Grafikon-adatbázisok: Az adatok gondolkodásának új módja

Tartalom

• Mi az a grafikus adatbázis?
• Hogyan működik a grafikus adatbázis?
• Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
• Esettanulmányok
• Esettanulmány - Online társkereső
• Esettanulmány - Professzionális hálózati webhelyek
• Tények és adatok az iparról
• Következtetés

Forrás: Blueximages / Dreamstime.com

Elvitel:

A gráf-adatbázisokat sok iparág használja azért, hogy képesek legyenek az adatdarabok közötti kapcsolatok elemzésére.

A nagy adatok fontossága egyre növekszik. Annak érdekében, hogy a legtöbb adatot kihozhassuk, a vállalatoknak képeseknek kell lenniük arra, hogy gyakorlati betekintést nyerjenek belőle. Hatékony betekintés megtalálásához mély lekérdezésekkel és jó elemzéssel kell rendelkeznie a visszaadott adatokkal kapcsolatban. A hagyományos SQL lekérdezések korlátaival szembesülnek, ha összetett, többrétegű lekérdezésekről van szó, és ez korlátozza a vállalat azon célját, hogy értelmes adatokat nyerjen.

A gráf-adatbázisok lehetővé tették a vállalatok számára, hogy összetett, többrétegű lekérdezéseket indítsanak, amelyekre azonnal megválaszolhatók, míg a hagyományos SQL-adatbázisok számára rendkívül nehéz lenne megválaszolni az ilyen lekérdezéseket. A komplex lekérdezések példátlan és értékes betekintést adnak vissza. A grafikus adatbázisokat számos iparágban használják, például a közösségi médiában, az egészségügyben és az online randevúkban. Úgy tűnik, hogy a gráf-adatbázis új módszert kínál az adatok megtekintésére.

Mi az a grafikus adatbázis?

A grafikon-adatbázist arra használják, hogy információkat tároljon a különböző entitásokról, az entitások közötti kapcsolatokat leképezzék és az entitások közötti lekérdezési kapcsolatokat tárolja. Ebben az összefüggésben az entitás sokféle lehet, mint például emberek, társaságok, állatok és autók. Az entitásnak konkrét kapcsolata lehet egy másik entitással. Például, Martin, az entitás, Jim barátja, egy másik entitás. Martin tulajdonában lehet egy BMW autó. Mindkét példában Martin, Jim és a BMW azok a szervezetek, amelyek között különös kapcsolat van. "Martin Jim barátja" azt jelenti, hogy a barátság a két entitás közötti kapcsolat. Hasonlóképpen: "Martin birtokolja a BMW-t" azt jelenti, hogy a tulajdonjog Martin és a BMW közötti kapcsolat. A gráf adatbázis adatbázisban a kapcsolatokat éleknek nevezzük. A kapcsolatokat grafikon formájában mutatjuk be, és ezért a koncepció grafikon-adatbázisként ismert. (Ha többet szeretne megtudni a grafikon-adatbázisokról, olvassa el: Hogyan állítják össze a grafikus adatbázisok az adatokat a hálózatba.)

A gráf-adatbázis koncepcióját az iparágakban, például az egészségügy, a szociális média és az e-kereskedelem végrehajtják. A cikkben korábban bemutatott példák egyszerűek és egyértelműek, de az iparban alkalmazott alkalmazási esetek rendkívül összetettek. Vegyük példát egy e-kereskedelmi webhelyre, amely ajánlásokat kínál az ügyfelek számára. Hogyan nyújtja a weboldal az ügyfeleknek megfelelő termék-ajánlásokat? Hogyan ismeri a weboldal az ügyfél igényeit és preferenciáit? A kulcs abban a termékben rejlik, amelyet az ügyfél megtekintett.Ha az ügyfél a humánerőforrás-menedzsmentről szóló könyvet néz, akkor a weboldal ajánlási logikája más ügyfelekre keres, akik ugyanazt a könyvet nézték meg vagy vásárolták meg. Ugyanakkor a logika meghatározza azokat a hasonló vagy kapcsolódó könyveket is, amelyeket más hasonló érdeklődésű felhasználók megtekintettek vagy vásároltak, és hasonló könyveket ajánlnak a felhasználónak.

Hogyan működik a grafikus adatbázis?

Példa segítségével közelebbről vizsgáljuk meg a gráf-adatbázisokat. Tegyük fel, hogy egy okostelefonkészítő több fejlett funkcióval rendelkező okostelefont akar elindítani. A termékmenedzsment a tulajdonságokról dönti el, miután meghatározta a célközönség, amely vállalati vezetők, igényeit és preferenciáit. Az okostelefonkészítőnek egy vagy több adatbázisa van, amely több adatforrásból gyűjt és tárol adatot végrehajtó profilokban. A termékmenedzserek most létrehoznak egy grafikon adatstruktúrát az alábbi adatok alapján:

A fenti kép alapján a termékmenedzserek a következő következtetéseket vagy üzleti döntéseket vezetik le:

• Steve HR menedzser, aki széles körben használja a messenger alkalmazást. A HR-osztályban fennálló kapcsolatai valószínűleg a messenger-et is használják munka profiljuk miatt. Tehát fontos lehet az okostelefon jó hírvivője.
• Debra és férje barátja, Trevor gyakori antivírus-fórumainak fő oka okostelefonjaik vagy számítógépük biztonsági problémái lehetnek. Tehát az új okostelefon beépített biztonsági funkciókkal rendelkezik.
• Ábrahám egy Fitbit-et használ, amely azt jelzi, hogy figyeli fitneszét. Tehát jó lenne, ha az új okostelefon képes lesz szinkronizálni a Fitbit eszközök adatait, és felhasználóbarát módon jeleníti meg azokat.

