Tiga adopsi Graph Analytics ini bisa majukan industri

JAKARTA (IndoTelko) - Sebagai salah satu sektor dari manajemen data dengan pertumbuhan paling pesat, graph technology seperti graph database, graph analytics, dan knowledge graph telah menjadi bagian penting dari infrastruktur internet.

Pada awal penggunaannya, berbagai media sosial menggunakan teknologi tersebut untuk memahami bagaimana tiap user merasa relate satu sama lain agar dapat menghubungkan mereka dengan konten yang tepat.

Implementasi umum lainnya dapat ditemukan di platform e-commerce, di mana kemampuan graph analytics dapat membantu memberikan rekomendasi produk bagi pengunjung. Lebih lanjut, search bar pada mesin pencari yang digunakan orang-orang tiap harinya sejatinya adalah knowledge graph yang mampu memproses jutaan informasi yang terus mengalir secara simultan dalam waktu kurang dari satu detik untuk menghasilkan temuan yang berguna untuk tiap pengguna internet. Kini, graph technology telah berevolusi menjadi platform yang lebih mainstream yang digunakan para perusahaan di hampir seluruh industri dan sektor–dari finansial ke hiburan, dari layanan kesehatan ke telekomunikasi–yang terbukti mampu mendorong transformasi bisnis dan pertumbuhan yang nyata.

TigerGraph berkomitmen membantu organisasi dari berbagai sektor untuk mengakselerasi kapabilitasnya dalam analytics dan machine learning untuk meningkatkanoperational excellence seraya mendorong produktivitas. Komitmen ini sepenuhnya kami bawa di Indonesia bersama dengan ekspansi terkini yang dilakukan di Tanah Air, untuk membantu organisasi, baik itu perusahaan maupun institusi pemerintahan, untuk mengeluarkan potensi sebenarnya dari insight yang powerful dan graph analytics terbarukan.

“Seiring dengan pasar graph technology yang terus tumbuh dan mampu memberikan insight yang lebih baik bagi pengguna, kami percaya bahwa masih ada lebih banyak kemungkinan di masa depan untuk membuka analyticsyang lebih dalam dan luas di berbagai operasional, tentunya pada skala yang diinginkan. Dengan pemahaman tersebut, kami berkomitmen untuk menghadirkan solusi graph technology terdepan di industri untuk membantu lebih banyak organisasi di Indonesia berada selangkah di depan para pesaing dengan hyperconnected data yang mampu menyederhanakan konsep analytics demi menuju pengambilan keputusan yang lebih baik di tiap operasional. Maka dari itu, kami bersikap terbuka untuk menjalin kolaborasi dengan enterprise dan pemerintah untuk mendorong pertumbuhan berbagai sektor di Indonesia melalui adopsi graph technology yang strategis dan lebih luas,” ujar Managing Director, Indonesia, TigerGraph Reza Pahlevi.
   
Fraud Detection
Belakangan ini, pencegahan fraud telah menjadi salah satu fokus utama di sektor layanan finansial karena baik pelaku industri maupun regulator berupaya untuk menjaga kepercayaan publik. Institusi keuangan harus selalu siap dalam menghadapi serangan fraud dalam berbagai bentuk yang bisa muncul kapan pun. Lebih lanjut, para ahli menilai bahwa kebijakan work from home di tengah pandemi serta perkembangan bank digital di Indonesia dapat membuka lebih banyak kemungkinan fraud, yang tentunya perlu diantisipasi dan dilawan.

Dalam hal ini, solusi graph analytics dari TigerGraph dapat memperkuat upaya industri layanan finansial dalam mencegah fraud, baik itu untuk perusahaan maupun regulator. Upaya yang baru ini dilakukan oleh perusahaan penyedia software finansial asal Amerika Serikat menunjukkan bahwa integrasi antara machine learning dengan graph database untuk menciptakan pemanfaatan AI berbasis graph technology mampu mencegah fraud pada skala yang diinginkan.

Studi kasus itu dipresentasikan pada Graph + AI Summit 2021–satu-satunya konferensi terbuka untuk akselerasi implementasi analytics, AI, dan machine learning dengan graph algorithm–yang baru saja diselenggarakan oleh TigerGraph. Di sini, insight dan fitur-fitur dari graph technology milik TigerGraph dapat digunakan untuk menghubungkan entitas-entitas berpotensi fraud pada model ML/AI untuk mendorong kontrol terhadap fraud dan risiko lainnya sehingga dapat mengurangi fraud di berbagai checkpoint dalam ekosistem yang end-to-end. Solusi ini pun memungkinkan model pendeteksi fraud dari perusahaan tersebut untuk mendeteksi 35% lebih banyak risiko dan mencatatkan penghematan biaya sebesar 50 juta dolar AS hasil dari pencegahan fraud yang lebih baik di skala yang tepat.

Anti-money Laundering
Money laundering, atau pencucian uang, adalah masalah global yang kian hari makin sulit untuk dilacak dengan perkembangan pesat dari transfer dan pembayaran digital secara real-time, hukum internasional yang kompleks, hingga munculnya cryptocurrency. United Nations Office of Drug and Crime memperkirakan bahwa transaksi pencucian uang di seluruh dunia dapat berada di kisaran 2–5% dari PDB global (atau 800 miliar sampai 2 triliun dolar AS) tiap tahunnya. Maka dari itu, pemerintah negara di seluruh dunia telah memperketat pengawasan regulasinya dalam melawan money laundering, termasuk di Indonesia.

