Lo sentimos. No hallamos ninguna coincidencia para tu búsqueda.

Le sugerimos que pruebe lo siguiente para encontrar lo que busca:

  • Verifique la ortografía de su búsqueda de palabras clave.
  • Utilice sinónimos para la palabra clave que escribió; por ejemplo, intente con “aplicación” en lugar de “software”.
  • Comience una nueva búsqueda.

Definición de base de datos gráfica

Una base de datos gráfica es una plataforma especializada de propósito único que sirve para crear y manipular gráficos. Los gráficos contienen nodos, bordes y propiedades, que se utilizan para representar y almacenar datos en una manera que las bases de datos relacionales no pueden hacer.

El análisis gráfico es otro término que se suele emplear y se refiere puntualmente al proceso de analizar datos en un formato gráfico utilizando los puntos de datos como nodos y las relaciones como bordes. El análisis gráfico requiere una base de datos que sea compatible con formatos gráficos, como ser una base de datos gráfica dedicada o una base de datos convergente que admite múltiples modelos de datos, incluidos los gráficos.

Tipos de bases de datos gráficas

Hay dos modelos populares de bases de datos gráficas: gráficos de propiedades y gráficos RDF. Los gráficos de propiedades se centran en el análisis y el envío de consultas, mientras que los gráficos RDF enfatizan la integración de datos. Los dos tipos de gráficos están formados por un conjunto de puntos (vértices) y las conexiones entre ellos (bordes), pero también presentan diferencias.

Hay dos modelos populares de bases de datos gráficas: gráficos de propiedades y gráficos RDF. Los gráficos de propiedades se centran en el análisis y el envío de consultas, mientras que los gráficos RDF enfatizan la integración de datos. Los dos tipos de gráficos están formados por un conjunto de puntos (vértices) y las conexiones entre ellos (bordes), pero también presentan diferencias.

Gráficos de propiedades

Los gráficos de propiedades se utilizan para crear modelos de las relaciones entres los datos y sirven para realizar consultas y analizar datos en función de esas relaciones. Un gráfico de propiedades posee vértices que pueden contener información detallada sobre un tema y bordes que denotan la relación entre los vértices. Los vértices y los bordes pueden tener atributos, llamados propiedades, con los que se asocian.

En este ejemplo, se representa en un gráfico de propiedades un conjunto de colegas y sus relaciones.

¿Qué es una base de datos gráfica?

Como son tan versátiles, los gráficos de propiedades se usan en una amplia gama de industrias y sectores, como finanzas, fabricación, seguridad pública, comercio minorista y muchos otros.

Gráficos RDF

Los gráficos RDF (por sus siglas en inglés, Resource Description Framework) cumplen un conjunto de estándares W3C (World Wide Web Consortium) diseñados para representar declaraciones y son más adecuados para representar metadatos complejos y datos maestros. En general, se utilizan para datos vinculados, integración de datos y gráficos de conocimiento. Con ellos, se pueden representar conceptos complejos en un dominio o proveer una semántica rica e inferencias a partir de datos.

En el modelo RDF, una oración está representada por tres elementos: dos vértices conectados por un borde que reflejan el sujeto, el predicado y el objeto de una oración; esto se conoce como un triple RDF. Cada vértice y borde se identifica mediante un URI o identificador de recurso único. El modelo RDF proporciona una manera de publicar datos en un formato estándar con semántica bien definida, lo que posibilita el intercambio de información. El uso de los gráficos RDF es amplio en organismos estadísticos gubernamentales, empresas farmacéuticas y organizaciones de la salud.

Cómo funcionan los gráficos y las bases de datos gráficas

Los gráficos y las bases de datos gráficas proveen modelos gráficos que representan relaciones en los datos. Permiten a los usuarios realizar “consultas transversales” con base en conexiones y aplicar algoritmos gráficos para encontrar patrones, rutas, comunidades, personas influyentes, puntos de falla únicos y otras relaciones, lo que permite un análisis más eficiente a escala frente a cantidades masivas de datos. El poder de los gráficos reside en el análisis, las perspectivas que ofrecen y la capacidad para vincular fuentes de datos dispares.

En cuanto al análisis de los gráficos, los algoritmos exploran las rutas y la distancia entre los vértices, la importancia de los vértices y el agrupamiento de los vértices. Por ejemplo, para determinar la importancia, los algoritmos suelen analizar los bordes entrantes, la importancia de los vértices circundantes y otros indicadores.

