Käytät graafitietokantoja joka päivä!
Miten LinkedIn pystyy näyttämään reaaliajassa kaikki ensimmäisen, toisen ja kolmannen asteen kontaktisi sekä yhteiset tuttusi toisen asteen kontaktiesi kanssa?
Vastaus: LinkedIn hallitsee koko yli miljardin käyttäjän kontaktiverkostoaan graafin avulla!
Miksi Amazonin suositukset osuvat aina niin kohdalleen? No, Amazon käyttää graafitietokantaa – kuten myös monet muut verkkopalveluiden jättiläiset, esimerkiksi Wish.com, Instagram, Twitter ja Facebook. Käytännössä kaikki sovellukset, joiden täytyy hakea nopeasti tietoa eksponentiaalisesti kasvavasta ja jatkuvasti muuttuvasta tietoverkosta, hyödyntävät jo graafitietokantoja.
Miksi yritykset siirtyvät relaatiotietokannoista graafiteknologiaan? Lue katsauksemme graafitietokantojen kymmenestä keskeisimmästä käyttökohteesta ja näe hyödyt itse! Jos haluat selvittää, miten graafitietokantaa voisi hyödyntää teidän tapauksessanne, ota rohkeasti yhteyttä!
Mikä on graafitietokanta?
Graafitietokanta esittää tiedon kokonaisuuksina eli solmuina (node). Solmuilla voi olla ominaisuuksia, jotka sisältävät lisätietoa. Solmut yhdistetään toisiinsa kaarilla (edge), ja jokaiselle kahden solmun väliselle yhteydelle voidaan antaa omia ominaisuuksia.
Tässä hyvin yksinkertainen esimerkki graafitietokannasta: Solmu A: John, Solmu B: ACME Inc., Solmu C: Austin, Kaari 1: works_in (työskentelee), Kaari 2: lives_in (asuu). Tietokannasta selviää, että John työskentelee ACME Inc:ssä ja asuu Austinissa.
Jos piirrät tämän tietokannan kuvaksi havainnollistaaksesi solmujen A, B ja C välisiä suhteita, saat yllä esitetyn kaltaisen graafirakenteen. Siksi puhutaan graafitietokannasta.
Graafitietokanta ei välttämättä ole paras vaihtoehto jokaiseen sovellukseen. Se on kuitenkin vahva vaihtoehto yhä useammassa käyttötapauksessa. Alla on lista graafitietokantojen kymmenestä keskeisimmästä käyttökohteesta.
Kymmenen yleisintä graafitietokantojen käyttökohdetta, jotka kannattaa tuntea
Edelläkävijäyritykset hyödyntävät graafitietokantoja yhä enemmän, eikä syyttä. Tämä moderni teknologia tarjoaa ennennäkemätöntä ketteryyttä, skaalautuvuutta ja suorituskykyä valtavien, jatkuvasti muuttuvien ja eksponentiaalisesti kasvavien tietomäärien hallintaan monenlaisissa käyttötapauksissa – juuri sitä, mitä nykypäivän sovellukset vaativat. Kun organisaatiot ottavat teknologiaa käyttöön, graafitietokannoille löytyy jatkuvasti uusia käyttötapauksia ja sovelluksia.
Graafitietokanta tuo esiin erillisten tietojoukkojen monimutkaiset ja piilevät yhteydet ja mahdollistaa niiden analysoinnin. Näin voit kehittää liiketoimintaprosessejasi ja tehdä parempia päätöksiä nopeammin.
Sanat ovat vain sanoja, kunnes ne viedään käytäntöön. Kaikki nämä käyttötapaukset on toteutettu onnistuneesti todellisissa liiketoimintaympäristöissä – ja Profium on toteuttanut niistä suurimman osan.
