Käytät Graafitietokantoja joka päivä!

Miten ihmeessä LinkedIn pystyy näyttämään kaikki käyttäjän ensimmäisen, toisen ja kolmannen asteen kontaktit sekä toisen asteen kontaktien kanssa yhteiset kontaktit reaaliaikaisesti? Siksi, että LinkedIn organisoi koko 660+ miljoonan käyttäjän kontaktiverkostonsa Graafitietokannan avulla.

Myös Googlen alkuperäinen hakukone perustui PageRank -nimiseen graafialgoritmiin.

Amazonin suositukset ovat erittäin tarkkoja, koska ne käyttävät Graafitietokantaa. Sitä käyttävät myös monet muut sähköisen kaupankäynnin jättiläiset kuten esimerkiksi Wish.com.

Nykyään Instagram, Twitter, Facebook, Amazon ja käytännössä kaikki sovellukset, joissa tehdään miljoonittain nopeita hakuja hajallaan olevaan, eksponentiaalisesti kasvavaan ja dynaamisesti verkotettuun dataan, hyödyntävät Graafitietokantoja.

Seuraavassa käymme läpi 10 merkittävintä graafitietokannan käyttötapausta ja esittelemme graafitietokannan tuomia etuja verrattuna esimerkiksi relaatiotietokantoihin.

Jos haluat tietää, kuinka voit ottaa käyttöön graafitietokannan omassa yrityksessäsi, ota meihin yhteyttä. Tutkimuslaitosten mukaan Graafitietokantojen käyttö ja markkinat ovat huimassa kasvussa.

Mikä on Graafitietokanta?

Graafitietokanta esittää tiedon solmuina ja niiden välisinä kytkentöinä. Solmuilla voi olla ominaisuuksia, jotka sisältävät lisäinformaatiota. Solmut liittyvät toisiin solmuihin kytkennöillä. Jokainen tällainen kytkentä kuvastaa jotakin ominaisuutta.

Tässä on hyvin yksinkertainen esimerkki graafitietokannasta:

Noodi A: Jaakko, Noodi B: Acme Inc., Noodi C: Austin, Kaari 1: työskentelee alalla, Kaari 2: asuu paikkakunnalla. Tällaisen graafitietokannan kytkennät kertovat, että Jaakko työskentelee ACME Inkc.:ssä ja että hän asuu Austinissa.

Graafitietokanta

Jos yllä olevan tietokannan sisältö piirretään kuvaksi, niin siinä näkyvät noodien A, B, ja C väliset suhteet, tuloksena on yllä olevan kaltainen graafirakenne. Tämän takia sitä kutsutaan graafitietokannaksi.

Nykyisin Graafitietokanta on erittäin varteenotettava vaihtoehto yhä useammassa tilanteessa perinteisiin relaatiotietokantapohjaisiin ratkaisuihin nähden. Tässä artikkelissa on kuvattu kymmenen tärkeää graafitietokannan käyttötapausta.

Kymmenen yleisintä Graafitietokannan käyttötapausta, jotka sinun pitäisi tietää

Monet maailman johtavat yritykset käyttävät kasvavassa määrin graafitietokantoja. Niiden moderni teknologia tarjoaa parempaa ketteryyttä, skaalautuvuutta ja suorituskykyä kasvavien tietomäärien hallintaan erilaisissa käyttötapauksissa. Tämä on juuri sitä, mitä tämän päivän sovellukset tarvitsevat toimiakseen tehokkaasti.

Graafitietokanta paljastaa monimutkaiset ja usein piilossa olevat yhteydet eri tietojen välillä ja mahdollistavat näiden analysoinnin. Näin liiketoimintaprosesseja on mahdollista parantaa ja tehdä entistä nopeampia ja fiksumpia liiketoimintapäätöksiä.

Tässä artikkelissa kuvatut käyttötapaukset ovat todellisista liiketoimintaympäristöistä ja Profium on ollut mukana suurimmassa osassa niiden toteutusta.

Graafitietokanta sähköisen kaupankäynnin suosittelumoottoreissa

Sähköisen kaupankäynnin suosittelumoottorit sopivat hyvin graafitietokannoille ja tekniikalla saavutetut edut ovat selkeät.  Graafiteknologialla asiakkaille saadaan tarkat suositukset, jotka maksimoivat verkkokaupan myynnin ja asiakastyytyväisyyden. Graafipohjaiset suosittelumoottorit ovat yleisesti käytössä verkkokaupoissa, erilaisissa vertailuportaaleissa ja esimerkiksi hotellien ja lentojen varausjärjestelmissä.

