Kommentar von Mario Werner, TigerGraph Graphanalysen sind der Turbo für die Datenauswertung
Anbieter zum Thema
Mehr Mut bei der digitalen Transformation lohnt sich, denn Graphdatenbanken liefern mit ihren Analysen handfeste Vorteile für Unternehmen.

In der Geschäftswelt gibt es zwei Sorten von Führungskräften: Die einen beobachten die Konkurrenz mit Argusaugen und versuchen, exakt Schritt zu halten und die anderen beobachten aufmerksam die vor ihnen liegende Strecke, um Kurven und Hindernisse rechtzeitig zu erkennen und sich im richtigen Moment an die Spitze zu setzen. Es ist wie in der Formel 1: Man will nicht leichtsinnig werden, aber auch keine Chancen verschenken.
Viele Unternehmen wenden sich jetzt der Digitalisierung zu, um effizienter zu werden, aber wie vielen von ihnen geht es nur darum, die ewig gleichen Probleme mit großen Datenmengen durch immer mehr und immer leistungsstärkere Server zu lösen? Versäumen die Unternehmen es an dieser Stelle nicht, den Einsatz der klassischen relationalen Datenbanken, in deren Tabellen die Daten fein säuberlich in Zeilen und Spalten stehen, grundsätzlich zu hinterfragen?
Die Welt lässt sich nun einmal nicht in Reih und Glied anordnen wie eine Reihe Zinnsoldaten. Die reale Welt ist ein Netzwerk von Datenpunkten, die durch Beziehungen miteinander verknüpft sind: Sie ist mit ihm befreundet, dieses Unternehmen stellt jenes Produkt her, von diesem Konto wurde Geld an das Konto überwiesen. Die reale Welt ist vernetzt und die Kette der Beziehungen ist endlos. Dieses Geflecht im klassischen Modell relationaler Datenbanken abzubilden, ist schwierig, in einigen Fällen sogar unmöglich.
Graphdatenbanken eignen sich von Natur aus, solche Daten abzubilden. Die Technologie gibt es zwar schon seit geraumer Zeit, aber erst seit Kurzem ist sie ausgereift genug, um auch in den Dimensionen eines Unternehmensnetzwerks zu funktionieren.
Und deswegen wird sie heute von Unternehmen genutzt, die anderen nicht hinterherlaufen, sondern sich durch den Einsatz zukunftsweisender Technologie vor die Konkurrenz setzen wollen.
Aussagekräftige Geschäftsdaten
2019 haben in der Gartner-Umfrage unter Führungskräften der CEO- und Managementebene 82 Prozent der Befragten angegeben, dass sie ihr Unternehmen stärker digitalisieren wollen. Aber was meinen sie damit? In vielen Fällen läuft es darauf hinaus, den besseren Zugriff auf Daten zu ermöglichen.
Bei herkömmlichen relationalen Datenbanken kann der Wunsch, aus den Daten aussagekräftigere Informationen zu ziehen, eine Reorganisation der Daten, die Verknüpfung zuvor eigenständiger Datenbanken oder (bei besonders ehrgeizigen Unternehmen) die komplette Restrukturierung aller Daten innerhalb eines einzigen, einheitlichen Systems und mit den damit verbundenen Risiken, mit sich bringen.
Ob diese Anstrengungen von Erfolg gekrönt sind oder nicht – Sie werden trotzdem keine andere Wahl mehr haben, als immer ausgefeiltere und komplexere SQL-Abfragen zu schreiben, um die inhärenten Beschränkungen relationaler Datenbanken zu umgehen. Und selbst wenn Ihnen das gelingt, laufen Sie doch nur den anderen Unternehmen hinterher, die schneller als Sie waren.
Einige Unternehmen haben zur Analyse von Daten ganz neue Wege eingeschlagen und nutzen Graphanalysen. Gartner zufolge wird sich der Trend zur Graphanalyse noch verstärken. Die Marktforscher gehen davon aus, dass bis 2025 hinter 80 Prozent der Innovationen im Bereich von Datenmanagement und -analyse Graphtechnologien stehen werden. Zum Vergleich: 2021 waren es erst zehn Prozent.
