Kommentar von Stefano Marmonti, TigerGraph Acht Gründe für den Einsatz von Graphdatenbanken

Anbieter zum Thema

Tableau von Salesforce

QUNIS GmbH

BigData-Insider

Klassische, relationale Datenbanken stoßen bei großen und komplexen Datenbeständen schnell an ihre Grenzen. Mit fortschreitender Digitalisierung setzen sich deshalb verstärkt hochleistungsfähige Graphdatenbanken im Unternehmen durch, um IT-Analyse- und Datenanwendungen unterstützen zu können.

Graph-Technologien stellen Informationen als ein Netzwerk miteinander verbundener Knoten dar und entsprechen damit stärker menschlichen Denkstrukturen. Statt einer tabellarischen Aneinanderreihung von Fakten werden Verbindungen zwischen den Daten hergestellt, sodass sich Zusammenhänge schneller identifizieren und neue Erkenntnisse besser gewinnen lassen. Graphdatenbanken ermöglichen also die Darstellung von Abhängigkeiten zwischen einzelnen Objekten und von Beziehungen zwischen den Datenpunkten. Organisationen nutzen diese Vorteile für unterschiedliche Anwendungsfälle, die von einer 360-Grad-Sicht auf Kunden oder Produktempfehlungen bis hin zu Supply Chain Management und Betrugserkennung reichen.

Diese acht Vorteile von Graph-Technologien sollte insbesondere auch der Chef kennen:

• 1. Graph-Technologie als Quantensprung für das Datenmanagement: Die Zeit ist reif, tabellarische Datenbanken beiseite zu lassen und rasant wachsende Datenmengen als vernetzte Objekte und Beziehungen zu strukturieren. Anstatt Daten in starren Reihen aus Zeilen und Spalten aneinanderzureihen, sollten sie in einem graphbasierten Datenbankmodell intuitiv und anschaulich verfügbar sein. Durch Darlegung der Beziehungen zwischen verschiedenen Informationen lassen sich zeitaufwendige Abfragen vermeiden. Graphdatenbanken verschaffen nicht nur einen neuartigen Überblick über das Geschehen, sondern bieten auch die Möglichkeit, mit weiteren Graphanalysen und Algorithmen einen tieferen Einblick in große Datenbestände zu bekommen.

• 2. Effiziente Durchführung von Deep-Link-Analysen: Deep-Link-Analysen führen tiefer gehende Untersuchungen von komplexen Datenbeständen durch, um Verlinkungen aufzudecken, die normalerweise verborgen bleiben. So können beispielsweise die unterschiedlichsten Möglichkeiten aufgedeckt werden, wie Faktor X mit Faktor Y verbunden ist. Bei einer einfachen Abfrage der Daten sind diese Zusammenhänge möglicherweise nicht ersichtlich. Mit der Graph-Technologie lassen sich solche Abfragen jedoch automatisieren, um Verlinkungen über viele Objekte hinweg nachverfolgen und Gemeinsamkeiten oder Abhängigkeiten auffinden zu können. Deep-Link-Analysen unterstützen zahlreiche Anwendungen im Unternehmen, beispielsweise für Betrugserkennung, Lieferkettenoptimierung und maschinelle Lernprozesse.

• 3. Bessere Skalierung von großen und komplexeren Abfragen: Bei der Datenanalyse bildet jede Linkabfrage einen „Hop“, wobei Deep-Link-Analysen einer Datenbank mindestens zehn Hops umfassen. Mit jedem Hop von einem vernetzten Objekt zum nächsten werden alle benachbarten Datenpunkte einbezogen, sodass die sich die Menge der Informationen für eine tiefergehende Analyse exponentiell erhöht. Nach drei oder vier Hops werden relationale Datenbanken dabei immer stärker ausgebremst, weil temporäre Join-Tabellen im aktiven Speicher erstellt und verarbeitet werden müssen. Die Graph-Technologie sammelt dagegen die benötigten Informationen bei jedem Hop, während das Netzwerk durchlaufen wird, ohne alle Objekte im aktiven Speicher verwahren zu müssen. Dadurch laufen graphbasierte Abfragen im Vergleich zu relationalen Datenbanken effizienter ab und eignen sich insbesondere für komplexe Deep-Link-Analysen.

