Geschäftskontext
Eine Bank analysiert Transaktionsdaten auf Geldwäschemuster. Das Netzwerk besteht aus mehreren isolierten Gruppen (nicht verbundenen Komponenten) und enthält Selbstüberweisungen (Self-Links). Es soll geprüft werden, wie nah Knoten beieinander liegen (Closeness), auch wenn keine Verbindung zwischen den Gruppen besteht.
Datenaufbereitung
Erstellung eines Datensatzes mit zwei getrennten Clustern und einer Selbstverknüpfung.
Kopiert!
| 1 | |
| 2 | DATA mycas.Transactions; |
| 3 | INPUT sender $ receiver $ amount; |
| 4 | DATALINES; |
| 5 | Krimineller1 Krimineller2 5000 Krimineller2 Krimineller3 2000 Krimineller1 Krimineller1 100 BürgerA BürgerB 50; |
| 6 | |
| 7 | RUN; |
| 8 |
Étapes de réalisation
1
Berechnung der Closeness-Zentralität mit harmonischer Methode für unverbundene Graphen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | network.centrality / links={name='Transactions'} outNodes={name='RiskScores', replace=true} direction='DIRECTED' close='WEIGHT' closeNoPath='HARMONIC' selfLinks=true eigen='WEIGHT' eigenAlgorithm='JACOBIDAVIDSON'; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion behandelt die isolierten Gruppen korrekt, ohne Fehler zu werfen (dank 'HARMONIC'). Die Selbstüberweisung von 'Krimineller1' wird berücksichtigt (selfLinks=true). Die Eigenvektor-Zentralität wird mit dem Jacobi-Davidson-Algorithmus berechnet.