Kuinka käyttää Graafitietokantaa verkkokaupassa?

Graafitietokannat kartoittavat verkottuneet objektit ja määrittelevät suhteet näiden välillä. Objekteja kutsutaan solmuiksi ja niiden väliset yhteydet ovat kytkentöjä. Tyypillinen esimerkki solmuista verkkokauppasovelluksessa ovat asiakkaat, tuotteet, haut, ostot ja arvostelut. Jokainen solmu tarkoittaa yhtä tietoyksikköä graafissa siinä missä jokainen kytkentä tarkoittaa kontekstuaalista yhteyttä kahden solmun välillä.

Tämä mahdollistaa relevantin asiakastiedon haun, asiakkaiden käyttämät kanavat, tehdyt haut ja asiakashistorian. Tämän datan pohjalta voidaan asiakkaille tarjota helposti henkilökohtaisia suosituksia, jotka pohjautuvat sekä heidän omaan dataansa että dataan muista samalla tavalla linkittyneistä käyttäjistä.

Sekä solmuille että niiden kytkennöille voidaan määritellä useita ominaisuuksia ja näitä linkkejä voidaan hakea uudestaan, esimerkiksi hinnan, arvostelun tai tuotteen kategorian mukaan, tai sen mukaan kuinka kauan tuote on ollut asiakkaan toivomuslistalla.

Verkkokauppa

Tässä on esimerkki siitä, kuinka graafitietokantaa voidaan käyttää verkkoliiketoiminnassa rullalautakaupassa.

”Asiakas” ja ”rullalauta” ovat noodeja, jotka linkittyvät kaaristaan (esim. ”haettu”, ”ostettu”, ”arvosteltu”).

Kaari ”arvosteltu” voi saada arvon 1 tähti, 2 tähteä tai 3 tähteä.

Haluttaessa tätä tietoa voidaan käyttää suosituksiin, jolloin asiakkaan linkkejä seuraten voidaan löytää muita asiakkaita, jotka ovat tehneet samanlaisia hakuja rullalaudoista tai tykkäämisiä ja sitten käyttää tätä dataa suositusten ohjaamiseen. Kun asiakkaisiin liittyvät tiedot on esitetty noodeina ja kaarina graafissa, voidaan niiden pohjalta myös päätellä lisää tietoa. Esimerkiksi jos graafi sisältää informaatiota siitä, että tietyt rullalaudat on tarkoitettu rampeille, kun taas toiset rullalaudat on tarkoitettu kadulle, voimme yksinkertaisesti päätellä millaisessa ympäristössä tietyn rullalaudan ostanut asiakas sitä käyttää. Tällöin ramppiskeittaajille voidaan esimerkiksi markkinoida muita rampeilla hyödyllisiä tarvikkeita kuten kovia renkaita, joita ei cruiser-tyyppisissä rullalaudoissa suositella käytettäväksi.

Päätelty data rikastuttaa graafia tehden helpommaksi yhdistää asioita ja tehdä kyselyjä dataan vähentämällä seurattavien viitteiden määrää. Erikseen räätälöitävissä olevilla säännöillä voidaan määrittää kuinka päätelty data generoidaan dynaamisesti ja miten se lisätään tai poistetaan graafista datan muuttuessa.

Graafitietokannan edut verkkokaupan suositusmoottoreissa

Graafitietokannat sopivat mainiosti verkkokaupan sovelluksiin ja niiden suositusmoottoreihin. Tapauksesta riippuen ne voivat toimia paljon nopeammin kuin vaihtoehtoiset järjestelmät.

Voit lisätä ja linkittää informaatiota selaimesta, tehdä hakuja, klikata historioita ja käyttäjän sosiaalisia kanavia rakentaaksesi rikkaan profiilin asiakkaastasi. Mitä enemmän kerätään asiakkaan klikkejä, hakuja, ostoja ja muita tapahtumia, sen täydellisemmiksi asiakasprofiilit rakentuvat. Uudet asiakkaat, näiden katselemat esimerkit ja tuotteet sekä myös kommentit ja arviot lisätään ja niitä käytetään välittömästi seuraavaan suositukseen.

Master-datan hallinta

Master-datan hallinta (MDM) mahdollistaa yrityksen kaiken kriittisen datan linkittämisen yhteen paikkaan, jolloin kaikelle datalle on yksi selkeä referenssipiste.

