O uso cada vez mais intenso de dados para desenvolvimento e criação de aplicações de negócios, está movimentando o mercado brasileiro, com inúmeros players do setor investindo para ofertar novas soluções para as organizações extraírem o máximo de valor de suas bases de dados.
O Neo4j surge nesse cenário com uma proposta inovadora fundamentada numa plataforma de modelagem e análise de grafos, que permite estabelecer correlações de forma simples e ágil, para acelerar a tomada de decisões.
Usando algoritmos de gráficos e aprendizado de máquina (ML), os cientistas de dados identificam padrões e comportamentos para melhorar seus modelos para uso em mecanismos de recomendação, detecção de fraudes, otimização de rotas e cenários 360 do cliente, entre outros.
O Neo4j Graph Data Science foi projetado para que os cientistas de dados alcancem maior precisão preditiva com técnicas abrangentes de análise gráfica, para que os usuários possam melhorar os modelos através de uma biblioteca de algoritmos grafos, pipelines ML e métodos de ciência de dados, lidando facilmente com centenas de bilhões de dados e suas correlações.
André Serpa, vice-presidente Latam da Neo4j, explica que a tecnologia começou a ser desenvolvida em 2002 na Califórnia e hoje tem como clientes os 20 maiores bancos dos Estados Unidos; 8 das 10 maiores montadoras; 76% das 100 maiores empresas do mundo e uma presença global. "Já estamos operando na região a um ano e meio e ampliando nossa equipe de vendas para aumentar nossa cobertura".
"Além de ter um time no Brasil e no México, vamos aumentar o número de parceiros na região, e investir em desenvolver as comunidades de usuários , além de ampliar as parcerias com as universidades", disse.
Ele explica, que a tecnologia aumenta radicalmente a produtividade das equipes de desenvolvimento. "Para 300 linhas de código de uma base relacional, com o Neo4j Graph Data o desenvolvedor só precisa de 5 linhas para chegar ao mesmo resultado".
O Neo4j Graph Data Science foi projetado para que os cientistas de dados alcancem maior precisão preditiva com técnicas abrangentes de análise de grafos. Os usuários podem melhorar os modelos através de uma biblioteca de algoritmos grafos, pipelines ML e métodos de ciência de dados e lida facilmente com centenas de bilhões de dados e suas correlações.
Usuários
A Qualicorp por exemplo, usa a soluções para oferecer recomendações para seus 2,6 milhões de clientes, envolvendo mais de 100 operadoras, que têm mais 100 mil opções de plano e mais de mil corretores associados. A Pfizer, por exemplo, usou Neoj4j para gerenciar a distribuição de vacinas contra Covid-19 no período da pandemia.
A Zurich Suíça faz a triagem de possíveis casos de fraude usando dados armazenados no Neo4j. Os investigadores mudam diretamente da ferramenta de risco baseada em regras para o aplicativo baseado em gráfico e abrem todos os dados relevantes em uma única visualização. Zurich armazena cerca de 20 milhões de nós e 35 milhões de relacionamentos no gráfico.
Os relatórios de sinistros são vinculados a dados de apólices de seguro, informações de clientes, propriedade segurada (por exemplo, veículos) e dados financeiros e de pagamento. Dados externos de bancos de dados nacionais, listas negras e dados econômicos (por exemplo, credibilidade, propriedade) são adicionados.
Outro exemplo que mostra a potencialidade da solução, foi a investigação dos Panama Papers foi o maior vazamento de dados nos 21 anos de história do ICIJ – e o maior vazamento de dados de todos os tempos. Em 2015, um vazamento anônimo de 11,5 milhões de documentos do escritório de advocacia Mossack Fonseca, com sede no Panamá, revelou o uso ilícito de contas bancárias offshore por ricos e famosos do mundo.
O material continha 40 anos de documentos confidenciais relativos a mais de 200.000 empresas em 21 paraísos fiscais, desde a Suíça e Hong Kong até Nevada nos EUA. Os desenvolvedores do ICIJ construíram o grafo da Neo4j em torno das principais entidades dos dados vazados, como empresas, seus clientes e executivos. Isso permitiu que os jornalistas descobrissem relacionamentos entre esses nós principais – correspondendo, digamos, contas bancárias a pessoas que tinham o mesmo endereço, laços familiares ou vínculos comerciais, ou que trocavam e-mails regularmente.