Gracias a los algoritmos gráficos —operaciones específicamente diseñadas para analizar relaciones y comportamientos entre los datos de los gráficos—, es posible entender conceptos que son difíciles de analizar con otros métodos. En cuanto al análisis de los gráficos, los algoritmos exploran las rutas y la distancia entre los vértices, la importancia de los vértices y el agrupamiento de los vértices. Los algoritmos suelen analizar los bordes entrantes, la importancia de los vértices circundantes y otros indicadores para ayudar a determinar la importancia. Por ejemplo, los algoritmos gráficos permiten identificar qué persona o elemento está más conectado con otros en las redes sociales o procesos comerciales. Los algoritmos pueden identificar comunidades, anomalías, patrones comunes y rutas que conectan a las personas o transacciones relacionadas.

Debido a que las bases de datos gráficas almacenan relaciones de manera explícita, las consultas y los algoritmos que utilizan la conectividad entre los vértices se pueden ejecutar en subsegundos en vez de horas o días. Los usuarios no tienen que ejecutar innumerables sentencias JOIN y los datos se pueden usar fácilmente para el análisis y el aprendizaje automático orientados a descubrir más sobre el mundo que nos rodea.

Ventajas de las bases de datos gráficas

El formato gráfico proporciona una plataforma más flexible para buscar conexiones distantes o analizar datos con base en aspectos tales como la fuerza o la calidad de la relación. Los gráficos permiten explorar y descubrir conexiones y patrones en redes sociales, IoT, big data, depósitos de datos y también datos de transacciones complejas para varios casos de uso comerciales, como detección de fraudes en el sistema bancario, descubrimiento de conexiones en las redes sociales y Customer 360. Hoy en día las bases de datos gráficas se utilizan cada vez más como herramienta de la ciencia de datos, con el fin de aclarar las conexiones en las relaciones.

Debido a que las bases de datos gráficas almacenan las relaciones de manera explícita, las consultas y los algoritmos que utilizan la conectividad entre los vértices se pueden ejecutar en subsegundos en vez de horas o días. Los usuarios no tienen que ejecutar innumerables sentencias JOIN y los datos se pueden usar fácilmente para el análisis y el aprendizaje automático orientados a descubrir más sobre el mundo que nos rodea.

Las bases de datos gráficas son una herramienta extremadamente flexible y poderosa. Debido al formato gráfico, se pueden determinar las relaciones complejas con conocimiento más profundo y mucho menos esfuerzo. Las bases de datos gráficas ejecutan consultas en lenguajes como Property Graph Query Language (PGQL). El siguiente ejemplo muestra la misma consulta en PGQL y SQL.

Uso del análisis gráfico

Como se ve en el ejemplo anterior, el código PGQL es más simple y mucho más eficiente. Como los gráficos enfatizan las relaciones entre los datos, son ideales para varios tipos de análisis diferentes. En particular, las bases de datos gráficas se destacan en las siguientes acciones:

  • búsqueda de la ruta más corta entre dos nodos
  • determinación de los nodos que crean la mayor actividad o influencia
  • análisis de la conectividad para identificar los puntos más débiles de una red
  • análisis del estado de la red o comunidad en función de la distancia o densidad de la conexión en un grupo

Cómo funcionan las bases de datos gráficas y el análisis gráfico

Un ejemplo sencillo de las bases de datos gráficas en acción es la siguiente imagen, que muestra una representación visual del popular juego para fiestas “Six Degrees of Kevin Bacon.” Para quienes no lo conocen, el juego consiste en hallar conexiones entre Kevin Bacon y otro actor según una cadena de películas mutuas. Por su énfasis en las relaciones, este juego es ideal para demostrar el análisis gráfico.

Imagine un conjunto de datos con dos categorías de nodos: todas las películas realizadas y los actores que participaron en esas películas. Usando el gráfico, ejecutamos una consulta para conectar a Kevin Bacon con el ícono del muppet Miss Piggy. El resultado sería el siguiente:

Conjunto de datos con gráficos

En este ejemplo, los nodos (vértices) disponibles son los actores y las películas y las relaciones (bordes) son el estado “actuó en ella.” Con esta base, la consulta devuelve los siguientes resultados:

  • Kevin Bacon actuó en The River Wild con Meryl Streep.
  • Meryl Streep actuó en Lemony Snicket’s A Series of Unfortunate Events con Billy Connolly.
  • Billy Connolly actuó en Muppet Treasure Island con Miss Piggy.

