BigQuery গ্রাফের সাহায্যে প্রতারণা শনাক্তকরণ

১. ভূমিকা

Marketing Header - Fraud in Fintech

প্রতারণামূলক কার্যকলাপের সাথে প্রায়ই কানেক্ট করা এন্টিটির লুকানো নেটওয়ার্ক যুক্ত থাকে—যেমন, একাধিক অ্যাকাউন্ট একই ইমেল আইডি, ফোন নম্বর বা আসল ঠিকানা শেয়ার করে। প্রথাগত রিলেশনাল ডেটাবেস এই জটিল, মাল্টি-হপ সম্পর্কগুলি দক্ষতার সাথে কোয়েরি করতে সমস্যায় পড়তে পারে।

BigQuery Graph আপনাকে গ্রাফ ডেটাবেস ব্যবহার করে স্কেলে এইসব নেটওয়ার্ক বিশ্লেষণ করতে দেয়। আপনি আগে থেকে থাকা BigQuery টেবিলের উপরে প্রপার্টি গ্রাফ নির্ধারণ করতে এবং আপনার ডেটার প্যাটার্ন খুঁজে পেতে গ্রাফ কোয়েরি ল্যাঙ্গুয়েজ (GQL) ব্যবহার করতে পারবেন।

প্রতারণা শনাক্ত করার জন্য গ্রাফ নেটওয়ার্কের একটি সাধারণ অ্যাপ্লিকেশন হল এমন অর্ডার বন্ধ করা যার ডেলিভারি ঠিকানা প্রতারণা নেটওয়ার্কের সাথে যুক্ত বা এর সাথে সম্পর্কিত পেমেন্ট বন্ধ করা।

এই কোডল্যাবে, আপনি BigQuery Graph ব্যবহার করে প্রতারণা শনাক্তকরণ সমাধান তৈরি করবেন। আপনি Cloud Storage থেকে ডেটা লোড করবেন, একটি প্রপার্টি গ্রাফ তৈরি করবেন এবং সন্দেহজনক কানেকশন শনাক্ত করতে গ্রাফ কোয়েরি ব্যবহার করবেন।

আপনি কী শিখবেন

  • কীভাবে BigQuery ডেটাসেট তৈরি ও ডেটা লোড করতে হয়।
  • DDL ব্যবহার করে কীভাবে প্রপার্টি গ্রাফ সংজ্ঞায়িত করা যায়।
  • GQL ব্যবহার করে কীভাবে গ্রাফ কোয়েরি করতে হয়।
  • প্রতারণা শনাক্ত করতে কীভাবে গ্রাফ অ্যানালিটিক্স ব্যবহার করতে হয়।

আপনার কী প্রয়োজন হবে

  • বিলিং চালু করা আছে এমন একটি Google Cloud প্রোজেক্ট।
  • একটি BigQuery নোটবুক এনভায়রনমেন্ট (BigQuery Studio বা Colab Enterprise)।

খরচ

এই ল্যাব Google Cloud রিসোর্স ব্যবহার করে যার জন্য বিল করা হয়। কাজ সম্পূর্ণ হওয়ার পরে আপনি রিসোর্স মুছে দেবেন ধরে নিয়ে আনুমানিক খরচ $৫-এর কম।

২. শুরু করার আগে

Google Cloud প্রোজেক্ট বেছে নিন বা তৈরি করুন

  1. Google Cloud Console-এ প্রোজেক্ট বেছে নেওয়ার পৃষ্ঠায় গিয়ে, কোনও Google Cloud প্রোজেক্ট বেছে নিন বা তৈরি করুন।
  2. আপনার Google Cloud প্রোজেক্টের জন্য বিলিং চালু করা আছে কিনা তা নিশ্চিত করুন। বিলিং চালু আছে কিনা তা কীভাবে চেক করবেন তা জানুন।

এনভায়রনমেন্ট বেছে নিন

এই ল্যাব রান করার জন্য আপনার একটি নোটবুক এনভায়রনমেন্ট প্রয়োজন হবে। আপনি BigQuery Studio অথবা Colab Enterprise ব্যবহার করতে পারবেন।