1. Graafitietokanta verkkokaupan suosittelujärjestelmissä
Verkkokaupan suosittelujärjestelmät ovat täydellinen käyttökohde graafitietokannalle. Hyödyt ovat ilmeiset: graafiteknologian avulla voit tarjota asiakkaillesi osuvia suosituksia ja maksimoida verkkomyynnin ja asiakastyytyväisyyden. Graafipohjaisia suosittelujärjestelmiä käytetään verkkokauppojen lisäksi erilaisissa vertailuportaaleissa ja esimerkiksi hotelli- ja lentovarauspalveluissa.
Miten graafitietokantaa hyödynnetään verkkokaupassa?
Graafitietokannat kuvaavat kohteita ja niiden välisiä suhteita. Verkkokauppasovelluksen tyypillisiä solmuja ovat esimerkiksi asiakkaat, tuotteet, haut, ostokset ja arvostelut. Jokainen solmu edustaa graafissa jotakin tietoa, ja jokainen kaari kuvaa kahden solmun välistä asiayhteyttä.
Näin saat haettua olennaista tietoa asiakkaistasi, heidän käyttämistään kanavista, tekemistään hauista ja esimerkiksi ostohistoriasta. Tämän tiedon perusteella voit helposti tarjota osuvasti personoituja suosituksia, jotka perustuvat sekä asiakkaan omiin tietoihin että muiden samankaltaisten käyttäjien tietoihin. Sekä solmuille että kaarille voidaan antaa mielivaltainen määrä ominaisuuksia, ja myös yhteyksistä voidaan tehdä kyselyitä – esimerkiksi tuotteen hinnasta, arvosanasta ja lajityypistä tai siitä, kuinka kauan tuote on ollut seurantalistalla.
Esimerkkigraafi verkkokaupalle
Näin graafia voisi soveltaa rullalautoja myyvässä verkkokaupassa: ”asiakas” ja ”rullalauta” ovat solmuja, jotka on yhdistetty toisiinsa kaarilla (esim. ”haki”, ”osti”, ”arvosteli”). Kaarelle ”arvosteli” voidaan antaa ominaisuus ”1 tähti”, ”2 tähteä” tai ”3 tähteä”. Kun haluat käyttää näitä tietoja suosituksiin, voit seurata asiakkaan yhteyksiä, löytää muita asiakkaita, jotka ovat tehneet rullalautoihin liittyviä hakuja tai tykkäyksiä, ja hyödyntää näitä tietoja suosituksissa.
Tunnettujen tosiasioiden esittämisen lisäksi graafiin voidaan lisätä niiden pohjalta päättelemällä saatua uutta tietoa. Jos graafissa on esimerkiksi tieto siitä, että tietyt rullalaudat on tarkoitettu ramppiajoon ja jokin toinen työmatkoille, voidaan päätellä, että ensin mainittuja lautoja ostavat asiakkaat ajavat rampeilla ja lisätä tämä tieto graafiin uusina solmuina ja kaarina. Päätelty tieto rikastaa graafia: se helpottaa toisiinsa liittyvien asioiden yhdistämistä ja yksinkertaistaa kyselyitä, kun välivaiheita tarvitaan vähemmän. Mukautettavat säännöt määrittävät, miten päätelty tieto muodostetaan dynaamisesti ja lisätään graafiin tai poistetaan siitä graafin muuttuessa.
Graafitietokannan hyödyt verkkokaupan suosittelujärjestelmissä
Graafitietokannat sopivat erinomaisesti verkkokauppasovelluksiin ja suosittelujärjestelmiin. Tapauksesta riippuen ne voivat olla huomattavasti vaihtoehtoisia järjestelmiä nopeampia. Voit liittää käyttäjäprofiileihin tietoa selaimesta, hakukyselyistä, klikkaushistoriasta ja sosiaalisista kanavista ja muodostaa näin asiakkaistasi rikkaan ja kattavan kuvan. Mitä enemmän klikkauksia, hakuja, ostoksia ja muita tapahtumia kertyy, sitä rikkaammiksi asiakasprofiilit muuttuvat. Uudet asiakkaat, merkityt tuotteet sekä kommentit ja arviot lisätään järjestelmään ja huomioidaan heti seuraavassa suosituksessa. Näin tiedot pysyvät aina ajan tasalla.