Das bedeutet, dass diese innovativen Unternehmen aus ihren vorhandenen Daten schneller und effizienter aussagekräftige Geschäftsdaten erhalten können und an der Konkurrenz vorbeiziehen.
Das Besondere an der Graphanalyse ist, dass sie sich einfach als Ergänzung in die vorhandene Datenumgebung einbinden lässt. Es ist also nicht erforderlich, das gesamte System neu zu konzipieren, um von ihren Vorteilen zu profitieren.
Datenquellen und Pipelines anbinden
Mit einer verteilten Graphdatenbank können Sie interne und externe Daten und Pipelines anbinden und wertvolle Geschäftsdaten in Echtzeit erhalten. Das zeigt das Beispiel von Xandr, der Werbe- und Analysepartner der AT&T-Tochter WarnerMedia. Die Graphdatenbank überspannt 15 Kanäle von WarnerMedia, darunter Cinemax, CNN, HBO und TNT, und in jedem einzelnen Kanal liegen die Daten von Millionen von Kunden. Xandr stand vor der Herausforderung, diese Kundendatenbanken zu einem einheitlichen System zusammenzuführen und Kunden wie Werbetreibenden den nahtlosen Zugriff auf alle Daten zu ermöglichen.
Aus dieser Situation entstand Community, eine Werbeplattform, die Nutzerdaten über verschiedene Plattformen hinweg erkennen kann. Das Ziel war, die verschiedenartigen Datenquellen zu einheitlichen Objekten zusammenzuführen, um den Werbetreibenden eine Gesamtschau zu ermöglichen, selbst wenn die Kunden unterschiedliche Geräte und unterschiedliche Kanäle nutzen. Dazu erstellte Xandr den ersten und größten Identitäts-Graphen seiner Art in der Werbebranche. Er nutzt eine Graphdatenbank, die in horizontaler Richtung wächst, sodass sie mehr als fünf Milliarden Knoten (Einheiten wie Nutzer, Geräte und Identifikationsmerkmale) und sieben Milliarden Kanten (die Beziehungen zwischen den Einheiten) umfasst und täglich eine Milliarde Updates verarbeitet. Mit Algorithmen zur Objektidentifizierung und Zentralitätserkennung sind Graphanalysen in der Lage, identische Objekte über die verschiedenen Datenbanken hinweg zu erkennen und eine einheitliche und detaillierte Übersicht über Haushalte und Geräte zu erstellen.
So weiß Xandr nicht nur, wie oft eine Anzeige auf einem bestimmten Gerät angezeigt wurde, sondern auch, wie oft genau diese Anzeige auf allen Geräten dieses Nutzers angezeigt wurde, und kann die Werbung entsprechend anpassen. Das Ergebnis ist eindeutig: Durch seine höhere Datenqualität und die präzisere Zielgruppenausrichtung wirbt Xandr seinen Konkurrenten Werbetreibende ab.
Verknüpfte Daten analysieren
Moderne Analysefunktionen können Erkenntnisse in einem Ausmaß und einer Tiefe liefern, die mit klassischen Datenbanken nicht möglich sind. Das demonstriert das Beispiel des Fahrzeugherstellers Jaguar Land Rover (JLR) auf eindrückliche Weise. Mit Graphanalysen gelang es JLR, die Lieferkettenplanung zu beschleunigen: von drei Wochen auf nur noch 45 Minuten. Gleichzeitig konnten Probleme gelöst werden, die bislang als rechnerisch unlösbar galten.
Die Schwierigkeit für JLR bestand darin, dass die Lieferketten in der Automobilbranche umfangreich und komplex sind. In einem durchschnittlichen Auto stecken 4.500 Teile, die aus einem Pool von über 30.000 möglichen Teilen zusammengestellt werden. Jede Änderung – Störungen bei Produktionsablauf und Lieferwegen, Änderungen der Kundenpräferenzen oder im rechtlichen Umfeld – kann kostspielige und zeitraubende Folgen für die gesamte Lieferkette bedeuten.