  1. Google Cloud Console-এ BigQuery পৃষ্ঠায় যান।
  2. গ্রাফ কোয়েরি রান করার জন্য আপনি Python নোটবুক ব্যবহার করবেন।

Cloud Shell চালু করুন

  1. Google Cloud কনসোলের সবচেয়ে উপরে Cloud Shell অ্যাক্টিভেট করুন বিকল্পে ক্লিক করুন।
  2. যাচাইকরণ চেক করুন:
gcloud auth list
  1. আপনার প্রোজেক্ট কনফার্ম করুন:
gcloud config get project
  1. প্রয়োজন হলে এটি সেট করুন:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

API চালু করুন

প্রয়োজনীয় BigQuery API চালু করতে এই কমান্ড রান করুন:

gcloud services enable bigquery.googleapis.com

৩. ডেটা লোড করুন

এই ধাপে, আপনি একটি BigQuery ডেটাসেট তৈরি করবেন এবং Cloud Storage থেকে স্যাম্পেল ডেটা লোড করবেন।

স্যাম্পেল ডেটাতে বেশ কয়েকটি CSV ফাইল আছে যা একটি সিমুলেটেড রিটেল এনভায়রনমেন্টকে দেখায়:

  • customers.csv: গ্রাহকের অ্যাকাউন্ট সংক্রান্ত তথ্য।
  • emails.csv: ইমেল আইডি।
  • phones.csv: ফোন নম্বর।
  • addresses.csv: আসল ঠিকানা।
  • customer_emails.csv, customer_phones.csv, customer_addresses.csv: টেবিল লিঙ্ক করা হচ্ছে।
  • orders.csv: জালিয়াতির ফ্ল্যাগ সহ অর্ডারের ইতিহাস।

ডেটাসেট তৈরি করুন

টেবিলগুলি রাখার জন্য fraud_demo নামের একটি ডেটাসেট তৈরি করুন।

  1. এই কোডল্যাবের জন্য, আমরা SQL কমান্ড এক্সিকিউট করব। আপনি BigQuery Studio > SQL Editor-এ এইসব কমান্ড রান করতে অথবা Cloud Shell-এ bq query কমান্ড ব্যবহার করতে পারবেন। নতুন SQL কোয়েরিআমরা ধরে নেব যে আপনি মাল্টি-লাইন ক্রিয়েট স্টেটমেন্টের সাথে আরও ভালো অভিজ্ঞতার জন্য BigQuery SQL এডিটর ব্যবহার করছেন।
CREATE SCHEMA IF NOT EXISTS `fraud_demo` OPTIONS(location="US");

টেবিল লোড করুন

Cloud Storage থেকে আপনার ডেটাসেটে ডেটা লোড করতে নিম্নলিখিত SQL স্টেটমেন্ট রান করুন।

LOAD DATA OVERWRITE `fraud_demo.customers`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/customers.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.emails`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/emails.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.phones`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/phones.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.addresses`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/addresses.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.customer_emails`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/customer_emails.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.customer_phones`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/customer_phones.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.customer_addresses`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/customer_addresses.csv'],
  skip_leading_rows = 1
);

LOAD DATA OVERWRITE `fraud_demo.orders`
FROM FILES (
  format = 'CSV',
  uris = ['gs://sample-data-and-media/fraud-demo-data/orders.csv'],
  skip_leading_rows = 1
);

৪. প্রপার্টি গ্রাফ তৈরি করুন

ডেটা লোড হয়ে গেছে, এখন আপনি প্রপার্টি গ্রাফ নির্ধারণ করতে পারবেন। প্রপার্টি গ্রাফে নোড (এনটিটি) ও এজ (সম্পর্ক) থাকে।

এই ল্যাবে, নোডগুলি হল:

  • গ্রাহক: অ্যাকাউন্ট হোল্ডারকে বোঝায়।
  • ফোন: ফোন নম্বর দেখায়।
  • ইমেল: ইমেল আইডি দেখায়।
  • ঠিকানা: কোনও ফিজিক্যাল ঠিকানা দেখায়।

প্রান্তগুলি হল:

  • OwnsPhone: গ্রাহককে ফোনের সাথে কানেক্ট করে।
  • OwnsEmail: কোনও গ্রাহককে ইমেলের সাথে কানেক্ট করে।
  • LinkedToAddress: কোনও গ্রাহককে কোনও ঠিকানার সাথে কানেক্ট করে।

