Die Verwendungs­zwecke von Graphen­datenbanken

Teil 3 unserer Blog-Reihe 

In den letzten beiden Blogbeiträgen ging es bereits um die Frage, warum Graphendatenbanken gut dafür geeignet sind Stücklisten, die ein zentraler Teil eines jeden Fertigungsunternehmen sind, rechenoptimiert und kostensparend zu modellieren. Des Weiteren haben wir beschrieben, wie man Daten aus einer relationalen Datenbank so transformiert, dass diese in eine Graphendatenbank eingelesen werden können und wie wir als PoC eine Umgebung rund um die Graphendatenbank Amazon Neptune in der AWS Cloud umgesetzt haben. Im Rahmen des PoC wurde ebenfalls eine interaktive Oberfläche in Form eines Dashboards entwickelt, die es ermöglicht, so benutzerfreundlich wie möglich, mit der Datenbank zu interagieren.

Um diese benutzerfreundliche Oberfläche für die Abfrage der Graphendatenbank bereitzustellen und Einblicke durch Key Performance Indicators (KPIs) zu ermöglichen, wurde ein Decision-Support-Dashboard konzipiert. Dieser Prototyp wurde mit Hilfe des Open-Source-App-Frameworks ‚streamlit‘ erstellt, einer Python-Bibliothek, die die Erstellung von benutzerdefinierten Web-Anwendungen erleichtert.

 

Überblick über den Dashboard Prototyp

Abbildung 1: Überblick über den Dashboard-Prototypen 

 

Das Dashboard (s. Abbildung 1) besteht aus 4 Hauptteilen, in denen Daten aus der Graphendatenbank auf verschiedene Weise visualisiert werden. Des Weiteren gibt es eine Seitenleiste, mit deren Hilfe über Filter der Datensatz eingeschränkt werden kann. Jeder Teil des Dashboards erfüllt dabei einen anderen Zweck: einerseits werden berechnete KPIs dargestellt, andererseits kann ein visualisierter Auszug aus dem Graphen gezeigt werden, um die hoch komplexen Zusammenhänge zu visualisieren oder dem Benutzer Zeitreihen bzw. Korrelationsplots verschiedener Aspekte der Daten weiter zu verdeutlichen. 

Mit diesem Proof of Concept konnten wir zeigen, dass die hoch komplexen Zusammenhänge von Stücklisten in einer Graphendatenbank effizient abgelegt und abgefragt werden können. Zwar stellt die Transformation des Datensatzes von einer relationalen Datenstruktur hin zu einer graphenorientierten Datenstruktur zunächst ein Hindernis dar, es konnte dennoch gezeigt werden, dass eine solche Transformation umsetzbar ist. Abrunden konnten wir den PoC mit einem Decision Support Dashboard, dass eine benutzerfreundliche Interaktionsmöglichkeit für die Graphendatenbank darstellt und wichtige Kennzahlen des Datensatzes bestimmt.

 

Graphendatenbanken im Supply Chain Management

Eine weitere Verwendung finden Graphendatenbanken im Supply Chain Management. Im Graphen können die Stückliste, auch Bill of Materials (BOM) genannt, die Baugruppengruppierungen, Informationen über bereits getätigte Aufträge und die Produkte, die für die Aufträge benötigt werden, zu einer Ansicht der Supply Chain verkettet werden. Da die Supply Chains heutzutage häufig weitreichend und komplex sind, hat die Transparenz der Lieferkette, die durch eine Modellierung aller Daten in einer Graphendatenbank ermöglicht werden kann, für viele Unternehmen an Bedeutung gewonnen. Letztendlich wird so ermöglicht, die Lieferanten und ihren Einfluss, bis hin zu den Aufträgen und Produkten, zu verstehen. Außerdem kann ein Blick auf die Verkaufszahlen sowie auf die Verkaufsprognose helfen zu verstehen, wie Wareneinkaufsentscheidungen getroffen werden sollen. Insgesamt hilft die Modellierung der Daten in einer Graphendatenbank dabei, die komplexen Beziehungen zwischen den einzelnen Komponenten in der Supply Chain abzubilden und die Daten, so wie sie in der Realität vorliegen, zu prozessieren und zu analysieren.

 

Supply_chain_Example_Graph

 

Die technische Herausforderung besteht hier darin, hunderte bis tausende Produktlinien, teilweise über verschiedene Produktstätten verteilt und in verschiedene Märkte verkauft, abzuspeichern und die dazugehörigen Informationen zu einem späteren Zeitpunkt schnell und einfach abrufen zu können. Die Speicherung der Daten auf einer SQL-basierten Datenbanktechnologie bedeutet, dass eine einfache und schnelle Navigation durch alle Daten, um beispielsweise zu erkennen, wie eine Produktionslinie oder bestimmte Paletten und deren Inhalt zusammenhängen, unmöglich ist. Mit zunehmender Konnektivität und dem Übergang zum Internet der Dinge nimmt diese Komplexität exponentiell zu.