2. Master datan hallinta (MDM)
Master datan hallinnan (Master Data Management, MDM) avulla voit koota kaiken yrityksesi kriittisen tiedon yhteen paikkaan – niin sanottuun master-tiedostoon – joka toimii yhtenä viitepisteenä kaikelle datalle. Hyvin toteutettu MDM sujuvoittaa tiedon jakamista henkilöstön ja osastojen välillä ja kokoaa yhteen useisiin erillisiin järjestelmiin, alustoihin ja sovelluksiin hajautuneen tiedon. Hyvän MDM-järjestelmän ansiosta työntekijät ja sovellukset koko organisaatiossa saavat aina yhdenmukaista ja paikkansapitävää tietoa.
Graafi- vai relaatiotietokanta MDM:ssä?
MDM-järjestelmä suorittaa jatkuvasti useita tehtäviä: se kerää, yhdistää, täsmäyttää, konsolidoi ja jakaa tietoa sekä varmistaa sen laadun ja pysyvyyden koko organisaatiossa. Koska master data koostuu joukosta yhteyksiä, sen hallinnasta relaatiotietokannassa tulee kuitenkin monimutkaista ja hidasta. Lisäksi master data integroituu usein koko yrityksen laajuisiin sovelluksiin, mikä tekee reaaliaikaisista kyselyistä raskaita. Onneksi tehokkaan MDM:n rakentamiseen on parempi vaihtoehto: graafitietokannat on optimoitu useiden tieto-objektien välisten asiayhteyksien käsittelyyn. Graafiteknologia tarjoaa siis huomattavasti nopeamman ja tehokkaamman tavan järjestää master data.
3. GDPR:n, HIPAA:n ja muiden säädösten noudattaminen
Yritykset kamppailevat GDPR:n kaltaisten tietosuojasäädösten noudattamisen kanssa. Jo GDPR:n ensimmäisenä voimassaolovuonna tietoturvaloukkauksia oli raportoitu 90 000, tutkintoja oli käynnissä 500 ja useille yrityksille oli jo määrätty sakkoja, suurimmillaan jopa 50 miljoonaa euroa. Kansainvälisiä säädöksiä valvotaan yhä tiukemmin, mikä kuormittaa yrityksiä – erityisesti niitä, jotka säilyttävät arkaluonteisia asiakastietoja. Japanin, Brasilian, Argentiinan ja monen muun maan tietosuojastandardit on yhdenmukaistettu GDPR:n kanssa. Yhdysvaltalainen HIPAA (Health Insurance Portability and Accountability Act) puolestaan sääntelee tiedon kulkua terveydenhuollossa ja vakuutusalalla. Jos näin moni organisaatio epäonnistuu GDPR:n noudattamisessa, voisivatko vanhentuneet tietokantateknologiat olla perimmäinen syy?
Relaatiotietokannat eivät skaalaudu GDPR:n vaatimuksiin
Relaatiotietokannat soveltuvat erinomaisesti suhteellisen staattisen ja rakenteisen datan hallintaan, kun tietokokonaisuuksien väliset yhteydet ovat yhdenmukaisia. GDPR:n kanssa vastassa on kuitenkin jotain aivan muuta. Henkilötiedot ovat hajallaan useissa sovelluksissa omilla palvelimillasi, datakeskuksissa ja ulkoisissa pilvipalveluissa. GDPR edellyttää, että pystyt jäljittämään hallussasi olevan tiedon liikkeet: mistä olet sen saanut, miten se liikkuu ajan mittaan, missä se sijaitsee ja miten sitä käytetään. Tietokokonaisuuksien väliset yhteydet ovat siksi ratkaisevan tärkeitä, kun jäljitetään henkilötietojen monimutkaista kulkua organisaation järjestelmissä. Lisäksi sinun on pystyttävä hakemaan, raportoimaan ja poistamaan kaikki nämä tiedot, jos kuluttajat tai viranomaiset sitä vaativat. Jos yrität seurata GDPR-vaatimustenmukaisuutta relaatiotietokannalla, päädyt tuhansiin riveihin SQL-koodia ja monimutkaisiin kyselyihin. Ylläpidosta tulee päänsärky, koska järjestelmiä ja tietoyhteyksiä on lisättävä jatkuvasti. Kyselyjen suorittaminen kuluttaa resursseja yhä enemmän järjestelmän kasvaessa.
