Keine Ergebnisse gefunden

Ihre Suche ergab keine Treffer.

Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:

  • Prüfen Sie die Schreibweise des Suchbegriffs.
  • Verwenden Sie Synonyme für das eingegebene Stichwort, z. B. “Anwendung” statt “Software.”
  • Testen Sie eine der unten gezeigten beliebten Suchen.
  • Beginnen Sie eine neue Suche.
Aktuelle Fragen

Erfahren Sie mehr über Diagrammdatenbanken

Bei einer Diagrammdatenbank handelt es sich um eine spezialisierte Einzweckplattform zum Erstellen und Bearbeiten von Diagrammen. Die Diagramme enthalten Knoten, Kanten und Eigenschaften, die alle auf eine Weise zum Darstellen und Speichern von Daten verwendet werden können, wie es bei relationalen Datenbanken nicht möglich ist.

Ein weiterer üblicher Begriff ist die „Diagrammanalyse“. Dieser bezieht sich speziell auf den Prozess der Analyse von Daten in einem Diagrammformat. Dabei werden Datenpunkte als Knoten und Beziehungen als Kanten verwendet. Die Diagrammanalyse erfordert eine Datenbank, die Diagrammformate unterstützt. Dabei kann es sich um eine dedizierte Diagrammdatenbank oder eine Datenbank mit mehreren Modellen handeln, die mehrere Datenmodelle, einschließlich von Diagrammen, unterstützt.

Was ist ein Diagramm?

Ein Diagramm ist eine Zusammenstellung von Punkten (Eckpunkten) und Linien zwischen diesen Punkten (Kanten). Mithilfe von Diagrammen können Nutzer Daten anhand ihrer Beziehungen zueinander auf natürlichere und intuitivere Weise modellieren, als dies üblicherweise bei relationalen Datenbanken möglich ist.

Im folgenden Beispiel sind die Eckpunkte Melli, Jean, John, Lucy und Sophie und die Kanten, welche die Beziehungen bezeichnen, entweder “miteinander verbunden” oder “sind entgegengesetzt”.

Diagrammdatenbank

Das Diagrammformat ist eine weitaus flexiblere Plattform, um entfernte Verbindungen aufzudecken oder Daten auf der Basis von Kriterien wie der Stärke oder Qualität der Beziehung zu analysieren. Die Logik eines Diagrammformats ist eine effizientere Plattform, um nach einer indirekten Beziehung zwischen zwei Datenpunkten zu suchen.

Mithilfe von Diagrammen können Sie Verbindungen und Muster in sozialen Netzwerken, im IoT, bei Big Data, in Data Warehouses sowie bei komplexen Transaktionsdaten für mehrere Geschäftsanwendungsfälle untersuchen und identifizieren. Das beinhaltet auch die Betrugserkennung im Bankwesen, das Erkennen von Beziehungen in sozialen Netzwerken und eine umfassende Kundenansicht. Heute werden Diagramme zunehmend in der Datenwissenschaft verwendet, um die Verbindungen in Beziehungen klarer darzustellen.

Diagrammalgorithmen sind Operationen, die speziell entwickelt wurden, um die Beziehungen und das Verhalten zwischen Diagrammdaten zu analysieren. Sie ermöglichen das Verständnis von Sachverhalten, die mit anderen Methoden schwer zu erkennen sind. So können Diagrammalgorithmen zum Beispiel identifizieren, welche Person oder welches Element in sozialen Netzwerken oder bei Geschäftsprozessen am meisten mit anderen verbunden ist. Die Algorithmen können Communities, Anomalien, häufige Muster und Pfade aufdecken, durch die Einzelpersonen oder verwandte Transaktionen miteinander verbunden sind.

Grundlagen zu Diagrammdatenbanken

Diagrammdatenbanken überführen Daten in ein Diagrammformat, unabhängig von dem Datenmodell, auf das sie zugreifen. In einem Diagrammformat sind die wichtigsten Elemente die Datensätze (Knoten oder Eckpunkte) sowie die Verbindungen zwischen den Datensätzen (Kanten, Verknüpfungen oder Beziehungen). Da Verbindungen (Kanten) zwischen zwei oder mehreren Knoten erstellt werden können, ermöglicht dies alle Arten von Dimensionsanalysen.

