tão simples quanto filtrar essas contas, embora também seja possível cavar mais fundo para examinar, por exemplo, a relação entre bots e contas retuitadas

Imagem de caso de uso do banco de dados gráfico 4

As plataformas de redes sociais fazem o melhor para eliminar contas de bot, pois afetam a experiência geral da base de usuários. Para verificar se esse processo de detecção de bot estava correto, contas sinalizadas foram verificadas após um mês. Os resultados foram os seguintes:

  • Suspenso: 89%
  • Excluído: 2.2%
  • Ainda ativo: 8.8%

Essa porcentagem extremamente alta de contas punidas (91,2%) mostrou a precisão tanto da identificação do padrão quanto do processo de limpeza. Isso levaria muito mais tempo em um banco de dados tabular padrão, mas com a análise de gráficos, é possível identificar padrões complexos rapidamente.

Caso de uso do banco de dados gráfico: Fraude de cartão de crédito

Os gráficos se tornaram uma ferramenta poderosa no setor financeiro como meio de detecção de fraudes. Apesar dos avanços na tecnologia antifraude, como o uso de chips embutidos em cartões, a fraude ainda pode ocorrer de várias maneiras. Dispositivos de leitura podem roubar detalhes de fitas magnéticas, uma técnica comumente usada em locais que ainda não instalaram leitores de chip. Depois que esses detalhes são armazenados, eles podem ser carregados em um cartão falsificado para fazer compras ou sacar dinheiro.

Como meio de detecção de fraude, a identificação de padrões costuma ser a primeira linha de defesa. Os padrões de compra esperados são baseados na localização, frequência, tipos de lojas e outras coisas que se enquadram no perfil do usuário. Quando algo parece totalmente anormal, por exemplo, uma pessoa que fica a maior parte do tempo na área da baía de San Francisco, na Califórnia, repentinamente faz compras noturnas na Flórida, isso sinaliza como potencialmente fraudulento.

O poder de computação necessário para isso é simplificado significativamente com a análise de gráficos. A análise de gráficos se destaca no estabelecimento de padrões entre nós, neste caso, as categorias de nós são definidas como contas (titulares de cartão), locais de compra, categoria de compra, transações e terminais. É fácil identificar padrões de comportamento naturais; por exemplo, em um determinado mês, uma pessoa poderia:

  • Comprar ração (categoria de compra) em diferentes lojas de animais (terminais)
  • Pagar por restaurantes nos finais de semana (metadados de transações) na região (locais de compra)
  • Comprar equipamento de reparo (categoria de compra) em uma loja de local de reparo (local da conta, local da compra)

A detecção de fraude é normalmente tratada com machine learning (aprendizado de máquina), mas a análise de gráficos pode complementar esse esforço para criar um processo mais preciso e eficiente. Graças ao foco nos relacionamentos, os resultados se tornaram indicadores eficazes na determinação e sinalização de registros fraudulentos, realizando curadoria e preparando os dados antes que eles possam ser realmente usados.

O futuro dos bancos de dados gráficos

Bancos de dados gráficos e técnicas de gráficos têm evoluído conforme o poder de computação e big data aumentaram na última década. Na verdade, está ficando cada vez mais claro que eles se tornarão a ferramenta padrão para analisar um admirável mundo novo de relacionamentos de dados complexos. À medida que as empresas e organizações continuam promovendo os recursos de big data e análise, a capacidade de derivar insights de maneiras cada vez mais complexas, torna os bancos de dados de gráficos essenciais para as necessidades de hoje e os sucessos de amanhã.