現状の戦術では一部の詐欺行為しか特定できない理由
データサイエンティストは、詐欺行為を検知するべく、機械学習（ML）やアナリティクスで厳密なモデルを開発してきました。しかし、ほとんどのデータサイエンスモデルがきわめて重要なある要素を忘れていま。それはネットワークの構造です。
ソーシャルネットワークの分析における調査では、ネットワーク構造分析の予測能力に注目が集まっています。James Fowler氏が彼の著書『Connected』で述べているように、「ある人物に関して何らかの予測をする場合、その人物自身を対象とするよりも、その人物の友人や友人の友人に関してあらゆる情報を集めたほうがずっと予測の精度を上げられることが次第に明らかになっているのです」。
ネットワーク分析では、データエレメント間に存在する固有の関係を把握します。ソーシャルネットワークのデータをグラフとして捉える考え方は当たり前になっていますが、実際には、どのようなタイプのデータでもこの方法で説明できるのです。たとえば、銀行口座の名義人とその情報をグラフとして可視化することが可能です。
口座名義人の情報をネットワーク構造の観点から分析すると、複数の名義人が同じ電話番号やID番号を使用しているケース（以下の図を参照）に遭遇することがあります。同じ要素が共有されている場合、IDを偽造した詐欺行為が行われている可能性があります。数十万からときには数百万に上る口座名義人の膨大なネットワーク構造を効果的に分析できる手法がなければ、この種の詐欺のサインを発見するのは困難です。
データを縦の列と横の列で整理する表形式のデータモデルは、個々のデータに固有の複雑な関係やネットワーク構造を把握するために設計されたものではありません。
データをグラフとして分析する手法では、データの構造を明らかにして予測に利用できます。そして、グラフデータベースを利用すれば、これらの関係を保存して、後で分析に活用できるのです。
詐欺の検知にグラフデータサイエンスを利用する
グラフデータサイエンスでは、検索やクエリ、グラフの各アルゴリズムを使用して、ネットワークの構造を調査、分析できます。離散数学の部分体であるグラフ理論を活用していますが、その利用にあたって数学の知識は必要ありません。
グラフデータサイエンスを活用すれば、詐欺行為発生の予測精度を高められます。詐欺の問題が発生するとコストがかかり、問題の規模もきわめて大きいことから、グラフデータサイエンスを活用している金融サービス企業によれば…
▼続きは資料ダウンロード後ご覧いただけます▼