La base de données de graphiques est l’une des plus grandes innovations issues du boom des bases de données NoSQL qui a secoué l’industrie il y a plus d’un an. Des bases de données de graphes ont été développées pour tirer des enseignements de grandes quantités de données interconnectées. Ils stockent les relations entre les objets d’information au sein des éléments eux-mêmes, permettant une analyse extrêmement rapide qui est presque impossible à réaliser par d’autres méthodes.
Les bases de données de graphes sont prévues pour fonctionner parallèlement aux bases de données relationnelles – qui sont toujours les référentiels de chevaux de bataille d’option dans beaucoup d’affaires– au lieu de les remplacer. Leur avantage crucial est la capacité d’effectuer rapidement des enquêtes complexes sur les données de plusieurs systèmes sans les frais généraux supportés par les inscriptions aux tables ou les améliorations des données. L’agrégation de ces données distantes suppose des efforts d’intégration de données, souvent sous la forme d’un lac de données.
Les avantages des bases de données cartographiques dépassent la simple vitesse d’interrogation. Les modèles relationnels complexes n’ont plus besoin d’être élaborés de la manière typique et difficile, car les relations peuvent être conçues rapidement et les schémas peuvent changer de manière dynamique. Ceux qui maîtrisent SQL ne doivent pas se sentir laissés pour compte ; Les langages de question de base de données graphique tels que GSQL sont des langages SQL adjacents améliorés avec des capacités de graphe.
De manière significative, l’accent mis sur les relations et la capacité à traiter efficacement de grandes quantités de données font des bases de données graphiques un ajustement idéal pour le système expert Applications d’IA et d’intelligence artificielle (ML). Cette combinaison peut être améliorée lorsque l’application logicielle de base de données de graphes inclut des outils et des fonctionnalités d’interopérabilité spécifiques à l’IA/ML.
Quels sont les nouveaux cas d’utilisation de ces nouvelles fonctionnalités ? ? Voici comment 5 secteurs tirent le meilleur parti de l’efficacité d’interrogation relationnelle incroyablement rapide des bases de données de graphes dans des magasins de données dispersés.
1. Obtenir une vue à 360 degrés des clients
Les interactions entre les entreprises et leurs clients ou prospects ont tendance à être complexes, avec de nombreux points de contact. Idéalement, ceux-ci devraient déboucher sur des méthodes de vente qui s’adaptent en permanence aux exigences des clients. De telles circonstances à 360 degrés entraînent rapidement des relations plusieurs à plusieurs qui, à l’aide d’une base de données relationnelle, nécessiteraient une modélisation laborieuse et des inscriptions de table gênantes pour obtenir des informations exploitables.
C’est le genre de circonstance où un la base de données des cartes brille. UnitedHealth Group (UHG), par exemple, a adopté une base de données graphique pour aider à améliorer la qualité des soins pour plus de 26 millions de membres tout en minimisant les coûts. La plus grande entreprise de soins de santé au monde en termes de revenus, UHG utilise une énorme base de données de graphiques pour suivre plus de 120 milliards de relations entre les membres, les fournisseurs, les réclamations, les consultations, les ordonnances, les procédures et plus encore.
UHG a en fait établi de nombreux Applications GUI au sommet de sa base de données de cartes qui, pour ne citer que quelques avantages, fournissent une vue combinée des interactions des membres entre les médecins, les pharmacies, les laboratoires cliniques, les conseillers en santé et UHG lui-même. Plus de 23 000 utilisateurs ont accès à la base de données chaque jour, ce qui permet aux fournisseurs de déterminer de bien meilleures suggestions de soins et de bien-être en fonction des dernières activités des membres en temps réel. UHG prédit que les économies de dépenses pourraient finalement se chiffrer en milliards.
2. Changer les services financiers avec l’IA
Le développement rapide des données a été le catalyseur le plus important de l’IA/ML, qui a besoin de grandes quantités d’informations pour faire émerger des modèles significatifs et améliorer la précision de la prise de décision. Peu d’industries sont plus gourmandes en données que les services financiers, mais comme pour d’autres industries, les informations proviennent de plusieurs sources et se retrouvent généralement dans des silos de bases de données relationnelles.
En comblant ces silos, les bases de données graphiques peuvent aider l’IA/ML offrent des analyses prédictives exceptionnelles, la gestion des dangers, la détection des escroqueries, la lutte contre le blanchiment d’argent, le suivi des délits d’initiés, des suggestions automatiques pour les clients et plus encore. De même, une base de données de graphiques associée à l’IA/ML peut aider à garantir que les informations sont bien rangées en premier lieu, en corrigeant les distinctions anormales dans les enregistrements des clients et les éléments monétaires associés qui pourraient entraîner des résultats peu fiables.
Intuit utilise une base de données de graphiques logiciel en combinaison avec l’IA / ML pour passer d’une entreprise d’articles à une société de plate-forme experte basée sur l’IA. Un élément clé de ce voyage est la création de tableaux de connaissances, qui améliorent les informations et les aperçus de surface à partir de groupes de composants connexes. Intuit intègre des tableaux de compréhension avec le type de ML le plus avancé, la connaissance approfondie, pour alimenter les chatbots d’Intuit et les recommandations intégrées à l’application. En règle générale, il est difficile de comprendre comment l’apprentissage en profondeur parvient à ses résultats ; un avantage essentiel des graphes de connaissances d’Intuit est qu’ils incluent l' »explicabilité » à l’apprentissage en profondeur.
