Was haben Zusammenhänge und Kontext mit Ihren Daten zu tun?

Daten sind objektive, also mess- oder beobachtbare Fakten über Gegenstände oder Ereignisse, die in ein Bezugssystem gebracht zu Informationen umgewandelt werden können. Informationen unterscheiden sich von Daten dadurch, dass sie zusätzlich zu den Daten den jeweils relevanten Kontext enthalten. Wissen ist die darauf aufbauende, sinnvolle Verknüpfung von Informationen zueinander. Erkenntnis ist das Ergebnis eines durch Einsicht oder Erfahrung gewonnenen Wissens. Erkenntnis entwickelt sich somit aus der Verarbeitung der Informationen durch Menschen und ist damit eine spezielle, weiterverarbeitete Form von Wissen. Auf Basis von Wissen und Erkenntnissen lassen sich rationale Entscheidungen treffen. Das Ziel jeder Datenanalyse sind letztlich bessere Entscheidungen. Um die Zusammenhänge zwischen Daten, Informationen, Erkenntnissen usw. besser zu verstehen ein kleines Beispiel:

  • Bei 212, 199, 203, 204, 207 handelt es sich im (Roh-) Daten
  • Zusammen mit dem Kontext (Niederschlagsmenge in mm, München) wird daraus die Information, dass es sich um fünf Regentage handelt
  • Durch Verknüpfung dieser Information mit weiteren Informationen im Datenmodell wird daraus das Wissen, dass es sich um die Wettervorhersage der nächsten Tage handelt
  • Aus dem persönlichen Erfahrungshintergrund, in Beziehung gesetzt mit den bereitgestellten Informationen, entsteht die Erkenntnis, dass ein für übermorgen geplanter Ausflug in einen Münchner Biergarten „ins Wasser fallen“ wird.
  • Auf Grund der gewonnenen Erkenntnis fällt die Entscheidung den Ausflug kurzfristig abzusagen

Entscheidungen mit einer gewissen Komplexität (letztlich immer dann, wenn die reale Welt komplexer ist als das mathematische Modell) können nicht allein anhand von analytischen Daten getroffen werden. Sie basieren zusätzlich auch auf immateriellen Faktoren wie Vertrauen oder Begeisterung, aber vor allem auf der menschlichen Erfahrung und der Fähigkeit, Informationen in den jeweiligen Zusammenhängen zu verstehen. Auch dazu gibt es ein schönes Beispiel:

Würde eine Weihnachtsgans alle ihr zur Verfügung stehenden Daten auswerten, die Menge an Futter, die ihr zur Verfügung steht, die Regelmäßigkeit, mit der sie gefüttert wird, usw., käme sie vermutlich zu dem Schluss, dass Menschen ihr sehr wohlgesonnen sind. Kurz vor Weihnachten würden vermutlich alle Prognosen über ihre Zukunft äußerst rosig ausfallen - und doch ahnen wir, wird sie schon bald ihre Glaubenssätze revidieren.

Was der Gans fehlt sind nicht bessere Daten, sondern der richtige Kontext. Computer sind ziemlich gut darin, Muster zu finden, vor allem in riesigen Datenmengen. Geht man davon aus, dass sich die Bedingungen, unter welchen solche Muster entstanden sind, nicht verändern, so besteht eine hohe Wahrscheinlichkeit, dass sie auch in Zukunft Bestand haben werden. Dies ist die Annahme, die mehr oder weniger allen heute verwendeten Vorhersage-Systemen zu Grunde liegt. Tritt jedoch ein unerwartetes Ereignis ein, so sind alle Vorhersagen nichts mehr wert, weil sie nur auf historischen Daten beruhen. Was Sie dann brauchen ist Kontext! und die Möglichkeit Zusammenhänge zu erschließen!

Wie kann eine Graphendatenbank helfen?

Je tiefer die Zusammenhänge von Daten verstanden werden, um so aussagekräftiger sind die daraus gewonnen Erkenntnisse. Komplexe Zusammenhänge in Daten lassen sich mit traditionellen, relationalen Datenbanken nur sehr schwer analysieren. Mittels Graphendatenbanken und optimierten analytischen Modellen lassen sich derartige Herausforderungen aber lösen. Sie können Daten interaktiv abfragen und Auswirkungsanalysen schnell und einfach durchführen. Eine Graphen-Datenbank kann immer dann, wenn es um den Umgang mit stark vernetzten Daten geht erstaunliche Ergebnisse liefern.

