Un faisceau de corrélations : Une base de données graph est un objet mathématique constitué de nœuds qui représentent toutes sortes d’abstractions (un achat sur un site, une interaction sur un réseau social…). Entre eux, des arêtes symbolisent ce qui les relient les uns aux autres : un nom de famille, une adresse, un numéro de téléphone, un achat, un âge, etc. Il s’agit « tout simplement » de faire, à partir d’informations diverses, des liens, de façon agile et ultra rapide. Le fonctionnement de la technologie graph s’apparente ainsi à celui de la pensée humaine, créant en permanence des connexions entre diverses informations.
Les bases de données orientées graphs vont faciliter et accélérer les requêtes complexes puisqu’elles auront préalablement constitué les liens entre les nœuds. Elles peuvent donc être utilisées dans de nombreux domaines et pour toutes sortes de cas d’usage. Le site de rencontres Meetic recourt ainsi à une base de données orientée graphs pour améliorer ses recommandations de matching. C’est également via un tel dispositif que Google fait fonctionner son célèbre PageRank, qui décide de l’ordre des résultats.
Ce qui surprend le plus lorsque l’on effectue une requête sur une base de données orientée graphs, c’est de délai de réponse qui se compte en nanosecondes : une aubaine ! En effet, à moins de s’appeler Amazon et de gérer des téraoctets de données, les systèmes actuels montrent leurs limites en termes de rapidité de calcul, générant un temps de latence difficilement acceptable.
Dans le e-commerce, grâce aux bases de données orientées graphs, les recommandations produits s’affinent et sont délivrées en temps réel. Dans la banque, la finance et l’assurance, où les risques de fraude et de blanchiment sont omniprésents et nécessitent une vigilance de chaque instant, elles trouvent aussi progressivement leur place. Associées à l’IA et au Machine Learning, elles permettent, par exemple, de révéler des liens entre des individus et des sociétés. Des corrélations difficilement réalisables avec un traitement manuel. La puissance publique, dans le cadre de sa lutte contre l’évasion et la fraude fiscale, aurait donc, elle aussi, tout intérêt à s’intéresser à ce phénomène.
Enfin, avec une base de données orientée graphs, il est possible de retracer le chemin de n’importe quelle donnée qui entre dans le système d’information, et de la retrouver immédiatement, où qu’elle se trouve et même si elle a été dupliquée. Un excellent moyen pour les entreprises de répondre à leur obligation du « droit à l’oubli », inscrite dans le RGPD.
Ce qui se joue en réalité derrière les bases de données orientées graphs, c’est l’agilité des organisations. C’est pourquoi de plus en plus de sociétés dans la finance, le retail ou le marketing basculent actuellement vers ce modèle, y trouvant des sources de progression évidentes. La plupart des Cloud Providers se sont à leur tour saisis du sujet et proposent des solutions graphs sur leurs environnements visant à faciliter le transfert des données. Pour autant, cette technologie n’est pas une solution universelle et son implémentation doit être gérée au cas par cas. En effet, selon la configuration de son entreprise ou les cas d’usage à traiter, les bases relationnelles de type SQL peuvent se révéler bien suffisantes.
Ce qu’il faut garder en tête, c’est que migrer une base de données traditionnelle vers une base de données orientée graphs exige du temps et des ressources, financières comme humaines. La possibilité de perdre des données en cours de transfert est également un risque à ne pas négliger. Là encore, tout dépendra des objectifs recherchés. Ce qu’il faut souligner, en revanche, c’est que dans des cas d’usage bien spécifiques, comme la recommandation ou la gestion de la fraude bancaire et assurantielle, les bases de données graphs trouvent déjà des applications très pertinentes.