Imaginez ceci : comment l’analyse de graphes simplifie les informations complexes

Les entreprises de plusieurs secteurs et domaines se tournent de plus en plus vers l’analyse graphique, grâce à sa capacité à découvrir des modèles et des relations non linéaires complexes dans un ensemble de données qui ne seraient pas facilement visibles ou apparents avec la plupart des techniques d’analyse traditionnelles. Les applications de l’analyse graphique sont très variées, y compris la gestion de la relation client, l’analyse des réseaux sociaux et la détection des délits financiers, pour ne citer que quelques exemples. Avec l’avancement des plates-formes de calcul et des logiciels correspondants, les entreprises ont d’énormes possibilités d’exploiter la technologie des graphes pour créer des avantages concurrentiels par rapport à leurs pairs.

Quels sont les avantages de la technologie d’analyse graphique ?

Professeur agrégé d’informatique à l’Université de Stanford Jure Leskovec a dit que les graphes sont un langage général pour décrire et analyser des entités avec des relations/interactions. Cela indique qu’il est important de représenter les données sous une forme native qui reflète leurs relations complexes et imbriquées. Traditionnellement, les données sont stockées dans des tableaux bidimensionnels à l’aide de lignes et de colonnes avec des relations prédéfinies pour représenter leur contexte. Cependant, il est préférable d’organiser, de stocker et d’analyser les relations complexes – telles que les réseaux de relation client sociaux, réglementaires et bancaires – dans les solutions de données graphiques car elles représentent nativement leurs relations et interactions entre entités. La comparaison de ces graphiques illustre ce point.

Le diagramme du modèle de graphe sur la droite décrit beaucoup plus clairement les interactions entre les entités que le tableau bidimensionnel sur la gauche. Le graphique montre clairement que toutes les entités peuvent être regroupées en deux clusters et que deux influenceurs clés sont présents. Au fur et à mesure que le réseau s’agrandit, il est beaucoup plus facile de générer des informations complexes à partir d’une solution de données graphiques, qui ne seraient pas accessibles dans une représentation tabulaire traditionnelle.

De plus, les graphes relationnels peuvent être utilisés pour représenter des domaines complexes qui ont une structure relationnelle riche. En développant explicitement des modèles d’apprentissage automatique utilisant les structures relationnelles découvertes par l’analyse de graphes, des informations améliorées et des performances de modèle peuvent être obtenues.

Qu’est-ce qui constitue une base de données de graphes ?

Les composants de base des données de graphe sont les nœuds, les arêtes/liens et les graphes. Les entités peuvent être représentées sous forme de nœuds et les connexions entre les entités (par exemple, la propriété, l’adresse de partage, l’e-mail, les numéros de téléphone, etc.) peuvent être représentées sous forme de liens ou de bords. Dans l’exemple de diagramme illustré ci-dessous, les cercles pleins sont des nœuds et les lignes qui les relient sont des arêtes. Des collections entières de nœuds et d’arêtes peuvent être représentées sous forme de graphe. Il peut y avoir plusieurs collections de nœuds et d’arêtes ou un graphe dans un domaine. Un graphe peut être orienté ou non orienté, selon que les arêtes ont ou non une directionnalité. Par exemple, un réseau de médias sociaux qui permet aux utilisateurs de « suivre » d’autres utilisateurs est un exemple de graphique directionnel – simplement parce que l’utilisateur A suit l’utilisateur B, l’utilisateur B n’a pas à suivre l’utilisateur A. De plus, un graphique peut également être pondéré — où le lien (arête) entre deux nœuds quelconques a un poids, reflétant la force de la connexion.

Comment les entreprises utilisent-elles l’analyse graphique aujourd’hui ?

L’analyse de graphes est utilisée dans un large éventail d’industries pour une variété d’applications. Les exemples de cas d’utilisation décrits ci-dessous donnent un aperçu du paysage de l’analyse graphique.

Gestion de la relation client et commerciale : En comprenant les relations entre leurs clients, une entreprise, telle qu’une banque, peut cibler ses efforts de vente plus efficacement pour obtenir un retour sur investissement plus élevé. Les banques peuvent optimiser leurs ressources de gestion des ventes et des relations au sein du réseau local (un ensemble de comptes bancaires) en ciblant les influenceurs clés (par exemple, le compte avec le solde le plus élevé, les titulaires de compte avec un pourcentage élevé de propriété avec d’autres entreprises, etc.), en consolidant le marketing efforts si deux ou plusieurs relations commerciales (réseaux locaux) partagent des attributs similaires, et diviser pour mieux régner si la relation commerciale (réseau local) est trop importante.