গ্রাফ তৈরি করুন

আপনার fraud_demo ডেটাসেটে FraudDemo নামের গ্রাফ তৈরি করতে নিম্নলিখিত DDL স্টেটমেন্ট রান করুন।

CREATE OR REPLACE PROPERTY GRAPH fraud_demo.FraudDemo
  NODE TABLES(
    fraud_demo.customers
      KEY(account_id)
      LABEL Customer PROPERTIES(
        account_id,
        name),

    fraud_demo.emails
      KEY(email)
      LABEL Email PROPERTIES(
        email,
        email_type),

    fraud_demo.phones
      KEY(phone_number)
      LABEL Phone PROPERTIES(
        phone_number,
        phone_type),

    fraud_demo.addresses
      KEY(address)
      LABEL Address PROPERTIES(
        address,
        address_type)
  )
  EDGE TABLES(
    fraud_demo.customer_emails
      KEY(account_id, email)
      SOURCE KEY(account_id) REFERENCES customers(account_id)
      DESTINATION KEY(email) REFERENCES emails(email)
      LABEL OwnsEmail PROPERTIES(
        account_id,
        email,
        last_updated_ts),

    fraud_demo.customer_phones
      KEY(account_id, phone_number)
      SOURCE KEY(account_id) REFERENCES customers(account_id)
      DESTINATION KEY(phone_number) REFERENCES phones(phone_number)
      LABEL OwnsPhone PROPERTIES(
        account_id,
        phone_number,
        last_updated_ts),

    fraud_demo.customer_addresses
      KEY(account_id, address)
      SOURCE KEY(account_id) REFERENCES customers(account_id)
      DESTINATION KEY(address) REFERENCES addresses(address)
      LABEL LinkedToAddress PROPERTIES(
        account_id,
        address,
        last_updated_ts)
  );

৫. নেটওয়ার্ক বিশ্লেষণ করুন (২-হপ)

BigQuery Studio-তে নতুন নোটবুক খুলুন।

নতুন নোটবুক তৈরি করুন

এই কোডল্যাবের ভিজ্যুয়ালাইজেশন ও সাজেশন অংশের জন্য, আমরা BigQuery Studio-তে Google Colab নোটবুক ব্যবহার করব। এটি আমাদের গ্রাফের ফলাফল সহজেই দেখতে সাহায্য করে।

কোড সেলে নিম্নলিখিত কোড পেস্ট করুন:

!pip install bigquery-magics==0.12.1

BigQuery Graph Notebook, IPython Magics হিসেবে প্রয়োগ করা হয়। TO_JSON ফাংশনের সাথে %%bigquery ম্যাজিক কমান্ড যোগ করে, আপনি নিম্নলিখিত বিভাগে দেখানো ফলাফল দেখতে পারবেন। এই ধাপে, আপনি অ্যাকাউন্টগুলির মধ্যে সহজ কানেকশন খুঁজে পেতে একটি গ্রাফ কোয়েরি চালাবেন। এটি একটি "২-হপ" কোয়েরি কারণ এটি সম্পর্কিত নোড খুঁজে পেতে শুরুর নোড থেকে ২ হপ দূরে যায় (যেমন, গ্রাহক -> ইমেল -> গ্রাহক)।

আমরা Nicole Wade-এর অ্যাকাউন্ট তদন্ত করে শুরু করব। আমরা ২ হপের মাধ্যমে তার সাথে সম্পর্কিত যেকোনও অ্যাকাউন্ট খুঁজে পেতে চাই।

২-হপ কোয়েরি রান করুন

আপনার নোটবুকে নিম্নলিখিত কোয়েরি রান করুন।

%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH 
 p=(a:Customer) 
  ( -[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']- (n) ){2}
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
  -- Verify the final node in the hop array is a Customer
  AND 'Customer' IN UNNEST(LABELS(n[OFFSET(1)]))

RETURN TO_JSON(p) AS paths

সার্চের ফলাফল বুঝুন

এই কোয়েরি:

  1. Customer নোডে account_id "d2f1f992-d116-41b3-955b-6c76a3352657" (Nicole Wade) দিয়ে শুরু হয়।
  2. কানেক্ট করা নোডে (Phone, Email, বা Address) পৌঁছাতে OwnsEmail, OwnsPhone, বা LinkedToAddress-এর মধ্যে যেকোনও একটি এজ অনুসরণ করে।
  3. কানেক্ট করা নোড থেকে অন্য Customer নোডে এজ ফলো করে।
  4. নির্দিষ্ট সময়ে নেটওয়ার্কের অবস্থা দেখতে টাইমস্ট্যাম্পের (last_updated_ts) উপর ভিত্তি করে এজ ফিল্টার করে।

