Eine Beispiel-Darstellung, die mit einer Graph-Datenbank von Neo4j erstellt wurde und Geldflüsse untersucht, verdeutlicht, warum in diesem Beispiel Steuerfahnder schnell visuell Auffälligkeiten finden können. Am Hauptbahnhof in München gibt es eine öffentliche Bargeldeinzahlungsmöglichkeit. Wenn hier, sagen wir, 100 Leute kleinere Beträge um die 1.000 Euro einzahlen, würde das unter dem Radar verschwinden. Gibt es aber Verknüpfungen mit 100 Leuten, die das Geld in Kolumbien wieder abheben, kann diese Clusterbildung bei der Geldwäsche-Erkennung helfen – beispielsweise überwiesene Umsätze aus illegalem Drogenverkauf oder Prostitution (siehe Kasten).
Read more: https://www.it-business.de/graph-datenbanken-in-der-covid-19-bekaempfung-a-915218/