Analyse des réseaux sociaux : Les entreprises de médias sociaux utilisent largement l’analyse graphique pour identifier les influenceurs clés et les interactions entre elles afin d’obtenir des avantages concurrentiels par rapport à leurs concurrents. En utilisant les informations sur leurs utilisateurs, telles que révélées par l’analyse graphique, ils peuvent créer des stratégies commerciales exécutables plus efficacement.

Détection de la criminalité financière : Les auteurs de crimes financiers, tels que le blanchiment d’argent, tentent de dissimuler l’origine des fonds mal acquis en utilisant de multiples techniques. L’analyse graphique peut rapidement révéler des liens entre des criminels financiers connus ou des entités sanctionnées et des clients apparemment innocents, faisant apparaître des transactions suspectes qui autrement passeraient inaperçues.

Recherche biologique/clinique : L’analyse de graphes est utilisée dans plusieurs domaines de recherche, par exemple pour prédire la structure 3D d’une protéine en fonction de sa séquence d’acides aminés (les nœuds sont des acides aminés dans une séquence protéique et les bords sont la proximité entre les acides aminés). Connaître la structure 3D des protéines peut aider les scientifiques, par exemple, dans la découverte de médicaments.

Commercialisation: Les modèles révélés par l’analyse graphique dans une base de données d’utilisateurs/clients peuvent être utilisés pour développer un marketing plus efficace, par exemple, des recommandations de produits – chansons, films, achats au détail, etc.

Considérations pour une mise en œuvre réussie

Alignement des opérations commerciales sur le graphique est essentiel pour une mise en œuvre réussie de l’analyse de graphes dans les opérations d’une entreprise. Traduire les opérations commerciales en points de données qui représentent des nœuds et des arêtes dans la théorie des graphes peut représenter un effort important. Par exemple, si nous voulons représenter une transaction bancaire sous forme de graphique, un nœud peut être n’importe quelle entité qui effectue des dépôts, reçoit des dépôts, un garant, un signataire, etc. Un bord peut être un lien dirigé de l’entité qui effectue des dépôts vers le bénéficiaire du dépôt ou d’autres types de transactions. La représentation des données augmente considérablement s’il n’y a pas de processus réfléchi pour filtrer les entités et les transactions ou les liens pertinents. De plus, il peut y avoir des cas particuliers ou des exceptions qui peuvent nécessiter une intervention humaine.

Qualité des données est un autre élément clé du succès. Le graphique est une approche basée sur les données pour représenter les relations. Si les données sous-jacentes ne sont pas correctes ou cohérentes, les informations générées par l’analyse graphique peuvent être affectées négativement.

Ressources informatiques sont une autre considération importante pour la mise en œuvre au niveau de l’entreprise. La représentation des données d’un réseau peut être très complexe car elle peut avoir une taille de données arbitraire et une structure topologique complexe. Les données de graphe ont souvent des caractéristiques dynamiques et multimodales qui couvrent différents niveaux (nœud/arête/graphe) et contextes. À titre d’exemple, les caractéristiques d’un ensemble de données bancaires peuvent inclure différents types de titulaires de comptes bancaires (niveau nœud), moyens de transaction (niveau périphérique), montants des transactions (niveau périphérique) et légitimité des transactions (suspectes ou non) au sein du réseau local (niveau graphique), ainsi qu’au sein du même système. Les calculs complexes et les estimations mathématiques nécessitent des ressources informatiques intensives pour accomplir ces tâches difficiles.

Avec l’avancement des plates-formes de calcul et des logiciels correspondants, les entreprises ont d’énormes possibilités d’exploiter la technologie des graphes à grande échelle pour créer des avantages concurrentiels par rapport à leurs pairs et obtenir des informations plus approfondies disponibles dans leurs propres données.

En savoir plus sur la technologie graphique et d’autres Protiviti solutions technologiques émergentes.

Connectez-vous avec les auteurs:

Lucas Lau

Directeur principal – Responsable de l’apprentissage automatique et de l’IA, Protiviti

Arun Tripathi

Directeur – Machine Learning et IA, Protiviti