グラフ データベースの上位 5 つのユース ケース

ここで、Intelligent Security Summit のすべてのオンデマンド セッションを確認してください。.


グラフ データベースは、10 年以上前に業界を震撼させた NoSQL データベース ブームから生まれた最大のイノベーションの 1 つです。 グラフ データベースは、相互接続された膨大な量のデータから洞察を引き出すために開発されました。 データ オブジェクト間の関係をオブジェクト自体に格納することで、他の手段ではほぼ不可能な非常に高速な分析を可能にします。

グラフ データベースは、リレーショナル データベースを置き換えるのではなく、リレーショナル データベースと一緒に実行することを目的としています。 それらの主な利点は、テーブルの結合やデータ変換によるオーバーヘッドなしで、複数のシステムからのデータに対して複雑なクエリをすばやく実行できることです。 広範囲にわたるデータを集約するには、多くの場合、データ レイクの形でのデータ統合の取り組みが前提となります。

グラフ データベースのメリットは、クエリの速度だけではありません。 リレーションシップは簡単にモデル化でき、スキーマは動的に変更できるため、複雑なリレーショナル モデルを通常の骨の折れる方法で打ち出す必要はなくなりました。 それでも、SQL に精通している人は取り残されていると感じる必要はありません。 GSQL などのグラフ データベース クエリ言語は、グラフ機能で拡張された SQL 隣接言語です。

グラフ データベースは、関係性を重視し、大量のデータを効率的に処理できるため、人工知能 AI および機械学習 (ML) アプリケーションに最適です。 この組み合わせは、グラフ データベース ソフトウェアに AI/ML 固有のツールと相互運用機能が含まれている場合に強化できます。

イベント

インテリジェント セキュリティ サミット オンデマンド

サイバーセキュリティと業界固有のケーススタディにおける AI と ML の重要な役割を学びます。 今日のオンデマンド セッションをご覧ください。

ここで見る

では、これらの新機能の新たなユースケースは何ですか? 5 つの業界が、分散データ ストア全体でグラフ データベースの非常に高速なリレーショナル クエリ パフォーマンスをどのように活用しているかを以下に示します。

1. 顧客を360度見る

企業とその顧客または販売見込み客との間のやり取りは、タッチポイントが多く、複雑になる傾向があります。 理想的には、これらは顧客のニーズに継続的に適応する販売戦略を生み出す必要があります。 このような 360 度のシナリオでは、すぐに多対多の関係が発生します。リレーショナル データベースを使用すると、実用的な洞察を得るために面倒なモデリングと面倒なテーブル結合が必要になります。

これは、グラフデータベースが輝くような状況です。 たとえば、UnitedHealth Group (UHG) は、コストを削減しながら 2,600 万人を超えるメンバーのケアの質を向上させるために、グラフ データベースを採用しています。 収益で世界最大のヘルスケア企業である UHG は、大規模なグラフ データベースを使用して、メンバー、プロバイダー、請求、訪問、処方箋、手続きなどの 1,200 億を超える関係を追跡しています。

UHG は、グラフ データベースの上にさまざまな GUI アプリケーションを開発しました。これは、他の利点の中でも特に、医師、薬局、臨床検査室、健康アドバイザー、および UHG 自体の間のメンバーの相互作用の統合ビューを提供します。 毎日 23,000 人を超えるユーザーがデータベースにアクセスしており、プロバイダーはメンバーの最新のアクティビティに基づいて、より良いケアとウェルネスの推奨事項をリアルタイムで判断できます。 UHG は、コスト削減が最終的に数十億に達する可能性があると予測しています。

2. AIによる金融サービスの変革

データの指数関数的な増加は、AI/ML を実現する最大の要因であり、意味のあるパターンを明らかにして意思決定の精度を向上させるには、大量のデータが必要です。 金融サービスほどデータ集約型の業界はほとんどありませんが、他の業界と同様に、データはさまざまなソースから発生し、通常はリレーショナル データベースのサイロにたどり着きます。

これらのサイロを橋渡しする際に、グラフ データベースは、AI/ML が優れた予測分析、リスク管理、不正検出、マネーロンダリング防止、インサイダー取引の監視、顧客への自動推奨などを提供するのに役立ちます。 また、グラフ データベースを AI/ML と組み合わせることで、最初からデータがクリーンであることを保証し、不正確な結果につながる可能性のある顧客記録と金融商品属性の異常な差異を調整できます。

Intuit は、AI/ML と組み合わせたグラフ データベース ソフトウェアを使用して、プロダクト企業から AI 駆動型のエキスパート プラットフォーム企業に変革しています。 この旅の重要な部分は、ナレッジ グラフの作成です。ナレッジ グラフは、データを充実させ、関連する要素のクラスターから洞察を明らかにします。 Intuit は、ナレッジ グラフを最も高度な形式の ML であるディープ ラーニングと組み合わせて、Intuit のチャットボットとアプリ内レコメンデーションを強化します。 通常、深層学習がどのようにして結果に到達するかを判断するのは困難です。 Intuit のナレッジ グラフの主な利点は、深層学習に「説明可能性」が追加されることです。