A fenti példa bemutatja, hogy a grafikon adatok hogyan használhatók fel üzleti problémák megoldására.

Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül

Nem javíthatja a programozási készségét, ha senki sem törődik a szoftver minőségével.

Esettanulmányok

Az alábbiakban bemutatott esettanulmányok azt mutatják, hogy a grafikon-adatbázisok miként járultak hozzá az online társkereső és az online karrierkeresési iparágak összetett problémáinak megoldásához.

Esettanulmány - Online társkereső

Probléma: Az online társkereső portálok megfelelő egyezéseket szeretnének találni előfizetőik számára. Ehhez a portáloknak információkra van szükségük a weboldal többi olyan tagjáról, akiknek hasonló ízlése, preferenciái, háttere és egyéb információk lehetnek.

Megoldás: Számos online portál grafikon-adatbázisokat használt a tagok millióinak részleteinek áttekintésére és az információk feltárására. Ennek alapján a weboldal ízlés, oktatás, hobbi és egyéb részletek alapján készít mérkőzéseket. A webhely megállapítja, hogy ezek a profilok valószínűleg megfelelnek egy adott profilnak, és ennek megfelelően ajánlásokat nyújt.

Esettanulmány - Professzionális hálózati webhelyek

Probléma: A professzionális hálózati webhelyek, például a LinkedIn, számos paraméter, például profil, kapcsolati nézetek, profilnézetek és csoporttagság alapján javasolják a legmegfelelőbb kapcsolatokat és feladatokat, amelyek tükrözik az érdekeket és preferenciákat.

Megoldás: Ennek érdekében az ilyen hálózati webhelyek többféle kapcsolatrétegen keresztül haladnak, például kapcsolatok kapcsolatainak összeköttetésein és így tovább. Ezután a grafikus logika megtalálja a közös szakmai érdekeket, karriert, munka profilokat, csoporttagságot és egyéb információkat, és az eredmények alapján ajánlásokat nyújt mind a hálózatokra, mind a munkahelyekre vonatkozóan.

Tények és adatok az iparról

Az alábbiakban bemutatott tények és adatok megmutatják, hogy a grafikon-adatbázist mennyiben használták az iparág egészére:

• Több mint 30 Global 2000 vállalat, köztük a Wal-Mart, az eBay, a Lufthansa és a Deutsche Telekom alkalmazta a Neo4j-t, a Neo Technology által létrehozott legnépszerűbb grafikon-adatbázist.
• A DB-Engines ipari megfigyelő ezt mondja a gráf-adatbázisok népszerűségéről és elfogadásáról: „A gráf-adatbázis-kezelő rendszerek gyorsabban szereznek népszerűséget, mint bármely más adatbázis-kategória”, mivel 2013. január óta csaknem 300 százalékkal nőtt.
• 2013 májusa óta számos nagyobb online társkereső oldal elkezdte grafikon-adatbázisok alkalmazását.
• A LinkedIn nagy csapattal dolgozik saját védett grafikon adatbázis-rendszerén.
• nagymértékben függ egy gráf-adatbázistól, és kiadta a FlockDB-t is, egy nyílt forrású gráf-adatbázist. (A nyílt forrású adatbázisokkal kapcsolatos további információkért lásd: Miért növekszik a nyílt forrású adatbázisok népszerűsége.)
• A Teradata egy új típusú SQL-t, az úgynevezett SQL-GR-t bocsátott ki azzal a céllal, hogy a grafikus adatbázisokat könnyen használható legyen a vállalati felhasználók számára.

Következtetés

A gráf adatbázis új módszert képvisel a nagy adatok megtekintésére. A grafikon adatainak két egyértelmű előnye van:

1. A relációs adatbázis-kezelő rendszerek (RDBMS) nem képesek hatalmas mennyiségű adatot feldolgozni rövid idő alatt. Ezenkívül nem képes hatalmas mennyiségű adatot megszervezni. A gráf-adatbázis tetszőleges számú entitáshoz vezethet az entitások között, és az információkat logikusan rendezheti.
2. A gráf-adatbázisok rendkívül hatékonyak a lényeges információk lekérésében, miután több entitást és kapcsolatokat megvizsgáltak. Mint korábban kifejtettük, rendkívül értékes betekintést kérhetnek és visszaküldhetnek a BI rendszerek felhasználóbarát módon.

Úgy tűnik, hogy csak idő kérdése, mielőtt más iparágak, amelyek olyan hatalmas mennyiségű adatgal foglalkoznak, mint a bankok és a pénzügyek, a gyógyszeripar, a védelem és az intelligencia, grafikus adatbázisokat fognak használni. Valójában érdekes feladat a bűncselekmények felfedezése és a biztosítási csalások azonosítása grafikonokkal rendelkező hálózatok, kapcsolatok és szervezetek segítségével.