আপনি দেখতে পাবেন যে Zachary Cordova এবং Brenda Brown একই ঠিকানার মাধ্যমে Nicole-এর সাথে কানেক্ট করা আছে।

৬. নেটওয়ার্ক বিশ্লেষণ (৪-হপ)

এই ধাপে, আরও জটিল সম্পর্ক খুঁজে পেতে আপনি কোয়েরি বাড়াবেন। আমরা ৪-হপ কানেকশন খুঁজব। এর ফলে আমরা এমন অ্যাকাউন্ট খুঁজে পাই যেগুলি একাধিক মধ্যবর্তী এন্টিটির মাধ্যমে কানেক্ট করা থাকে (যেমন, গ্রাহক ক -> ইমেল -> গ্রাহক খ -> ফোন -> গ্রাহক গ)।

সময়ের সাথে সাথে এই নেটওয়ার্কে কী কী পরিবর্তন হয় তাও আমরা লক্ষ্য করব।

"আগের" স্ট্যাটাস

প্রথমে, ৩০ জুলাই, ২০২৫-এ নেটওয়ার্ক কেমন ছিল তা দেখে নেওয়া যাক।

নিম্নলিখিত কোয়েরি রান করুন:

%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH p= ANY SHORTEST (a:Customer) 
  ( -[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']- (n) ){3, 5}(reachable_a:Customer)
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
  -- Ensure the final node in the dynamic chain is actually a Customer
  AND 'Customer' IN UNNEST(LABELS(n[OFFSET(ARRAY_LENGTH(n) - 1)]))
RETURN 
  TO_JSON(p) AS paths,                   -- Array of all traversed edges
  ARRAY_LENGTH(e) AS hop_count

"পরের" স্ট্যাটাস

এখন, দেখা যাক ২ সপ্তাহ পরে নেটওয়ার্ক কেমন দেখতে লাগে। আমরা একই কোয়েরি চালাব, তবে তারিখের কোনও বিধিনিষেধ থাকবে না।

নিম্নলিখিত কোয়েরি রান করুন:

%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH p= ANY SHORTEST (a:Customer) 
  ( -[e:OwnsEmail|OwnsPhone|LinkedToAddress]- (n) ){3, 5}(reachable_a:Customer)
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
  -- Ensure the final node in the dynamic chain is actually a Customer
  AND 'Customer' IN UNNEST(LABELS(n[OFFSET(ARRAY_LENGTH(n) - 1)]))

RETURN 
  TO_JSON(p) AS paths,                   -- Array of all traversed edges
  ARRAY_LENGTH(e) AS hop_count

সার্চের ফলাফল বুঝুন

তারিখের ফিল্টার সরিয়ে দেওয়ার অর্থ হল, আপনি সম্পূর্ণ ডেটাসেট থেকে কোয়েরি করছেন। আপনি লক্ষ্য করবেন যে নেটওয়ার্ক উল্লেখযোগ্যভাবে বৃদ্ধি পেয়েছে। Nicole Wade এখন অনেক বড়, অত্যন্ত কানেক্টেড গ্রুপের অংশ। কানেক্ট করা নেটওয়ার্কের এই দ্রুত সম্প্রসারণ হল সম্ভাব্য প্রতারণামূলক কার্যকলাপের একটি শক্তিশালী সূচক, যেমন একটি প্রতারণা চক্র সময়ের সাথে সাথে রিসোর্স শেয়ার করে।

৭. প্রতারণা সংক্রান্ত রিপোর্ট তৈরি করুন

এই ধাপে, আপনি গ্রাফ অ্যানালিটিক্সকে প্রথাগত ব্যবসার ডেটার (অর্ডার) সাথে একত্রিত করে একটি বিস্তারিত জালিয়াতি রিপোর্ট তৈরি করবেন। আপনি ঝুঁকিপূর্ণ অ্যাকাউন্ট এবং সম্ভাব্য প্রতারণামূলক অর্ডার শনাক্ত করবেন।