Graafi on paras tietokanta vaatimustenmukaisuusjärjestelmiin
Vaatimustenmukaisuusjärjestelmät ovat yksi graafitietokantojen yleisimmistä käyttökohteista. Graafitietokanta on optimoitu GDPR:n kaltaisiin sovelluksiin, joissa tiedon väliset yhteydet ovat ratkaisevia. Graafi jäljittää ja tallentaa valtavan ja monimuotoisen datapistejoukon välisiä asiayhteyksiä, ja tämä malli vastaa itse asiassa erinomaisesti GDPR:n ja HIPAA:n kaltaisia sääntelyjärjestelmiä. Graafijärjestelmissä yksi kysely voi tuottaa tuloksista visuaalisen esityksen. Näin ne auttavat organisaatioita pysymään vaatimusten mukaisina, kun tietoa voidaan jäljittää yrityksen järjestelmissä järjestelmällisemmin kuin relaatiotietokannassa.
4. Symbolinen tekoäly (symbolinen päättely)
Koneoppimisessa algoritmi oppii säännöt järjestelmän syötteiden ja tulosteiden perusteella. Symbolinen oppiminen taas vaatii ihmisen panosta: symbolisen päättelyjärjestelmän rakentamiseksi ihmisten on ensin opittava säännöt ja syötettävä ne sekä niiden väliset suhteet staattiseen ohjelmaan. Miksi symbolinen päättely sitten on graafitietokantojen käyttökohde? Koska uusien sääntöjen luominen edellyttää eri kokonaisuuksien välisten suhteiden ymmärtämistä – eikä se ole ihmiselle helppoa ilman tiedon visuaalista esitystä. Graafitietokanta ratkaisee tämän ongelman. Se näyttää tietokokonaisuudet ja sen, miten ne liittyvät toisiinsa. Visuaalisen esityksen ansiosta ihminen ymmärtää tiedon intuitiivisesti, mikä helpottaa merkityksellisten uusien sääntöjen luomista huomattavasti.
Esimerkki
Alla oleva kuva on näkymä graafitietokannasta. Jo muutaman sekunnin katselun perusteella ymmärrät, että Limerick on Irlannissa sijaitseva kaupunki ja samalla myös kreivikunta. Lisäksi näet, että Limerick liittyy tietokannassa kahdeksaan kokonaisuuteen (solmuun) ja että viisi tietoalkiota määrittää, millainen kaupunki Limerick on.
Graafitietokannasta voit ymmärtää kaiken tämän intuitiivisesti muutamassa sekunnissa. Relaatiotietokannasta se vie useita minuutteja.
5. Digitaalisten aineistojen hallinta (DAM)
Digitaalisen sisällön ylitarjonta on yksi useimpien yritysten suurimmista ongelmista. Yritykset hallinnoivat ennennäkemättömiä määriä dokumentteja, kuvia, tuotekuvauksia, videomateriaalia, äänitiedostoja ja kaikkea siltä väliltä. DAM-järjestelmät (Digital Asset Management) tallentavat, järjestävät ja jakavat kaikki nämä digitaaliset aineistot keskitetysti. DAM auttaa tiimejä saavuttamaan tavoitteensa ja löytämään oikeat tiedostot nopeasti silloin, kun niitä tarvitaan.