AWS Neptune

Amazon Neptune ist eine speziell entwickelte, hochleistungsfähige Graphdatenbank-Engine, die für die Speicherung von Milliarden von Beziehungen und die Abfrage des Graphen mit einer Latenzzeit von Millisekunden optimiert ist. Neptune ist hochverfügbar und vollständig verwaltet, so dass sich insbesondere auch Unternehmen die erste Erfahrungen sammeln oder Prototypen umsetzen wollen keine Sorgen über Datenbankverwaltungsaufgaben wie Hardware-Bereitstellung, Software-Patches, Setup, Konfiguration, Überwachung oder Sicherungen machen müssen.

Anwendungsbeispiele

Die meisten Banken erkennen betrügerische Aktivitäten automatisch. Weicht das Muster wie und wo Geld ausgegeben wird, vom Normallfall ab, werden vollautomatisch bestimmte Schutzmechanismen in Gang gesetzt. Oft geschieht das noch, bevor die Opfer überhaupt bemerken, dass irgendetwas nicht stimmt. So können sehr Zeitnah größere Schäden für Kunden und Bank abgewendet werden.

Die heute eingesetzten erweiterten Empfehlungsmaschinen (RecommendationEngines) – wie sie jeder von Amazon kennt – schlagen Musik, Bücher, Filme, Kleidung und andere Produkte und Dienstleistungen vor. Diese basieren auf Verbindungen zu anderen Transaktionen und können über einfache, direkte Verbindungen hinausblicken.

Ein weiteres Beispiel ist das Erkennen von Zusammenhängen von Krankheiten und Genen. Mit Hilfe einer Graphendatenbank können Muster in der Wechselwirkung von Proteinen identifiziert werden. So können viel gezielter Untersuchungen durchgeführt werden, Forschungen dadurch effizienter und schneller durchgeführt werden.

Im folgenden Video stellen wir einen Use Case aus dem Bereich Manufacturing vor. Mit Hilfe der Graphentechnologie bringen wir isolierte Daten zusammen und analysieren die Zusammenhänge: Stellen Sie sich eine aufgelöste Materialstückliste vor und ergänzen Sie diese mit diversen anderen Dimensionen: Wo spielt überall ein bestimmter Kundenauftrag ein Rolle? Wie hängen einzelne Außendienstmitarbeiter und Produkte zusammen? Welche Bestandteile (Dimensionen) sind die Grundlage für eine erfolgreiche Lieferantenbeziehung?  

Haben Sie schon einmal über den Einsatz einer Graphendatenbank nachgedacht? Die Hürde ist viel kleiner, als Sie vielleicht im ersten Moment glauben, denn:

Wir bringen den Prototyp gleich mit!

Impact Analyse mit Five1 und AWS

Unser Vorschlag: Starten Sie doch einfach einmal mit einem Prototypen – die notwendige Infrastruktur und die Komponenten bringen wir mit und erzielen damit schnell erste Ergebnisse!

Wir bringen die Daten aus Ihren Systemen in die Analytics Workbench in der Cloud und schaffen mit dem Five1 Deep Analytics Explorer (DAE) die Basis für Ihre Impact-Analyse. So können Sie ihre Daten interaktiv abfragen und Auswirkungsanalysen schnell und einfach durchführen. 

In unserem Flyer "Five1 DAE" haben wir die wichtigsten Funktionen und Vorteile einer Lösung mit einer Graphendatenbank noch einmal zusammen gefasst.

Flyer DAE herunterladen

 

Der Five1 Deep Analytics Explorer (DAE) besteht aus den folgenden Inhalten:

  • Flexibles Schema

  • Hoch-performant für komplexe Abfragen

  • Deep Analytics

  • Analytische Infrastruktur im AWS Account mit Cloudformation Templates

  • Datenmodell zur Abbildung der Zusammenhänge

  • Dashboard - entwickelt mit Python und dadurch flexibel individualisierbar
Schematische Darstellung

Five1 DAE

Sie wollen mehr erfahren? Kontaktieren Sie uns für ein unverbindliches Beratungsgespräch. 

Was können wir für Sie tun?



Mehr zum Thema Graphendatenbanken in unserem Blog