এই কোয়েরিটি আরও জটিল। এটি স্ট্যান্ডার্ড SQL-এর মধ্যে গ্রাফ কোয়েরি রান করতে GRAPH_TABLE ব্যবহার করে এবং আগের ধাপে আমরা যে "আগে" ও "পরে" স্ট্যাটাস দেখেছি তার মধ্যে নেটওয়ার্ক সাইজের (diff) পরিবর্তন গণনা করে।

প্রতারণা সংক্রান্ত রিপোর্ট কোয়েরি রান করুন

আপনার নোটবুকে নিম্নলিখিত কোয়েরি রান করুন।

%%bigquery --graph
WITH num_orders AS (
  SELECT account_id, COUNT(1) AS num_order
  FROM fraud_demo.orders
  WHERE order_time > '2025-07-30'
  GROUP BY account_id
),

orders AS (
  SELECT account_id, order_id, fraud, order_total
  FROM fraud_demo.orders
  WHERE order_time > '2025-07-30'
),

-- Use Quantified Path Patterns to find connections up to 4 hops away
latest_connect AS (
  SELECT 
    account_id, 
    ARRAY_LENGTH(ARRAY_AGG(DISTINCT connected_id)) AS size
  FROM GRAPH_TABLE(
    fraud_demo.FraudDemo
    MATCH (a:Customer)-[:OwnsEmail|OwnsPhone|LinkedToAddress]-{4}(connected:Customer)
    RETURN a.account_id AS account_id, connected.account_id AS connected_id
  )
  GROUP BY account_id
),

prev_connect AS (
  SELECT 
    account_id, 
    ARRAY_LENGTH(ARRAY_AGG(DISTINCT connected_id)) AS size
  FROM GRAPH_TABLE(
    fraud_demo.FraudDemo
    -- Apply the timestamp filter to EVERY edge in the 4-hop chain
    MATCH (a:Customer)
          (-[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']-(n)){4}
    WHERE 'Customer' IN UNNEST(LABELS(n[OFFSET(3)]))
    RETURN a.account_id AS account_id, n[OFFSET(3)].account_id AS connected_id
  )
  GROUP BY account_id
),

edge_changes AS (
  SELECT account_id, MAX(last_updated_ts) AS max_last_updated_ts
  FROM fraud_demo.customer_addresses
  GROUP BY account_id
)

SELECT
    la.account_id,
    o.order_id,
    la.size AS latest_size,
    COALESCE(pa.size, 0) AS previous_size,
    la.size - COALESCE(pa.size, 0) AS diff,
    nos.num_order,
    o.fraud AS reported_as_fraud,
    o.order_total,

    CASE
      WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NULL THEN "CUSTOMER AT RISK"
      WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NOT NULL AND o.fraud THEN "CONFIRMED FRAUD ORDER"
      WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NOT NULL AND NOT o.fraud THEN "POTENTIAL FRAUD ORDER"
      ELSE ""
    END AS notes
FROM latest_connect la
LEFT JOIN prev_connect pa ON la.account_id = pa.account_id
LEFT JOIN num_orders nos ON la.account_id = nos.account_id
LEFT JOIN orders o ON la.account_id = o.account_id
INNER JOIN edge_changes ec ON la.account_id = ec.account_id
WHERE nos.num_order > 1 OR (la.size - COALESCE(pa.size, 0)) > 10
ORDER BY diff DESC

সার্চের ফলাফল বুঝুন

এই রিপোর্টে এগুলি দেখানো হয়:

  • account_id: যে অ্যাকাউন্ট বিশ্লেষণ করা হচ্ছে সেটির আইডি।
  • order_id: সাম্প্রতিক অর্ডার আইডি।
  • latest_size: আজ কানেক্ট করা নেটওয়ার্কের সাইজ।
  • previous_size: ২ সপ্তাহ আগে নেটওয়ার্কের সাইজ।
  • diff: নেটওয়ার্ক সাইজের বৃদ্ধি।
  • num_order: সাম্প্রতিক অর্ডারের সংখ্যা।
  • reported_as_fraud: অর্ডারটি জালিয়াতি হিসেবে ফ্ল্যাগ করা হয়েছে কিনা।
  • order_total: অর্ডারের মোট পরিমাণ।
  • notes: নেটওয়ার্কের বৃদ্ধি ও অর্ডার ইতিহাসের উপর ভিত্তি করে ঝুঁকির স্ট্যাটাস গণনা করা হয়।