Das folgende Bild zeigt eine visuelle Darstellung einer Beispielabfrage mithilfe der Diagrammanalyse. In diesem Beispiel sind alle Datensätze als Punkte dargestellt. Standardmäßig sind alle Punkte blau. Bei einer Abfrage, werden die sich ergebenden Datensätze und ihre jeweiligen Verbindungen rot dargestellt. Diagrammdatenbanken können Verbindungen in nahezu unbegrenztem Ausmaß aufbereiten, um Muster zu identifizieren oder Anomalien zu erkennen.

Grundlagen zu Diagrammdatenbanken 1

Ein einfaches Praxisbeispiel, was mit einer Diagrammdatenbank möglich ist, ist die Bestimmung der Richtungen von Anfang bis Ende auf einer Karte. Stellen Sie sich jede Kreuzung als Knoten und jede Straße als Kante vor. Die Abfrage besteht dann darin, den optimalen Weg von A nach B zu finden. Außerdem kann die Stärke bzw. Qualität der Verbindung in Form des Verkehrsaufkommens berücksichtigt werden. All dies kann bei der Verarbeitung der Abfrage miteinbezogen werden (siehe das folgende Beispiel):

Grundlagen zu Diagrammdatenbanken 2

Wie lässt sich eine Diagrammdatenbank verwenden?

Diagrammdatenbanken sind ein überaus flexibles und äußerst leistungsfähiges Werkzeug. Mithilfe des Diagrammformats lassen sich komplexe Beziehungen bestimmen, sodass fundiertere Erkenntnisse mit sehr viel weniger Aufwand möglich sind. Diagrammdatenbanken führen Abfragen im Allgemeinen in Sprachen wie PGQL (Property Graph Query Language) aus. Das folgende Beispiel zeigt dieselbe Abfrage in PGQL und in SQL.

Die Verwendung von Diagrammanalysen

Wie im obigen Beispiel zu sehen ist, ist der PGQL-Code einfacher und weitaus effizienter. Da Diagramme die Beziehungen zwischen Daten hervorheben, lassen sich mit ihnen ideal mehrere unterschiedliche Analysearten durchführen. Insbesondere eignen sich Diagrammdatenbanken besonders gut für:

  • Das Finden des kürzesten Weges zwischen zwei Knoten
  • Das Bestimmen der Knoten, bei welchen die meiste Aktivität herrscht oder die den größten Einfluss haben
  • Die Analyse der Konnektivität, um die schwächsten Punkte eines Netzwerks zu identifizieren
  • Die Analyse des Status des Netzwerks oder der Community auf der Basis der Verbindungsentfernung oder -dichte in einer Gruppe

Ein einfaches Beispiel für die Diagrammanalyse in Aktion ist das folgende Bild. Es zeigt eine visuelle Darstellung des beliebten Partyspiels „Six Degrees of Kevin Bacon“. Für diejenigen, die es noch nicht kennen: Bei diesem Spiel müssen Verbindungen zwischen Kevin Bacon und einem beliebigen anderen Schauspieler anhand einer Kette gemeinsamer Filme hergestellt werden. Diese Betonung auf den Beziehungen macht es ideal geeignet, um die Diagrammanalyse zu veranschaulichen.

Stellen Sie sich einen Datensatz mit zwei Kategorien von Knoten vor: Jeder Film, der jemals gedreht wurde, und jeder Schauspieler, der in diesen Filmen mitgewirkt hat. Anschließend führen wir mithilfe eines Diagramms eine Abfrage aus, bei der Kevin Bacon mit der bekannten Muppet-Figur Miss Piggy in Beziehung gesetzt werden soll. Als Ergebnis würden wir Folgendes erhalten:

Anwendungsfall der Diagrammanalyse – Abbildung 1

In diesem Beispiel sind die verfügbaren Knoten (Eckpunkte) sowohl die Schauspieler als auch die Filme. Die Beziehungen (Kanten) sind der Status „hat mitgespielt in“. Ausgehend davon liefert die Abfrage die folgenden Ergebnisse:

  • Kevin Bacon spielte zusammen mit Meryl Streep in „Am wilden Fluß“ mit.
  • Meryl Streep wirkte zusammen mit Billy Connolly in der Fernsehserie „Eine Reihe betrüblicher Ereignisse“ von Lemony Snicket mit.
  • Billy Connolly spielte zusammen mit Miss Piggy in „Muppets – Die Schatzinsel“ mit.