Las bases de datos gráficas pueden consultar muchas relaciones diferentes en este ejemplo de Kevin Bacon, por ejemplo:

  • “¿Cuál es la cadena más corta para conectar a Kevin Bacon con Miss Piggy?” (análisis de la ruta más corta, como se usa en el juego Six Degrees anterior)
  • “¿Quién trabajó con la mayor cantidad de actores?” (centralidad de grado)
  • “¿Cuál es la distancia promedio entre Kevin Bacon y todos los demás actores?” (centralidad de cercanía)

Este es, por supuesto, un ejemplo más divertido que la mayoría de los usos del análisis gráfico. No obstante, este enfoque funciona en casi todos los escenarios de big data, es decir, cualquier situación en la que grandes cantidades de registros muestran una conectividad natural entre sí. Algunas de las maneras más populares de utilizar el análisis gráfico es analizar las redes sociales, las redes de comunicación, el tráfico y uso de sitios web, los datos de carreteras reales y las transacciones y cuentas financieras.

Caso de uso de una base de datos gráfica: lavado de dinero

Caso de uso de una base de datos gráfica

Conceptualmente, el lavado de dinero es simple. Se hace circular dinero "sucio" para mezclarlo con fondos legítimos y convertirlo en activos duros. Es el tipo de proceso que se utilizó en el análisis de los Panamá Papers.

De manera más específica, una transferencia de dinero circular consiste en que un delincuente envíe grandes sumas de dinero que obtuvo de manera fraudulenta, pero ocultas en una serie larga y compleja de transferencias válidas entre cuentas "normales". Estas cuentas “normales” en realidad son cuentas que se crean con identidades artificiales. En general, comparten cierta información similar porque se generan a partir de identidades robadas (direcciones de correos electrónicos, direcciones, etc.) y es esa información relacionada la que convierte al análisis gráfico en la herramienta ideal para revelar orígenes fraudulentos.

Para simplificar la detección de fraudes, los usuarios pueden crear un gráfico a partir de transacciones entre entidades así como entidades que comparten alguna información, como direcciones de correo electrónico, contraseñas, direcciones, etc. Una vez creado el gráfico, basta con ejecutar una consulta simple para encontrar a todos los clientes con cuentas que tienen información similar y revelar qué cuentas se envían dinero entre sí.

Caso de uso de una base de datos gráfica: análisis de redes sociales

Las bases de datos gráficas se pueden usar en muchos escenarios diferentes, pero su uso es habitual en el análisis de redes sociales. De hecho, las redes sociales son el caso de uso ideal porque constan de un enorme volumen de nodos (cuentas de usuarios) y conexiones multidimensionales (participaciones en muchas direcciones distintas). Con el análisis gráfico de una red social puede determinar lo siguiente:

  • ¿Cuánto participan los usuarios? (cantidad de nodos)
  • ¿Qué usuarios tienen más influencia? (densidad de conexiones)
  • ¿Quién tiene la mayor participación bidireccional? (dirección y densidad de las conexiones)

Sin embargo, esta información es inútil si está sesgada de manera artificial por bots. Por suerte, el análisis gráfico puede proveer un medio excelente para identificar y filtrar los bots.

En un caso de uso real, el equipo de Oracle utilizó Oracle Marketing Cloud para evaluar puntualmente la publicidad y la tracción en las redes sociales, a fin de identificar las cuentas bot falsas que sesgaban los datos. El comportamiento más frecuente de estos bots consistía en retuitear cuentas objetivo, con lo que inflaban de manera artificial la popularidad. Un análisis de patrones simple permitió una búsqueda a partir de la cantidad de retuits y la densidad de las conexiones con los vecinos. Las cuentas naturalmente populares mostraron relaciones diferentes con los vecinos en comparación con las cuentas impulsadas por bots.

Esta imagen muestra cuentas naturalmente populares.

Caso de uso de una base de datos gráfica: análisis de redes sociales

Esta otra imagen muestra el comportamiento de una cuenta impulsada por un bot.

Caso de uso de una base de datos gráfica: análisis de redes sociales

La clave de este ejemplo es utilizar el poder del análisis gráfico para identificar un patrón natural frente al patrón creado por un bot. Con esa base, simplemente se deben filtrar las cuentas, aunque también es posible indagar más para examinar, por ejemplo, la relación entre los bots y las cuentas retuiteadas.