আপনি বড় diff ভ্যালু এবং বেশি অর্ডার মোট সহ অ্যাকাউন্ট দেখতে পাবেন, যা আরও তদন্তের জন্য প্রধান প্রার্থী। "ঝুঁকিতে থাকা গ্রাহক" এবং "সম্ভাব্য প্রতারণামূলক অর্ডার" নোটগুলি এই অ্যাকাউন্টগুলিকে অগ্রাধিকার দিতে সাহায্য করে।

৮. স্কেলে শনাক্তকরণ

বিশ্লেষণের এই শেষ ধাপে, আপনি আরও বড় স্কেলে নেটওয়ার্কটি দেখতে পাবেন। একটি অ্যাকাউন্ট দিয়ে শুরু করার পরিবর্তে, আপনি সন্দেহজনক অ্যাকাউন্টের একটি সেটের মধ্যে কানেকশন সম্পর্কে কোয়েরি করবেন।

এর ফলে আপনি দেখতে পাবেন যে একাধিক স্বতন্ত্র তদন্ত আসলে একই বড় জালিয়াতি চক্রের অংশ কিনা।

স্কেল করা কোয়েরি রান করুন

আপনার নোটবুকে নিম্নলিখিত কোয়েরি রান করুন।

%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH
p= ANY SHORTEST (a:Customer) 
  ( -[e:OwnsEmail|OwnsPhone|LinkedToAddress]- (n) ){3, 5}
(reachable_a:Customer)
-- these IDs are from the previous results
WHERE a.account_id in (   "845f2b14-cd10-4750-9f28-fe542c4a731b"
  , "3ff59684-fbf9-40d7-8c41-285ade5002e6"
  , "8887c17b-e6fb-4b3b-8c62-cb721aafd028"
  , "03e777e5-6fb4-445d-b48c-cf42b7620874"
  , "81629832-eb1d-4a0e-86da-81a198604898"
  , "845f2b14-cd10-4750-9f28-fe542c4a731b",
   "89e9a8fe-ffc4-44eb-8693-a711a3534849"
 )
 LIMIT 400
RETURN TO_JSON(p) as paths

সার্চের ফলাফল বুঝুন

এই কোয়েরি একটি জটিল গ্রাফ দেখায় যেখানে নির্দিষ্ট সন্দেহজনক অ্যাকাউন্টগুলি কীভাবে ওভারল্যাপ করে এবং রিসোর্স শেয়ার করে তা দেখানো হয়। আপনি এখন বড় স্কেলে প্রতারণা শনাক্তকরণ দেখছেন, অ্যাক্টিভিটির ক্লাস্টার শনাক্ত করছেন যা একটি সমন্বিত প্রতিক্রিয়া নিশ্চিত করতে পারে।

৯. ক্লিন আপ করুন

এই কোডল্যাবে ব্যবহৃত রিসোর্সের জন্য আপনার Google Cloud অ্যাকাউন্টে চার্জ এড়াতে, আপনাকে ডেটাসেট এবং প্রপার্টি গ্রাফ মুছে ফেলতে হবে।

আপনার এনভায়রনমেন্ট ক্লিন-আপ করতে নিম্নলিখিত SQL স্টেটমেন্ট রান করুন।

DROP PROPERTY GRAPH IF EXISTS fraud_demo.FraudDemo;
DROP SCHEMA IF EXISTS fraud_demo CASCADE;

১০. অভিনন্দন

অভিনন্দন! আপনি BigQuery গ্রাফ ব্যবহার করে প্রতারণা শনাক্তকরণ সমাধান তৈরি করেছেন।

আপনি শিখেছেন কীভাবে:

  • Cloud Storage থেকে BigQuery-তে ডেটা লোড করুন।
  • DDL ব্যবহার করে প্রপার্টি গ্রাফ সংজ্ঞায়িত করুন।
  • সহজ ও জটিল সম্পর্ক খুঁজে পেতে GQL ব্যবহার করে গ্রাফ কোয়েরি করুন।
  • ঝুঁকি শনাক্ত করতে ব্যবসার ডেটার সাথে গ্রাফ অ্যানালিটিক্স একত্রিত করুন।
  • স্কেলে নেটওয়ার্ক ভিজ্যুয়ালাইজ করুন।

আরও সংস্থান