DAM vapauttaa organisaatiosi koko potentiaalin, mutta vain, jos sen taustalla oleva tietokanta skaalautuu nopeasti kasvavan tietomäärän ja yhä monipuolistuvien sisältötyyppien mukana ja tuo työntekijöille oikeat tiedostot nopeasti. Juuri tämän graafitietokanta tarjoaa: yksinkertaisen, skaalautuvan ja kustannustehokkaan tietokannan, jolla voi seurata, miten yrityksen digitaaliset aineistot, kuten dokumentit, sopimukset ja raportit, liittyvät työntekijöihin – kuka tiedostot on luonut ja milloin, kenellä on pääsy mihinkin tiedostoihin ja niin edelleen. Graafitietokantamallin ansiosta digitaalisten aineistojen hallinnasta tulee intuitiivista.
Esimerkki
Netflix käyttää graafitietokantaa digitaalisten aineistojensa hallintaan, koska sen avulla on helppo seurata, mitkä elokuvat (aineistot) kukin katsoja on jo nähnyt ja mitä elokuvia hänellä on oikeus katsoa (käyttöoikeuksien hallinta). Huomaa, että myös identiteetin- ja käyttöoikeuksien hallinnalla (IAM) on keskeinen rooli DAM:ssä.
6. Kontekstitietoiset palvelut
Kontekstitietoiset palvelut hyödyntävät tietoa käyttäjän tilanteesta, kuten sijainnista, tarjotakseen hänelle olennaisia palveluita ja tietoa oikealla hetkellä. Esimerkkejä on lukemattomia: reaaliaikaiset liikennetiedotteet käyttäjän senhetkisen sijainnin ympäristöstä, suoratoistovideo käyttäjän suunnittelemalta reitiltä, ajankohtaiset tuholais- ja kasvitautihavainnot lähitiloilta viljelijöille tai varoitus korkeista siitepölypitoisuuksista lasten koulumatkan varrella.
Samoja kontekstitietoisia palveluita käytetään myös kontekstuaalisessa markkinoinnissa: asiakkaille toimitetaan olennaista tietoa ja tarjouksia heidän sijaintinsa tai profiloitujen kiinnostuksen kohteidensa perusteella sen sijaan, että heitä pommitettaisiin satunnaisilla mainoksilla. Konteksti voi tarkoittaa todellisen maailman ominaisuuksia, kuten lämpötilaa, aikaa tai sijaintia. Käyttäjä voi päivittää tietoja itse, tai ne voivat päivittyä muiden mobiililaitteiden, sovellusten tai antureiden kautta.
Miksi graafitietokanta kontekstitietoisiin palveluihin?
Kontekstitietoisten palveluiden perusajatus on etsiä käyttäjän nykyistä tilannetta muistuttavia aiempia konteksteja ja ehdottaa niiden perusteella toimintavaihtoehtoja. Graafitietokanta on luonteva ratkaisu kontekstitietoisten palveluiden toteuttamiseen. Graafi koostuu konteksteja edustavista solmuista ja niitä yhdistävistä kaarista. Graafirakenteen ansiosta nykyistä kontekstia muistuttavat kontekstit löytyvät huomattavasti nopeammin kuin relaatiotietokannoista.
7. Petosten tunnistaminen
Hakkerointi on yksi yleisin tietomurtojen syy. Pelkästään vuonna 2018 havaittiin noin 5 000 merkittävää tapausta, joista 39 % toteutettiin verkon kautta. Verkkopetosten seurauksena miljardeja arkaluonteisia tietueita paljastuu vuosittain, ja taloudelliset menetykset nousevat miljardeihin dollareihin. Verkkopetoksia on äärimmäisen vaikea torjua: tekniikat kehittyvät nopeasti, ja petosrenkaat muuttuvat jatkuvasti.