Las redes sociales hacen todo lo posible para eliminar las cuentas de bots, ya que afectan la experiencia general de su base de usuarios. Para verificar si este proceso de detección de bots fue preciso, las cuentas marcadas se verificaron después de un mes. Los resultados fueron los siguientes:

  • Suspendida: 89%
  • Eliminada: 2.2%
  • Todavía activa: 8.8%

Este porcentaje extremadamente alto de cuentas penalizadas (91,2 %) demostró la precisión de la identificación de patrones y del proceso de depuración. Este análisis habría demandado mucho más tiempo en una base de datos tabular estándar, pero con el análisis gráfico, es posible identificar patrones complejos más rápido.

Caso de uso de una base de datos gráfica: fraude con tarjetas de crédito

Las bases de datos gráficas se han convertido en una herramienta poderosa en la industria de las finanzas como medio para detectar fraudes. A pesar de los avances en la tecnología antifraudes, como el uso de chips incrustados en las tarjetas, pueden perpetrarse fraudes en una serie de maneras. Los dispositivos de skimming pueden robar detalles de las bandas magnéticas, una técnica que es habitual en los comercios que todavía no instalaron lectoras de chips. Una vez almacenados esos detalles, se pueden cargar en una tarjeta falsificada para hacer compras o extraer dinero.

Como medio para detectar fraudes, la identificación de patrones suele ser la primera línea de defensa. Los patrones de compra esperados dependen de la ubicación, la frecuencia, el tipo de tiendas y otros factores que coinciden con un perfil de usuario. Cuando un suceso parece totalmente anómalo; por ejemplo, una persona que se encuentra en el área de la bahía de San Francisco la mayor parte del tiempo de repente hace compras nocturnas en Florida, se marca como potencialmente fraudulento.

La potencia informática necesaria para esta acción se simplifica enormemente con el análisis gráfico. El análisis gráfico se destaca en establecer patrones entre nodos; en este caso, las categorías de nodos se definen como cuentas (titulares de tarjetas), lugares de compra, categoría de compra, transacciones y terminales. Es fácil identificar patrones de comportamiento naturales; por ejemplo, en un mes determinado, una persona podría hacer lo siguiente:

  • comprar comida para mascotas (categoría de compra) en distintas tiendas de mascotas (terminales)
  • pagar restaurantes los fines de semana (metadato de transacciones) en la región (lugares de compra)
  • comprar artículos de reparación (categoría de compra) en una ferretería local (ubicación de la cuenta, ubicación de compra)

La detección de fraudes generalmente se gestiona con aprendizaje automático, pero el análisis gráfico puede complementar este esfuerzo para crear un proceso más preciso y eficiente. Gracias al enfoque en las relaciones, los resultados se han convertido en predictores eficaces para determinar y marcar registros fraudulentos, mediante la depuración y preparación de datos antes de usarlos efectivamente.

El futuro de las bases de datos gráficas

Las bases de datos gráficas y las técnicas gráficas han ido evolucionando a la par del aumento de la potencia informática y el big data en la última década. De hecho, cada vez es más claro que se convertirán en la herramienta estándar para analizar un mundo nuevo de relaciones de datos complejas. A medida que las empresas y organizaciones siguen empujando las capacidades de big data y el análisis, la capacidad de derivar conocimiento en maneras cada vez más complejas hace que las bases de datos gráficas sean una herramienta imprescindible para las necesidades de hoy y los éxitos de mañana.

Oracle facilita la adopción de tecnologías gráficas. Oracle Database y Oracle Autonomous Database incluyen una base de datos gráfica y un motor de análisis gráfico, para que los usuarios puedan descubrir más información sobre sus datos utilizando el poder de los algoritmos gráficos, las consultas de coincidencia de patrones y la visualización. Los gráficos son parte de la base de datos convergente de Oracle, que cumple con los requisitos de múltiples modelos, múltiples cargas de trabajo y múltiples inquilinos, todo en un solo motor de base de datos.

Si bien todas las bases de datos gráficas afirman ser de alto rendimiento, la oferta gráfica de Oracle rinde tanto en rendimiento de consultas como en algoritmos, además de estar estrechamente integrada en Oracle Database. Gracias a estas características, es más fácil para los desarrolladores agregar el análisis gráfico a aplicaciones existentes y aprovechar la escalabilidad, la uniformidad, la recuperación, el control de acceso y la seguridad que la base de datos provee de manera predeterminada.