3.サプライチェーンの最適化

新型コロナウイルスのパンデミックによる長期的な影響の 1 つは、グローバル サプライ チェーンが驚くほど脆弱である可能性があるという認識です。 製造業者は、混乱の有無にかかわらず、多くのサプライ チェーンの維持と最適化がいかに複雑であるかを痛感しています。

自動車メーカーが直面する日々の課題について考えてみましょう。 最初の要件は、顧客の需要を正確に予測して、注文する部品の数と種類を決定することです。購入者が選択することが予想されるさまざまなモデルやオプションに至るまでです。 これらの予測は、製造効率とサプライヤーのリスクの見積もりとともに、何百ものサプライヤーからの部品の入手可能性と同期する必要があります。

ジャガー ランドローバー (JLR) がグラフ データベース ソリューションを選択したのは、サプライ チェーン分析のために利用する必要のある多くのデータ サイロにまたがり、データ要素間の関係のマトリックスを探索できるためです。 主な目標は、販売単位あたりの平均利益を増やし、古い在庫を減らすことと、サプライヤーの混乱の影響を最小限に抑えることでした。 JLR での主要なサプライ チェーン プランニング クエリの一部は、数週間ではなく 45 分で済み、さらに重要なことに、経営陣はこれまで尋ねる機会がなかった質問に答えることができます。

4. オンライン小売業務の改善

小売 e コマース企業は、正確な顧客の詳細と購入履歴に基づいて構築された、より優れたカスタマー エクスペリエンスを提供するという、ますます高まる競争圧力に直面しています。 その基盤により、動的な価格設定から製品の推奨、パーソナライズされた特別オファーまで、すべてがカスタマー ジャーニーに沿って拡張されたデータを利用して実現されます。

グラフ データベースは、さまざまな方法で役立ちます。 顧客と支払い方法、顧客とブランド、製品と返品率、プロモーションと販売率など、さまざまな関係を考えてみましょう。 忠実であると定義された顧客のサブセットに売り込んだときに、特定の製品に対してどのプロモーションが最も効果的であったかを判断するクエリを実行するとします。 リレーショナル データベースでは時間がかかりますが、グラフ データベースではほとんど待機時間なしで結果を返すことができます。

どの顧客が何を購入したかを確実に特定するという一見単純な行為は、支払い方法や販売時点に関係なく、関連するすべての顧客データを集約して調整できるグラフ データベースによって改善できます。 グラフ データベースの 3 か月間のテストで、ある大規模な e コマース企業は、5 つの異なる小売 Web サイトで 1,200 万の新しいアカウント接続を発見しました。 同社は、約 300 万ドルの効率節約を見積もり、売上高が 17.6% 増加すると予測しました。

5. 不正検知の精度向上

私たちは皆、銀行、クレジット カード、通信会社を通じて不正検出の進化を目の当たりにしてきました。 初期のルールベースの取り組みでは、疑わしいトランザクションを見逃すか、罪のないトランザクションに不正としてフラグを立てる傾向がありました。 しかし、金融業界がグラフ データベースを採用して AI/ML の取り組みを強化すると、不正検出の精度が著​​しく向上しました。

グラフ データベースを AI/ML と組み合わせることで、不正検出の精度が向上し、誤検出が減り、見逃される可能性のある異常が検出されます。 機械学習では、顧客の通常の行動 (場所、デバイス、支払いの種類、認証方法など) をモデル化するために、さまざまな種類のデータを利用する必要があります。 さらに、通常の行動パターンとして定義されているものは、正当な変化に応じてその場で調整する必要があります。 グラフ データベースはそのダイナミズムをサポートし、AI/ML が顧客とのやり取りを走査して重大な差異を特定できるようにします。

金融サービス大手の JP Morgan Chase と Intuit は、グラフ データベースを採用して AI/ML 不正検出の取り組みを強化しています。 JP モルガン チェースはグラフ データベースを使用して、米国の 6,000 万以上の世帯を保護しています。Intuit によると、グラフベースの機械学習により、同社は潜在的な不正行為を 50% 多く検出し、誤検知をほぼ同じ割合で削減しました。

これらは、グラフ データベースの最も一般的な用途のほんの一部です。 また、顧客はグラフ データベースを使用して、ビジネス プロセスの最適化、ヘルスケアの成果の向上、デジタル マーケティング キャンペーンの強化、サイバーセキュリティの脅威の特定、さらにはエネルギー グリッドの管理を行っています。 新しいアプリケーションが定期的に登場します。

グラフ データベースの使命は、データ要素間の関係にまったく新しい窓を開き、新たなビジネス チャンスを特定し、無駄な動きにフラグを立て、AI/ML イニシアチブの機敏な基盤を提供できる分析を提供することです。 複数のエンタープライズ データ ストアへのアクセス権が与えられると、グラフ データベースはまったく新しい洞察と機能を提供できます。

Yu Xu は TigerGraph の CEO です.

データ意思決定者

VentureBeat コミュニティへようこそ!

DataDecisionMakers は、データ作業を行う技術者を含む専門家が、データ関連の洞察とイノベーションを共有できる場所です。

最先端のアイデアや最新情報、ベスト プラクティス、データとデータ技術の未来について読みたい場合は、DataDecisionMakers に参加してください。

あなた自身の記事を寄稿することを検討するかもしれません!

DataDecisionMakers の続きを読む

Leave a Comment

Your email address will not be published. Required fields are marked *