知名投资银行高盛，正在通过一个自建的图谱分析（Graph Analytics）平台正被用于合规审查和欺诈识别。据专家所述，这个应用案例非常典型，因为蕴含风险的行为通常具有社交属性。
　　
　　高盛合规审查首席技术官Peter Ferns表示，在运用新兴技术方面高盛当前倾向于通过自建方式。高盛当前有三分之一的员工隶属于技术和战略团队。“通过技术部门的努力，我们能够以自建方式引入新技术。”Ferns表示。
　　
　　自建新技术平台的一个案例就是“大图谱（big graph）”，出自于Ferns所在的高盛大数据战略团队。高盛的图谱分析平台将用户数据映射成图的形式，即一系列互相连接的对象（或节点）。通过这种方式，客户、员工、企业以及交易之间的关系以一种新颖的形式组织在了一起。
　　
　　必须说明的是，图谱分析本身并不是新生事物，但为什么众多企业为此着迷不已呢？其中一个重要原因就是更好、更快和更低成本的技术出现了，使得对海量数据进行图谱分析成为可能。“大数据的兴起，使得大规模图结构的存储和计算成为可能。”Elder Research Inc.（位于弗吉尼亚Charlottesville的一家咨询公司）的首席科学家Andrew Fast表示。
　　

　　合规审查和欺诈发现都与社交有关

　　
　　Ferns在去年秋天举行的Strata+Hadoop World上表示，图谱分析在高盛的应用场景是合规审查和欺诈发现。“如果你了解金融市场的合规就会知道，监管部门要求我们能够监控每天各个银行的所有交易。”Ferns说：“因此，合规首先就是要将各类数据聚合起来。”
　　
　　每天，高盛所收集的数据涵盖了数以亿计的市场订单和指令、上千万笔贸易信息、数十亿规模的市场脉动数据、数百万电子邮件和即时消息等电子通讯数据。此外，由于高盛还被要求将这些数据保留一段时间，数据的规模愈发膨胀。单单就电子通讯数据而言，就达到了PB级别的规模。
　　
　　“以前，这些数据的汇集、维护和保存都是非常棘手的。但换个角度看，得感谢监管部门对我们的这个要求，正因如此我们拥有了这些高价值的数据，同时也探索出了存储和管理数据的宝贵经验。”Ferns表示：“现在，一旦适用的新技术就绪，我们就能够对这些数据展开大规模的分析。”
　　
　　Fast同样看好图谱分析在合规、风险管理和行业监管方面的前景。“统计乃至绝大部分分析行为的一个前提假设就是，数据是独立的，互相之间没有任何联系。然而，图谱分析打破了这种预设的条件。”Fast分析到。
　　
　　Fast还以自身的经验进行了说明。在攻读博士学位期间，Fast与全美证券交易商协会（即现在的美国金融业监管局）进行过合作。该团队当时就采用了图谱分析技术对股票经纪人进行合规、风险、欺诈等方面的监控。“得出这个结论的前提在于，正如我目前所从事的反欺诈研究一样，欺诈和合规也具备同样的社交本质。”Fast解释到：“要么是文化的分享，要么是触发一个时间序列，要么是个体之间的交互。”
　　

　　而且，高风险或欺诈行为并不是显而易见的。“它们并不会给出显著的信息从而立刻引起警觉。通过对相邻节点或特定群体的分析，图谱分析可以辨识微弱而隐晦的信号 — 仅针对个体分析是无法察觉的。”

　　
　　长久以来，纳斯达克都对那些隐含高风险的经纪人进行着监控，但是一直无法挖掘出这些人之间的关联。在Fast于2007年发表的论文中，证明了这些经纪人通常行动一致（无论跨部门还是公司之间），某段时间内会没有联系，但过一段时间又重新汇聚。“静默的时间可能是一年、两年甚至三年，但之后必然又聚集在一起做见不得人的勾当。”Fast说。通过对关系模式的长时间分析，纳斯达克能够预防性地识别出那些有违规倾向的经纪人。
　　

　　自建或是外部引入？

　　
　　然后，高盛自建图谱分析平台的做法并非业界常态。“这需要相关技能的丰富积累。”Gartner分析师Rita Sallam表示。
　　
　　这类平台并非在所有方面都与传统IT有区别。以数据流经的技术栈为例，Ferns认为与其他的项目并无不同：“都是从底层可信的数据源开始，贯穿到最顶部的业务层面。”
　　
　　对于图谱分析平台的特殊之处，Ferns也举例加以说明。在可信数据源和用户界面之间，高盛开发了一个原始数据存储层（Ferns将其称为data lake），以及一个数据登记接口，用来定义原始数据的应有形态。“这里汇集了各类技术，但其中很大一部分是Hadoop。”Ferns说。
　　
　　高盛的平台是基于本体模型（ontology model）或数据类型及相互关系构建。“我们有悠久的以模型为驱动进行开发的传统。”Ferns表示：“这一次这是基于这个核心理念加以扩展而已。”本体模型依赖于WWW标准：用于规定Web数据格式的资源描述框架（RDF）、定义数据间关系的Web本体语言（OWL）、针对RDF数据的SPARQL查询语言。
　　
　　Sallam表示，诸如RDF和SPARQL之类的标准才刚刚出现，精通于此的专业人员还比较稀少。“图数据库的问题是没有诸如SQL一样的标准查询语言。”她表示。对此，Sallam的建议是，除非图谱分析属于关键任务（就如高盛的情况一样），否则CIO最好是从外部引入技术，而不是自行构建。“CIO们应该着眼于那些整体性的平台或应用，确保能够支撑规模不断增长的数据和分析程序，最终实现真正有商业意义的应用场景。”
　　

　　应用场景现实可见且非常丰富。Sallam表示，图谱分析能够用于社交网络分析、电信网络分析、地理位置智能、市场分析、供应链监测和基因研究等多个领域。诸如IBM的i2、Centrifuge Systems和Palantir Technologies（2014年11月时估值达150亿美金）等，提供了针对图或网络的可视化分析平台。Sallam认为上述系统可作为Tableau（流行的可视化分析平台，但目前尚未提供图或网络分析功能）的替代品。

　　
　　Sallam表示，即便是没有直接投资于图谱分析技术的CIO，也应该为其在相关产品中的应用做好准备。比如，智能机器和虚拟个人助手就采用了图谱分析技术，并且在各类企业中得到了越来越普遍的运用。