Diagrammdatenbanken können für dieses Kevin Bacon-Beispiel viele verschiedene Beziehungen abfragen. Beispielsweise:

  • „Was ist die kürzeste Verbindung zwischen Kevin Bacon und Miss Piggy?“ (Analyse des kürzesten Pfades, wie sie im obigen „Six Degrees“-Spiel verwendet wurde)
  • „Wer hat mit den meisten Schauspielern zusammengearbeitet?“ (Gradzentralität)
  • „Wie groß ist der durchschnittliche Abstand zwischen Kevin Bacon und allen anderen Schauspielern?“ (Nähezentralität)

Dieses Beispiel ist natürlich unterhaltsamer als die meisten anderen Anwendungen der Diagrammanalyse. Aber dieser Ansatz funktioniert bei fast allen Anwendungsfällen von Big Data: Nämlich in jeder Situation, bei der eine große Anzahl von Datensätzen eine natürliche Konnektivität miteinander aufweisen. Zu den beliebtesten Anwendungen der Diagrammanalyse gehört das Analysieren von sozialen Netzwerken oder Kommunikationsnetzwerken, des Verkehrs und der Nutzung einer Webseite, von realen Straßendaten sowie von Finanztransaktionen und Konten.

Anwendungsfall zu Diagrammdatenbanken: Das Ausfiltern von Desinformation und Bots auf sozialen Medien

Diagrammdatenbanken können in vielen verschiedenen Szenarien verwendet werden. Besonders häufig werden sie jedoch zur Analyse sozialer Netzwerke eingesetzt. In der Tat stellen soziale Netzwerke den idealen Anwendungsfall dar, da sie eine große Anzahl von Knoten (Nutzer-Konten) und mehrdimensionale Verbindungen (Kontakte in viele verschiedene Richtungen) beinhalten. Eine Diagrammanalyse eines sozialen Netzwerks kann beispielsweise Folgendes bestimmen:

  • Wie aktiv sind die Nutzer? (Anzahl der Knoten)
  • Welche Nutzer haben den größten Einfluss? (Dichte der Verbindungen)
  • Wer hat die meisten wechselseitigen Kontakte? (Richtung und Dichte der Verbindungen)

Diese Informationen sind jedoch nutzlos, wenn sie von Bots unnatürlich verzerrt wurden. Glücklicherweise ist die Diagrammanalyse auch ein hervorragendes Mittel, um Bots zu identifizieren und herauszufiltern.

In einem realen Anwendungsfall verwendete das Team von Oracle die Oracle Marketing Cloud, um Werbewirkung und Zugkraft von sozialen Medien zu bewerten. Dabei ging es insbesondere um das Auffinden von Bot-Konten, die in täuschender Absicht Daten verzerrten. Das häufigste Verhalten dieser Bots war das Retweeten von Zielkonten, was deren Popularität künstlich erhöhte. Im Rahmen einer einfachen Musteranalyse wurde ein Blick auf die Anzahl der Retweets sowie der Dichte der Verbindungen zu Nachbarknoten geworfen. Tatsächlich beliebte Konten zeigten andere Beziehungen zu ihren Nachbarn als die Konten, die durch Bots unterstützt wurden.

Diese Abbildung zeigt tatsächlich beliebte Konten.

Anwendungsfall zu Diagrammdatenbanken – Abbildung 2

Und diese Abbildung stellt das Verhalten eines Bot-unterstützten Kontos dar.

Anwendungsfall zu Diagrammdatenbanken – Abbildung 3

Den Schlüssel stellen hier die Möglichkeiten einer Diagrammanalyse dar, ein natürliches Verhaltensmuster gegenüber dem Verhalten von Bots abzugrenzen. Anschließend lassen sich diese Konten problemlos herausfiltern. Aber es ist auch möglich, tiefergehende Untersuchungen durchzuführen, beispielsweise im Hinblick auf die Beziehung zwischen Bots und retweeteten Konten.