Nykyaikaisten, kehittyneiden petosrenkaiden torjumiseksi sinun on pystyttävä havaitsemaan, milloin ja missä näitä valetilien renkaita syntyy. Se voi tapahtua yhtäkkiä, milloin ja missä tahansa maailmassa, ja renkaat voivat laajentua nopeasti kattamaan tuhansia solmuja. Pelkkä tietueiden analysointi ei riitä. Sinun on pystyttävä havaitsemaan, miten ne linkittyvät muihin datapisteisiin, kuten luottokorttitietoihin, osoitteisiin tai maksutapahtumiin, ja analysoimaan näitä hyvin monimutkaisia tietosuhteita.
Miksi valita graafitietokanta petosten tunnistamiseen?
Petosten aiheuttamien vahinkojen rajoittamiseksi tapaukset on havaittava ja estettävä reaaliaikaisesti, juuri kun ne tapahtuvat. Perinteiset relaatiotietokantoihin perustuvat petostentunnistusmenetelmät on optimoitu yksittäisten tietueiden analysointiin, mutta ne eivät skaalaudu analysoimaan tietueiden välisiä suhteita. Kehittyneiden verkkopetosten estäminen vaatii erittäin skaalautuvaa, reaaliaikaista linkkianalyysiä laajasta, toisiinsa kytkeytyneestä datasta. Juuri siksi petostentorjunta kannattaa rakentaa graafitietokantojen varaan!
Graafitietokannan soveltaminen petosten tunnistamiseen
Graafirakenteen avulla voit katsoa yksittäisiä datapisteitä pidemmälle niitä yhdistäviin yhteyksiin. Toisin kuin useimmat muut tavat tarkastella dataa, graafit on suunniteltu ilmaisemaan yhteyksiä. Graafitietokannat paljastavat kuvioita, joita on vaikea havaita perinteisillä esitystavoilla. Yhä useammat yritykset käyttävät graafitietokantoja ratkaistakseen monenlaisia toisiinsa kytkeytyneen datan ongelmia, petosten tunnistaminen mukaan lukien.
8. Semanttinen haku
Avainsanapohjaiset hakutyökalut ovat yrityksille painajainen. Miksi? Koska valtaosa organisaatioiden tiedosta on tallennettu rakenteettomassa muodossa, eivätkä avainsanapohjaiset hakutyökalut ymmärrä rakenteetonta dataa. Huonot hakutulokset turhauttavat työntekijöitä ja heikentävät työn tehokkuutta. Kovan kilpailun markkinoilla ei ole varaa jättää hyödyntämättä arvokkaita, liiketoiminnan kasvua vauhdittavia tietoja. Siksi yritykset ottavat yhä useammin käyttöön semanttisen haun työkaluja.
Miten semanttinen haku toimii?
Semanttinen haku on merkityksiä ymmärtävää hakua. Perinteisessä haussa hakukone etsii kirjaimellisia osumia haetuille sanoille ymmärtämättä kyselyn kokonaismerkitystä. Semanttinen haku huomioi haun kontekstin, sijainnin ja kyselyn tarkoituksen. Se ymmärtää hakijan aikomuksen ja termien asiayhteydellisen merkityksen verkossa tai yrityksen tietovarannoissa ja tuottaa osuvampia tuloksia. Luonnollinen kieli voi olla monitulkintaista, mutta semanttinen haku tuo sanojen takana olevan merkityksen esiin. Sen sijaan, että relevanssia ennustettaisiin järjestysalgoritmeilla, semanttinen haku tuottaa merkitysten avulla erittäin osuvia hakutuloksia. Se antaa organisaatiollesi nopeita ja osuvia vastauksia monimutkaisiin kysymyksiin käyttäjädatan, metatietojen ja muun liiketoiminta-aluettasi koskevan tiedon pohjalta.