Relationale Datenbanken, die Informationen in Zeilen und Spalten speichern, sind ebenfalls schlecht darin, Beziehungen innerhalb von Datensätzen zu erkennen. Diese Verbindungen sind für die Identifizierung des Verbleibs eines Produkts unerlässlich. Sie ermöglichen die Überwachung, Analyse und Suche in der Lieferkette, um Daten über Produktionsstandorte und Produkte auszutauschen. Herkömmliche Datenbanken in Echtzeit hochperformant zu machen, ist ebenfalls problematisch, da die Leistung mit zunehmender Größe des Datensatzes leidet.

Graphendatenbanken können komplexe, miteinander verknüpfte Lieferketten abbilden und auch bei großen Datenmengen eine hohe Leistung beibehalten. Ihr inhärent beziehungsorientierter Ansatz ermöglicht es Unternehmen, ihre Daten besser zu verwalten, zu lesen und zu visualisieren. So entsteht ein nachvollziehbares und tiefgehendes Bild aller Produkte, Lieferanten und Anlagen, sowie der Beziehungen zwischen ihnen. Produzierende Unternehmen, die ihre Supply Chain mit einer Graphendatenbank abbilden, erreichen im Vergleich zu einer traditionellen SQL-Datenbank typischerweise um ein vielfaches schnellere Abfrage-Antwortzeiten.

Die Reaktionszeit, die Graphendatenbanken bieten, und die Fähigkeit, komplexen Ketten von Abhängigkeiten zu folgen, ist entscheidend, wenn zeitkritische Lösungen gesucht sind oder Lieferketten von bestimmten Produkten nachverfolgt werden müssen.

Nehmen wir als Beispiel eine Reihe von Reklamationen, die sich auf einen Fehler in einer Komponente beziehen. Sind nun die Daten der Supply Chain in einer Graphendatenbank modelliert, können wir mit Hilfe der Datenbank schnell und über simple Abfragen die Daten heranziehen, die benötigt werden, um Kunden und Reklamationen über die Komponente zum Lieferanten zurückzuverfolgen. Daraus folgend können Entscheidungen bezüglich Ersatzkomponenten oder Lieferantenwechsel getroffen werden.

Mit Hilfe von Graphendatenbanken kann auch der Bestand eines Unternehmens optimiert werden. Da in der Graphendatenbank alle Komponenten der Supply Chain miteinander abgebildet sind, wissen wir wie viele Teile verfügbar sind, wo diese sich befinden, wie lange es dauert bis sie eintreffen und in welche Produkte sie eingebaut werden müssen, sodass der Bestand so verschoben werden kann, dass er zur richtigen Zeit am richtigen Ort ist. So kann der Bedarf gedeckt werden, sobald er benötigt wird. Damit kann der Bestand effektiv geplant werden und es wird nicht mehr eingekauft oder gelagert als nötig.

Und schließlich kann eine Graphendatenbank bei der vergleichenden Analyse von Lieferanten und deren Produkten helfen. Mit der Übersicht über alle Lieferanten im Vergleich zu allen verwendeten Teilenmund Komponenten, können Garantieansprüche verglichen und die Fehlerraten der verschiedenen Lieferanten eingesehen werden. Mit Hilfe dieses Gesamtüberblicks können fundiertere Entscheidungen darüber getroffen werden, mit welchen Lieferanten zusammengearbeitet werden sollte und über welche Lieferanten bestimmte Produkte bezogen werden sollten.

Wie wir über den Verlauf unserer Blogreihe zu Graphendatenbanken zeigen konnten, können Graphendatenbanken für eine Vielzahl an Use Cases eingesetzt werden. Ihr Einsatz ist zwar keineswegs trivial, vor allem wenn bestehende relationale Datenbanksysteme in ein graphenorientiertes Datenbanksystem transformiert werden müssen. Dennoch konnten wir zeigen, dass dies mit Hilfe des Cloud-Computing Anbieters AWS möglich ist, und eine benutzerfreundliche Interaktion mit der Datenbank bereitstellen. Zuletzt konnten wir zeigen, dass Graphendatenbank nicht nur zur Modellierung von Stücklisten geeignet sind, sondern im Supply Chain Management große Vorteile bieten können. Durch ihre Geschwindigkeit, Flexibilität und Dateneinsicht sowie einer Basis an reifen, verlässlichen Technologien, bieten Graphendatenbankmodelle für verschiedenste Probleme eine Lösung und sind deshalb zurecht weiterhin ein wichtiges Thema des Informationsmanagements.

Sie wünschen eine individuelle, unverbindliche Beratung? Kontaktieren Sie uns jetzt! 

Kontakt aufnehmen

 

Veröffentlich am 5.3.2021

Thema: AWS, datengesteuertes Unternehmen, Umsatzsteigerung, Datenanalyse, Purpose Driven Organization, Controlling, Advanced Analytics