הגישה הקלאסית לניהול מאגרי מידע לצרכי ניתוח ומחקר מתמקדת בשאלה מהי ישות המידע המרכזית בה אנחנו מתעניינים ואיזה מידע יש לנו עליה, תוך זיהוי המאפיינים המשותפים לכלל ישויות המידע במערכת.
לעומת זאת, הגישה הגרפית לניתוח נתונים ממקדת את תשומת הלב בשאלה איזה מידע זורם בין ישויות המידע. בכך, היא מאפשר להצביע באופן אוטומטי ומהיר על אזורים חשודים לחקירה. במקרים מסוימים, זהו בדיוק מה שיעשה את ההבדל בין מניעת האירוע לבין חקירתו בדיעבד.
ככלל, ניתן לומר כי המפתח לבחירת הניתוח הגרפי הוא הפתרון המתאים יותר, כאשר יש רמה גבוהה של אינטראקציה בין ישויות המידע שחשיפתה עשויה לגלות דפוסים נסתרים, בעוד כמות הישויות ורמת האינטראקציה ביניהן גבוהות ביותר.
הגישה הקלאסית לניתוח BI
הגישה השכיחה לניהול מאגרי נתונים לצורך ניתוח (BI) ומחקר מתקדם (Data Science) מבוססת על התמקדות בישות מידע מרכזית (למשל: הלקוח, המוצר, ערוץ השיווק או המכירה). בגישה הזאת אנו מתמקדים בשאלה מהי ישות המידע המרכזית בה אנו מתעניינים ואיזה מידע יש לנו עליה (לקוח – כתובת, גיל, מקצוע, השכלה וכד') ובזיהוי של מאפיינים משותפים לכלל ישויות המידע במערכת (כל הלקוחות בקבוצת גיל מסוימת, המתגוררים באותה העיר, בעלי אותה רמת השכלה וכן הלאה).
אם נדמיין לעצמנו עיר (חכמה?) כלשהי, הרי שנוכל להגיד שמודל נתונים וניתוח BI קלאסי יתמקדו בשאלה מה אנחנו יודעים על כל בניין בעיר? (כמודגם באיור הבא)
גישת הניתוח הגרפי
הגישה הגרפית לניתוח נתונים והחצנת תובנות מתרכזת בשאלה מעט שונה. במקום להתרכז במה שאנחנו יודעים על ישויות המידע שלנו, אנו ממקדים את תשומת הלב שלנו בשאלה איזה מידע זורם בין ישויות המידע. בהשאלה שוב מהרעיון של עיר חכמה, אנחנו למעשה מעבירים את המוקד מהבניינים בעיר, אל התנועה שברחובות.
במקרים מסוימים, הניתוח והמחקר של זרימת מידע בין ישויות עשוי להועיל לנו יותר מאשר מערכת מידע רציונלית ומיקוד במידע על הישויות עצמן.
מתי נעדיף ניתוח של זרימת מידע?
בואו נחשוב על הדוגמא הבאה: בנק נדרש לבדוק ולפקח על התנועות בחשבונות של הלקוחות לצורך גילוי ומניעה של הונאות, הלבנת הון ופשיעה פיננסית אחרת. הבעיה היא שגם הלקוחות שלכאורה עוסקים בפשיעה פיננסית כזאת או אחרת, מודעים לחובה של הבנק לנסות לחשוף אותם ולדווח עליהם במקרה של חשד לפעילות אסורה. הדרך ה"קלאסית" לפעול מתחת לרדאר של מערכות הביקורת בבנק היא לפעול דרך מגוון גדול של חשבונות בתוך הבנק ובין הבנק לבנקים אחרים.
העלאת כל התנועות של החשבונות בבנק, תוך זיהוי חשבונות המקור והיעד של כל טרנסקציה באמצעות גישה של ניתוח גרפי - עשויה לחשוף במהירות קשרים בלתי ידועים בין חשבונות ולהצביע על נקודות סיכון לביקורת וחקירה.
האם היינו יכולים לחשוף אירועים כאלה גם בגישה הסטנדרטית של ניתוח מידע? כנראה שכן – אבל במאמץ הרבה יותר גדול והרבה יותר לאט. תזמון החשיפה הינו קריטי בשל ההבדל בין מניעה לבין חקירת פוסט-מורתם.
המפתחות לבחירה בגישה הגרפית
מערכת ניתוח גרפי מתקדמת תדע לא רק לתאר את עולם המידע דרך הזרמים בין ישויות המידע ברשת, אלא גם להצביע באופן אוטומטי ומהיר על האזורים החשודים לחקירה, דהיינו – למצוא את המחט בערימת השחת.
המפתחות, אם כן, להחלטה האם נדרשת גישה גרפית לניהול וניתוח המידע שלנו, הם:
- כאשר מתקיימת רמה גבוהה של אינטראקציה בין ישויות המידע (עובדים, חשבונות בנק, בניינים, חשבונות דוא"ל, רשת של מכשירי IOT, רשתות חברתיות, רשתות מחשבים ועוד)
- שחשיפתה עשויה לגלות דפוסים נסתרים (למשל סיכוני הונאות, נטישת עובדים, תקלות ייצור, סנטימנט ברשת החברתית ועוד)
- וכמות הישויות ורמות האינטראקציה ביניהן גבוהות ביותר (רמת מורכבות גבוהה של הרשת).
במקרים מעין אלו, הגישה הגרפית לניהול המידע וכן הניתוח הגרפי הם קרוב לוודאי פתרון מתאים יותר עבור הארגון.