Jos MDM on oikein suunniteltu ja toteutettu, se virtaviivaistaa datan jakamista henkilölle, eri osastojen välillä ja keskittää monissa erillisissä järjestelmissä, alustoilla ja sovelluksissa sijaitsevan siiloihin varastoidun datan. Hyvillä MDM-järjestelmillä työntekijät ja sovellukset kaikkialla organisaatiossasi saavat aina yhtenäistä ja tarkkaa tietoa.

Graafi- vai relaatiotietokanta master-datan hallinnassa?

MDM tekee jatkuvasti monia asioita: se kerää, aggregoi, vertaa, konsolidoi ja jakaa dataa, samalla kun se varmistaa sen laadun ja saatavuuden läpi organisaation.

Koska master-data muodostuu sarjasta kytköksiä, muodostuu MDM:n hallinta relaatiotietokannassa monimutkaiseksi ja hitaaksi. Master-data on usein myös integroitu eri sovelluksista eri puolilla yritystä, joka tekee reaaliaikaisista kyselyistä raskaita prosesseja.

Parempi vaihtoehto tehokkaaksi master-datan hallintajärjestelmäksi on graafitietokanta. Se on optimoitu käsittelemään kontekstuaalisia suhteita useiden dataobjektien välillä. Se tarjoaa paljon nopeamman ja tehokkaamman tavan organisoida master-dataa.

GDPR:n, HIPAA:n ja muiden sääntöjen mukaisuus

Yrityksillä on vaikeuksia noudattaa GDPR:n kaltaisia yksityisyyttä sääteleviä asetuksia. Vain vuosi GDPR:n voimaan astumisen jälkeen oli jo 90 000 raportoitua säännösten vastaista tietojen käyttöä, joista 500 oli edennyt tutkintaan ja monet yritykset olivat jo saaneet sakkoja, josta suurin oli 50 miljoonaa euroa.

Kansainvälisiä säädöksiä valvotaan yhä enenevissä määrin, joka rasittaa erityisesti niitä yrityksiä ja organisaatioita, jotka varastoivat arkaluontoista asiakasdataa.

EU:n GDPR:n lisäksi California Consumer Privacy Act – joka pohjautuu GDPR:ään – on tulossa voimaan 2020 alussa. Yksityisyyden säätely Japanissa, Brasiliassa, Argentiinassa ja monissa muissa maissa muistuttaa GDPR:ää. Yhdysvaltalainen HIPAA (Health Insurance Portability and Accountability Act) säätelee terveys- ja vakuutustiedon liikkeitä.

Jos näin moni organisaatio ei pysty noudattamaan GDPR:ää, voiko juurisyynä olla niiden käyttämät vanhentuneet tietokantateknologiat?

Relaatiotietokannat eivät skaalaudu GDPR:n mukaisesti

Relaatiotietokannat ovat hyviä käsittelemään suhteellisen staattista ja selkeärakenteista dataa, jossa on selkeät yhteydet eri dataentiteettien välillä. Valitettavasti GDPR:n piirissä oleva data ei ole tällaista.

Henkilökohtainen data sijaitsee useissa eri sovelluksissa palvelimilla, datakeskuksissa ja ulkoisissa pilvipalveluissa. GDPR:n mukaan organisaation pitää pystyä jäljittämään hallussaan olevan datan liikkeet, kuten se miten se on hankittu, oliko suostumus tietojen keruuseen saatu, kuinka kerätty data liikkuu ajan kuluessa, missä se sijaitsee ja kuinka sitä käytetään.

Tämän vuoksi kytkennät eri dataentiteettien välillä ovat välttämättömiä, jotta henkilökohtaisen datan monimutkainen polku tietojärjestelmässä voidaan jäljittää. Lisäksi pitää pystyä lukemaan, raportoimaan ja poistamaan kaikki tämä data, jos asiakas tai viranomainen sitä vaatii.

Jos GDPR:n mukaisuutta yritetään selvittää relaatiotietokannassa, saadaan tulokseksi massiivinen määrä liitostauluja ja monimutkaisia SQL-kyselyitä. Ylläpidosta tulee raskasta, koska joudutaan lisäämään uusia järjestelmiä ja tietueiden välisiä liitoksia. Kyselyiden tekeminen rasittaa järjestelmää yhä enemmän käsiteltävän datan määrän ja järjestelmän kasvaessa.

Graafitietokanta on paras säädöstenmukaisiin järjestelmiin

Säädöstenmukaiset järjestelmät ovat yksi graafitietokantojen yleisimmin käytettyjä sovelluksia.

Graafitietokanta on optimoitu linkitetyille datasovelluksille kuten esimerkiksi GDPR:lle, jossa data ja sen keskinäiset suhteet ovat avainasemassa. Graafi jäljittää ja tallentaa kontekstuaalisia yhteyksiä valtavan heterogeenisen datamassan sisällä ja itseasiassa tämä malli muistuttaa täydellisesti GDPR:n tai HIPAA:n kaltaista säätelymekanismia.