9. Verkonhallinta: tietoliikenne, IT, sähköverkot ja viemäriverkostot
Jos sinulla on osaamista tietoliikenteen, sähköverkkojen tai IT:n verkonhallinnasta, tiedät todennäköisesti, kuinka monimutkaista se voi olla. Verkkoihin kertyy monimutkaisuutta ajan myötä: liiketoimintayksiköt eivät toimi yhdenmukaisesti, yritykset kasvavat yritysostojen ja fuusioiden kautta, eri toimittajien järjestelmät eivät keskustele keskenään ja niin edelleen. Syntyy erillisiä siiloja, kerroksia ja toimialueita, joilla jokaisella on oma relaatiotietokantansa verkkotietojen tallentamiseen. Jos haluat koota kaiken siiloihin hajautuneen tiedon yhteen paikkaan ja luoda yhtenäisen hallintanäkymän koko verkkoon, sinun on linkitettävä useita relaatiotietokantoja yhteen – ja ylivoimaisesti helpoin tapa siihen on graafitietokanta.
Graafitietokannat verkoissa
Graafitietokannat soveltuvat erinomaisesti verkko- ja IT-operatiivisen datan mallintamiseen, tallentamiseen ja kyselyihin. Verkot ovat pohjimmiltaan toisiinsa linkitettyjä graafeja. Kuten master datankin kohdalla, graafitietokannan avulla tieto kootaan eri hallintajärjestelmistä ja tietovarannoista, jolloin saadaan yksi yhtenäinen näkymä verkkoon ja sen käyttäjiin – pienimmästä verkkoelementistä aina sovelluksiin, palveluihin ja käyttäjiin asti. Verkon graafiesitys auttaa ylläpitäjiä luetteloimaan resursseja, visualisoimaan niiden sijoittelun ja tunnistamaan solmujen väliset riippuvuudet. Graafit auttavat varmistamaan verkon päästä päähän ulottuvan vikasietoisuuden – näet, kun verkkoelementti ei ole käytettävissä tai se on otettu pois käytöstä huoltoa varten. Graafitietokantoihin tallennetaan konfiguraatiotietoja, joiden avulla ylläpitäjät saavat reaaliaikaisia hälytyksiä mahdollisista vioista, ja ongelmien analysointiin ja ratkaisemiseen kuluva aika lyhenee.
10. Tilannetietoisuus
Tilannetietoisuuden avulla voit seurata ympäristön tekijöitä ja tapahtumia, kuten säätä tai liikennettä, reaaliaikaisesti suhteessa aikaan ja paikkaan, ymmärtää niiden merkityksen ja ennakoida niiden tulevaa kehitystä tehdäksesi parempia liiketoimintapäätöksiä. Esimerkiksi logistiikkayritys voi seurata säätä ja liikennettä, kuvata tilanteen kartalle ja hallita kalustoaan ennakoivasti reaaliaikaisen datan pohjalta. Tilannetietoisuuden analysointi edellyttää valtavan datapistemäärän seuraamista – lämpötilaa, kosteutta, sateen todennäköisyyttä ja monia muita yksityiskohtia – sekä niiden suhdetta tavoiteltuun lopputulokseen, jotta voidaan määrittää parhaat mahdolliset liiketoimintapäätökset.
Tilannetietoisuuden teknologia
Tilannetietoisuus perustuu kehittyneisiin, semanttiseen teknologiaan pohjautuviin mallinnustyökaluihin. Nämä työkalut on optimoitu liiketoiminta-alueiden mallintamiseen ja niiden datan kyselypohjaiseen analysointiin, ja ne sisältävät useita kehittyneitä visualisointeja, jotka auttavat hahmottamaan liiketoimintakontekstin ja tilanteen paremmin. Sense Situation Awareness sisältää johtavia paikkatieto-ominaisuuksia ja -teknologioita, kuten geosemanttiset kyselyt, GML:n, WFS:n, WFS-T:n, GPS-paikannuksen ja SIM-seurannan.