3. Améliorer les chaînes d’approvisionnement
Parmi les effets durables de la pandémie de coronavirus, il y a la prise de conscience que les chaînes d’approvisionnement internationales peuvent être extrêmement vulnérables. Avec ou sans interruption, les constructeurs sont parfaitement conscients de la complexité de la préservation et de l’amélioration de nombreuses chaînes d’approvisionnement.
Considérez les difficultés quotidiennes auxquelles sont confrontés les constructeurs automobiles. La toute première exigence est de prévoir avec précision la demande des clients afin de déterminer le nombre et les types de pièces à acheter, jusqu’aux nombreux modèles et choix que les acheteurs sont censés sélectionner. Ces prédictions doivent être synchronisées avec la disponibilité des pièces de centaines de fournisseurs, ainsi que des devis d’efficacité et de risque fournisseur.
Jaguar Land Rover (JLR) a choisi un service de base de données de cartes car il pourrait couvrir les nombreuses données silos qui devaient être exploités pour l’analyse de la chaîne d’approvisionnement – et explorer les matrices de relations entre les composants d’information. Les principaux objectifs étaient d’augmenter les revenus moyens par système offert et de réduire l’inventaire vieillissant, en plus de diminuer les effets de la perturbation du fournisseur. Certaines questions essentielles de planification de la chaîne d’approvisionnement chez JLR prennent désormais 45 minutes au lieu de plusieurs semaines et, plus particulièrement, la direction peut répondre à des questions qu’elle n’avait jamais eu l’occasion de poser auparavant.
4. Améliorer les opérations de vente au détail en ligne
Les entreprises de commerce électronique de détail font face à une pression concurrentielle croissante pour offrir de bien meilleures expériences aux consommateurs, basées sur des informations précises sur les consommateurs et des historiques d’achat. Cette structure permet tout, des tarifs dynamiques aux suggestions de produits en passant par les offres spéciales personnalisées, qui utilisent toutes les informations accumulées tout au long du parcours client.
Les bases de données graphiques peuvent aider de différentes manières. Pensez aux relations possibles – entre les clients et les approches de paiement, les clients et les marques, les produits et les taux de retour, les promotions et les taux de vente, et bien plus encore. Indiquez que vous vouliez exécuter une requête pour déterminer quelles promotions étaient les plus efficaces pour un certain produit lorsqu’elles étaient présentées à un sous-ensemble de consommateurs définis comme fidèles. Avec une base de données relationnelle qui prendrait beaucoup de temps, mais une base de données graphique peut renvoyer les résultats avec très peu de latence.
L’acte relativement facile de reconnaître de manière fiable quels clients ont acheté ce qui peut être amélioré par une base de données graphique, qui peut agréger et concilier toutes les informations consommateurs associées quel que soit le moyen de paiement ou le point de vente. Lors d’un test de trois mois d’une base de données de graphiques, une grande entreprise de commerce électronique a trouvé 12 millions de nouvelles connexions de compte sur ses 5 différents sites de vente au détail. L’entreprise s’est approchée d’une économie d’efficacité de près de 3 millions de dollars et a prévu une augmentation de 17,6 % des ventes.
5. Améliorer la précision de la détection des fraudes
Nous avons tous connu l’évolution de la détection des escroqueries par le biais de nos sociétés bancaires, de cartes de crédit et de télécommunications. Les premiers efforts fondés sur des règles avaient tendance à passer à côté de transactions suspectes ou à signaler des transactions innocentes comme trompeuses. Cependant, lorsque le marché financier a adopté des bases de données graphiques pour augmenter ses efforts d’IA/ML, la précision de la détection des escroqueries s’est visiblement améliorée.
Les bases de données graphiques couplées à l’IA/ML améliorent la précision de la détection des fraudes, réduisant les faux positifs et repérer les anomalies qui pourraient autrement être manquées. L’apprentissage automatique doit utiliser plusieurs types de données pour concevoir le comportement typique d’un client : emplacement, appareil, type de paiement, méthode d’authentification, etc. De plus, ce qui est défini comme des habitudes normales doit être ajusté à la volée en réaction à une modification légitime. Les bases de données graphiques prennent en charge ce dynamisme et permettent à l’IA/ML de passer par les interactions des consommateurs pour déterminer les différences significatives.
Les géants des services financiers JP Morgan Chase et Intuit ont tous deux adopté des bases de données graphiques pour renforcer leurs efforts de détection des escroqueries par IA/ML. JP Morgan Chase utilise une base de données de graphiques pour aider à sécuriser plus de 60 millions de foyers aux États-Unis. Selon Intuit, l’intelligence artificielle basée sur des graphiques a permis à l’entreprise de détecter 50 % plus d’occasions de fraude potentielles et a minimisé les faux positifs d’environ la même proportion. .
Ce ne sont là que quelques-unes des utilisations les plus typiques des bases de données de graphes. Les clients utilisent également des bases de données graphiques pour améliorer les procédures de l’entreprise, améliorer les résultats des soins de santé, affiner les projets de marketing numérique, déterminer les dangers de la cybersécurité et même gérer les réseaux énergétiques. De nouvelles applications apparaissent régulièrement.
La mission de la base de données de graphes est d’ouvrir une toute nouvelle fenêtre sur les relations entre les composants d’information, en fournissant des analyses qui peuvent déterminer de nouvelles opportunités commerciales, signaler les mouvements inutiles et offrent une structure agile pour les initiatives d’IA/ML. Lorsqu’elles sont admises dans plusieurs magasins de données d’entreprise, les bases de données de graphes peuvent utiliser des informations et des fonctionnalités totalement nouvelles.
.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