Anwendungsfall zu Diagrammdatenbanken – Abbildung 4

Soziale Mediennetzwerke tun ihr Möglichstes, um Bot-Konten zu eliminieren, da diese sich fundamental auf die gesamte Nutzererfahrung auswirken. Um zu verifizieren, ob die Bot-Erkennung auch korrekt war, wurden die markierten Konten nach einem Monat überprüft. Die Ergebnisse waren wie folgt:

  • Gesperrt: 89%
  • Gelöscht: 2.2%
  • Weiterhin aktiv: 8.8%

Der extrem hohe Prozentsatz der sanktionierten Konten (91,2 %) verdeutlicht die Genauigkeit sowohl der Mustererkennung wie auch des Bereinigungsprozesses. Mit einer Standarddatenbank in Tabellenformat hätte dies erheblich länger gedauert. Aber die Diagrammanalyse ermöglicht es, komplexe Muster schnell zu identifizieren.

Anwendungsfall zu Diagrammdatenbanken: Kreditkartenbetrug

Diagramme sind in der Finanzbranche zu einem leistungsstarken Instrument zur Aufdeckung von Betrug geworden. Trotz technologischer Fortschritte bei der Betrugsbekämpfung, wie beispielsweise die Verwendung eingebetteter Chips in Karten, kann es nach wie vor auf verschiedene Weisen zu betrügerischen Handlungen kommen. Geräte zum Ausspähen (Skimming) können Daten von Magnetstreifen stehlen – eine Technik, die häufig an Orten eingesetzt wird, an denen noch keine Chip-Lesegeräte installiert sind. Sobald diese Daten gespeichert wurden, können sie auf eine gefälschte Karte geladen werden, um mit dieser Einkäufe zu tätigen oder Geld abzuheben.

Bei der Betrugserkennung ist die Identifikation von Mustern häufig die erste Verteidigungslinie. Erwartete Kaufmuster basieren auf dem Standort, der Häufigkeit, den Arten der Läden und anderen Faktoren, die zu einem Nutzer-Profil passen. Wenn etwas völlig anomal erscheint – zum Beispiel eine Person, die sich normalerweise die meiste Zeit über in der San Francisco Bay Area aufhält und dann plötzlich spät in der Nacht in Florida einkauft –, wird dies als möglicher Betrugsversuch gekennzeichnet.

Durch Diagrammanalysen wird die dafür benötigte Rechenleistung erheblich reduziert. Die Diagrammanalyse eignet sich hervorragend, um Muster zwischen Knoten zu identifizieren. In diesem Fall werden die Knotenkategorien als Konten (Karteninhaber), Kauforte, Kaufkategorie, Transaktionen und Terminals definiert. So lassen sich natürliche Verhaltensmuster problemlos feststellen. Zum Beispiel könnte eine Person in einem bestimmten Monat:

  • In verschiedenen Tiergeschäften (Terminals) Tiernahrung (Kaufkategorie) erwerben
  • An Wochenenden für Restaurantbesuche (Transaktionsmetadaten) in der Region (Kauforte) bezahlen
  • Reparaturwerkzeuge (Kaufkategorie) in einem örtlichen Baumarkt (Kontostandort, Kaufort) kaufen.

Bei der Betrugserkennung wird üblicherweise maschinelles Lernen eingesetzt. Die Diagrammanalyse kann diese Aufgabe jedoch ergänzen, sodass dieser Prozess genauer und effizienter wird. Dank des Fokus auf den Beziehungen lassen sich mit den Ergebnissen wirksam betrügerische Datensätze erkennen und markieren. Die Daten werden so kuratiert und vorbereitet, bevor sie tatsächlich verwendet werden können.

Die Zukunft von Diagrammdatenbanken

Genau wie die Rechenleistung und Big Data haben sich Diagrammdatenbanken und -techniken in den letzten zehn Jahren weiterentwickelt. Tatsächlich wird immer deutlicher, dass sie wohl künftig das Standardwerkzeug zur Analyse komplexer Datenbeziehungen sein werden. Da Unternehmen und Organisationen in immer höherem Ausmaß auf die Möglichkeiten von Big Data und von Analysen setzen, um auf zunehmend komplexere Weise Erkenntnisse zu gewinnen, werden Diagrammdatenbanken geradezu zu einem Muss. Nur so lassen sich die aktuellen Geschäftsanforderungen erfüllen und künftige Erfolge sichern.