• 4. Graphdatenbanken als wertvolle Hilfe bei unbekannten Variablen: Relationale Datenbanken eignen sich gut zur Beantwortung bekannter Fragen. Die technologischen Einschränkungen der Tabellendatenstruktur führen dazu, dass sich anfangs getroffene Annahmen über die Daten und die gestellten Fragen auf das Datenschema auswirken. Deshalb neigen relationale Datenbanken dazu, die verfügbare Datenmenge einzuschränken, um sie in Tabellen, Zeilen und Spalten zusammenfassen zu können. Grundsätzliche, bekannte Beziehungen zwischen Datenpunkten werden also erfasst, aber viele der versteckten oder weniger offensichtlichen Beziehungen gehen verloren. Im Ergebnis ist nur ein Bruchteil der möglichen Beziehungen einsehbar und auswertbar. Graph-Modelle sind dagegen inhärent flexibler und die Struktur der Daten eignet sich insofern besser für erweiterte und veränderte Anforderungen.

• 5. Graph-Technologien zur Ergänzung bestehender Datenbanken: Eine Graphdatenbanklösung kann mit minimaler Unterbrechung und niedrigem Implementierungsaufwand vorhandene Datenbanken ergänzen, damit Unternehmen schon in einer frühen Phase die Ergebnisse eigener Pilotprojekte bewerten können. Das beinhaltet auch eine Anbindung an unterschiedliche Datenquellen, um Informationen umfassend darzustellen, die in mehreren Datenbanken lagern. So steht ein intuitiv bedienbares, webähnliches Datenmodell zur Verfügung, das Graphabfragen für vorhandene Datensätze ermöglicht. Für eine 360-Grad-Sicht auf Kunden ist dieser Ansatz unabdingbar, wenn sich Vertriebs-, Marketing- oder Kundendienstdaten auf separaten Datenbanken verteilen und diese Informationen ansonsten neu geladen werden müssten.

• 6. Optimale Darstellung und Analyse unterschiedlicher Datenquellen: Anders als bei herkömmlichen Datenbanklösungen können Graphdatenbanken eigentlich getrennte Daten miteinander verknüpfen. Auf diese Weise lassen sich aussagekräftige Business-Intelligence-Erkenntnisse selbst aus isolierten Datenbeständen gewinnen. Das Hinzufügen von Graphtechnologien zu herkömmlichen Datenbanken geht dabei über die bloße Schaffung einer einheitlichen Ansicht aller Daten hinaus. Vielmehr lassen sich anspruchsvolle Berechnungen durchführen, die sich der mathematischen Graphentheorie bedienen. Diese Algorithmen können Lösungen für viele rechentechnische Probleme finden und Anwendungen in der Lieferkette, bei der Betrugserkennung und zur Produktempfehlung optimieren.

• 7. Graph-Technologien zur Unterstützung von Prozessabläufen: Mit der Graph-Technologie lassen sich lange Ketten sequenzieller Aktivitäten mit einer Vielzahl von äußeren Einflüssen übersichtlich darstellen. So eignet sich die Graphentechnologie zum Beispiel für den Fertigungsprozess, bei dem Teile eines Produkts zwischen Fabriken, Montagelinien und Arbeitsplätzen verschoben werden und jeder Schritt der Verfügbarkeit von Komponenten, des Arbeitskräfteangebots und logistischer Aspekte unterliegt. Aus diesem Grund setzt Jaguar Land Rover (JLR) die Graph-Technologie ein, um seine Lieferkette zu modellieren. Finanzinstitute nutzen sie, um Transaktionen zu überwachen und Betrugsversuche zu erkennen. Und ein führender Lebensmitteleinzelhändler in Großbritannien nutzt Graphen für die Systemanalyse seiner komplexen IT-Landschaft.

• 8. Exponentielles Wachstum beim Einsatz von Graph-Technologien: Die Gartner-Analystin Rita Sallam prognostiziert, dass „bis 2025 Graph-Technologien in 80 Prozent der Daten- und Analyseinnovationen zum Einsatz kommen werden, gegenüber zehn Prozent im Jahr 2021“ und Unternehmen damit zu einer schnelleren Entscheidungsfindung in der gesamten Organisation kommen. Dieses Wachstum werde schnell sein und einen tiefgreifenden Einfluss auf die Art und Weise haben, wie Datenanalysen durchgeführt werden. Schon jetzt sind Graphdatenbanken im erfolgreichen Einsatz bei führenden Innovatoren wie JLR, NewDay, Intuit, Xandr, Kickdynamic oder China Telecoms sowie bei großen Finanzinstituten wie JP Morgan Chase und Einzelhändlern auf der ganzen Welt.

Bereits mit kleinen Investitionen können Unternehmen die Stärken von Graphdatenbanken nutzen, ohne bestehende Systemprozesse zu beeinträchtigen. Dieser Ansatz revolutioniert die Vorgehensweise, wie Unternehmen aus weltweit riesigen Datenmengen wertvolle Erkenntnisse ziehen.

(ID:48480646)