Perlu mendapat perhatian bahwa laporan dari Financial Action Task Force (FATF) menunjukkan bahwa money laundering telah muncul dalam bentuk yang lebih bervariasi dengan adanya pandemi COVID-19, termasuk di antaranya adalah pemalsuan alat-alat kesehatan, penipuan investasi, penipuan berkedok kegiatan sosial, dan penyalahgunaan stimulus ekonomi.

Meski demikian, dapat dikatakan bahwa seluruh sistem analytics yang digunakan untuk mematuhi regulasi AML dibangun menggunakan relational database. Pendekatan lama ini membatasi efektivitas pendeteksian dan investigasi AML, membuat risiko kejahatan finansial yang tersembunyi kerap dibiarkan tidak terdeteksi dan investigasi menjadi lebih rumit, menghabiskan lebih banyak waktu, dan tidak efisien.

Dalam hal ini, solusi graph analytics dari TigerGraph dapat mengoptimalkan implementasi strategi AML dan pencegahan pendanaan terhadap terorisme di Indonesia. Upaya terbaru dari salah satu institusi perbankan di Amerika Serikat dalam meningkatkan kemampuan analytics-nya terhadap AML menunjukkan bahwa solusi graph analytics dari TigerGraph mampu mengurangi false positive pada investigasi terkait AML secara real-time dengan menyibak hubungan antar entitas yang tidak terlihat dengan jelas. Hal ini memungkinkan para petugas untuk memaksimalkan kemampuan deep link analytics dan machine learning terbarukan untuk deteksi pola-pola sedemikian rupa secara otomatis. Kapabilitas TigerGraph dalam menghadirkan scalability untuk melakukan analisis terhadap jumlah data yang terus bertambah mampu menjaga program AML dari bank tersebut berada selangkah di depan para kriminal. Hal ini pun membuat solusi tersebut mampu mencatat peningkatan 10% pada akurasi investigasi AML dan penghematan 20 juta dolar AS sebagai hasil dari investigasi yang lebih produktif.

Solusi Customer  
Operator telekomunikasi terus mengembangkan berbagai inisiatif untuk memahami kebutuhan konsumen dengan lebih baik. Bahkan, dengan saturasi yang muncul di pasar telekomunikasi, operator perlu untuk tetap kreatif dan fleksibel dalam memberikan produk, layanan, dan penawaran, khususnya pada layanan berbasis digital. Dalam beberapa tahun terakhir, digital telco provider telah menjadi tren di industri, di mana para perusahaan membuat operator digitalnya masing-masing sebagai bisnis unit baru dalam upayanya menjangkau segmen yang lebih spesifik. Digital telco provider ini sepenuhnya memberikan layanan di saluran digital, mulai dari pembelian starter pack dan paket data hingga akses ke customer service, yang secara strategis dirancang untuk menyasar konsumen yang digital-savvy.

Dalam hal ini, solusi graph analytics dari TigerGraph dapat memberikan gambaran yang seamless terhadap customer journey dari para operator di Indonesia untuk dapat memahami kebutuhan dan minat konsumen dengan lebih baik. Salah satu perusahaan multimedia terdepan di Amerika Serikat, melalui unit bisnisnya yang bergerak di bidang periklanan, menunjukkan bahwa upayanya untuk memberikan solusi yang lebih baik bagi pelanggan dimulai dengan mengombinasikan aset data. Pada studi kasus yang dijelaskan di Graph + AI Summit 2021 ini, perusahaan tersebut membutuhkan solusi graph technology terdepan yang mampu melakukan komputasi terhadap big data secara efisien dan menganalisis miliaran sub-identifier (akun, cookies, dll) untuk menciptakan Identity Graph yang terkoneksi seutuhnya.

Dengan bantuan dari TigerGraph, solusi yang mencakup lebih dari 5 miliar titik poin dan lebih dari 7 miliar edgetersebut mampu menjahit berbagai identifier dari set data yang berbeda menjadi sebuah gambaran yang utuh dari seorang pengguna, termasuk di dalamnya adalah informasi tentang domisili dan perangkat yang digunakan. Implementasi Identity Graph ini memungkinkan proses traversal menjadi lebih cepat dengan menggunakan pointer-jumping, membuat user bisa menjalankan operasi bersama yang kompleks tanpa bantuan indeks, tentunya dengan pemrosesan cepat pada kapasitas graph yang besar bahkan pada hardware yang sama, seraya memungkinkan user untuk melakukan konfigurasi terhadap berbagai klaster data di dalam graph database untuk mencocokkannya dengan use case tertentu. Kapabilitas ini memberikan insight berharga bagi perusahaan untuk menawarkan cross-device product, seraya menyasar pelanggan yang tepat dan mengembangkan personalisasi konten.

Teknologi inovatif TigerGraph untuk menunjukkan nilai bisnis yang sesungguhnya dari data terkoneksi telah diakui dari tahun ke tahun.(wn)