Mit Graphanalysen kann das Unternehmen jetzt rasch Lieferketten-Szenarien durchspielen und einen jederzeit aktuellen Überblick über die gesamte Lieferkette behalten. So wurde es möglich, Störungen vorherzusehen und schneller und effizienter darauf zu reagieren. Dies hat das Lieferantenrisiko um 35 Prozent reduziert und einen zusätzlichen Gewinn von jährlich 100 Millionen britischen Pfund erbracht. Die bei JLR für Daten und Analysen verantwortliche Führungskraft sagt, dass das Unternehmen mit der Graphanalyse jetzt den dreifachen Wert aus denselben Daten ziehen und Fragen beantworten kann, die in den letzten 20 Jahren als unmöglich zu beantworten galten.
Machine Learning innerhalb der Datenbanken
In verknüpften Daten schlummern für Unternehmen wertvolle Informationen, die sich mit Machine Learning innerhalb der Datenbanken identifizieren lassen. So geschehen bei NewDay, einem Unternehmen für Finanzdienstleistungen, das ausgeklügelte Anwendungen zur Betrugsbekämpfung entwickelt hat. Graphanalysen verbessern die Kriminalitätsbekämpfung, denn damit lassen sich alle Phasen und Formen des Kreditkartenbetrugs erkennen, etwa gefälschte Kreditkarten, die gestohlene Daten nutzen, Transaktionsbetrug und die betrügerische Nutzung durch die echten Inhaber.
Mit einem Umsatz von knapp 1 Milliarde britischen Pfund pro Jahr, fünf Millionen Nutzern und Geschäftsbeziehungen zu den größten Online-Shops und den bekanntesten Kreditkartenunternehmen, dazu noch dem Zugriff auf externe Datenbanken zur Betrugsprävention und Identitätsprüfung mangelte es NewDay wahrlich nicht an Daten. All diese Daten auf sinnvolle Weise zu verknüpfen, erforderte jedoch zeitaufwendige manuelle Prozesse, bei der die Beteiligten permanent zwischen den internen und externen Datenbanken hin und her wechseln mussten.
Daher entwickelte NewDay ein System mit Graphanalyse, das diese enormen Volumina interner und externer Daten zusammenführt und komplexe Betrugsszenarien so schneller als bisher analysieren kann. Zudem kann das Unternehmen mit aufwendigen Algorithmen über zehn Millionen Transaktionen pro Tag auf Verdachtsmomente hin analysieren und dabei die falsch positiven Treffer minimieren. So kann NewDay verstärkt aussagekräftige Informationen zur Betrugsbekämpfung einsetzen, kann Karten schneller sperren und neu ausgeben und mehr Fälle an die Polizei übergeben.
Das graphgestützte System bei NewDay steckt zwar noch in den Kinderschuhen, aber bereits jetzt entdeckt das Unternehmen zehn bis 15 Prozent mehr Betrugsfälle – und der Leitung der Betrugsprävention zufolge ist das erst der Anfang.
Es zeigt sich also, dass Graphdatenbanken ein hervorragendes Werkzeug zur Verknüpfung von Daten aus dem gesamten Unternehmen sind. Das ermöglicht leistungsfähige Graphanalysen, die verdeckte Beziehungen zwischen heterogenen Datenbanken aufdecken können und Unternehmen die Möglichkeit geben, Datenbanken so zu nutzen, wie sie genutzt werden sollten: zum Verbinden, Analysieren und Lernen.
Unternehmen wie Xandr, Jaguar Land Rover und NewDay haben erkannt, dass die althergebrachten Maximen für sie nicht mehr funktionierten. Als sich die Gelegenheit bot, griffen diese Unternehmen zu und erschlossen für sich das Potenzial von Graphdatenbanken und -analysen. So sind nicht nur die Datenprofis, sondern auch andere Abteilungen in der Lage, aus den vorliegenden Daten tiefergehende Auswertungen zu erstellen und mit ganz neuen Erkenntnissen zu arbeiten.
(ID:47420129)