Graafijärjestelmät mahdollistavat yksittäiset kyselyt, jotka voivat tarjota kyselyn tuloksen visuaalisessa muodossa. Tällä tavalla ne auttavat organisoimaan ja ylläpitämään säännöstenmukaisuutta seuraamalla dataa yrityksen järjestelmissä järjestelmällisemmin kuin esimerkiksi relaatiotietokannat.

Symbolinen AI (Symbolipohjainen päättely)

Analytiikkayritys Gartnerin mukaan liiketoimintatiedon hallinta (BI) ja analytiikka tulevat jatkossa pohjautumaan tekoälyyn (AI) ja koneoppimiseen (Machine Learning). Analyytikot ennustavat myös graafitietokantojen markkinan kasvavan yli 100% vuodessa lähivuosien aikana.

Koneoppimisessa algoritmi oppii säännöt opetusaineiston perusteella. Symbolipohjainen oppiminen edellyttää ihmisen panosta. Rakentaakseen symbolipohjaisen päättelyjärjestelmän, ihmisen täytyy ensin itse mallintaa säännöt ja sitten syöttää nämä säännöt niitä tukevaan ohjelmaan.

Symbolipohjainen päättely on yksi käyttötapaus graafitietokannoille, koska uusien sääntöjen kehittämiseksi tulee ensin ymmärtää suhteet eri entiteettien välillä, mikä ei yleensä ole kovin luontaista ihmisille, etenkään ilman datasta muodostettavaa visuaalista mallia. Graafitietokanta ratkaisee tämän ongelman. Se näyttää dataentiteetit ja niiden väliset kytkennät ja suhteet. Visuaalinen malli auttaa ihmisiä ymmärtämään tiedon väliset suhteet intuitiivisesti, joka tekee uusien merkityksellisten sääntöjen luomisesta paljon helpompaa.

Esimerkki Graafitietokannasta

Seuraava kuva on tilannekuva graafitietokannasta. Katsomalla sitä muutaman sekunnin ajan ymmärrät että Limerick on paitsi kaupunki, myös maakunta Irlannissa. Lisäksi selviää, että Limerick liittyy kahdeksaan noodiin graafitietokannassa ja viisi tietoa määrittelevät millainen kaupunki Limerick on.

Graafitietokannassa voit ymmärtää kaiken tämän intuitiivisesti muutamassa sekunnissa – relaatiotietokannassa tämä veisi useita minuutteja.

Digitaalinen Aineistonhallinta (DAM)

Digitaalisen sisällön runsaus on yksi suurimmista ongelmista yrityksissä tänä päivänä. Yritykset pyrkivät hallitsemaan ennennäkemätöntä määrää dokumentteja, kuvia, tuotekuvauksia, videomateriaalia, audiomateriaalia ja kaikkea tältä väliltä. Yrityksen digitaalinen aineistohallintajärjestelmä (DAM) tallentaa, organisoi ja jakaa kaikkia näitä digitaalisia aineistoja keskitetysti. DAM auttaa työntekijöitä ja tiimejä saavuttamaan tavoitteensa ja löytämään nopeasti oikeat tiedostot aina tarvittaessa. Tämä vaatii, että taustalla toimiva tietokanta skaalautuu nopeasti kasvavan datamäärän ja jatkuvasti monimuotoistuvan sisällön kanssa sekä löytää oikeat tiedostot työntekijöillesi nopeasti.

Graafitietokannan avulla on mahdollista muodostaa yksinkertainen, skaalautuva ja kustannustehokas tietokanta, jonka avulla voidaan hallinnoida yrityksen digitaalisia aineistoja kuten dokumentteja, sopimuksia ja henkilöstöraportteja sekä seurata aineistojen käyttöä kuten kuka aineiston on luonut ja milloin ja kenelle muille on myönnetty aineiston käsittelyoikeus. Graafitietokantamallin ansiosta digitaalisesta aineistonhallinnasta tulee intuitiivista.

Graafitietokanta esimerkki:

Netflix käyttää graafitietokantaa digitaalisen aineiston hallintaan, koska se on täydellinen tapa pitää kirjaa mitkä elokuvat kukin katsoja on jo katsonut ja mitä elokuvia heidän on sallittua katsoa. Huomaa myös, että identiteetin ja käyttöoikeuksien hallinta ovat tärkeä osa digitaalista aineistonhallintaa.

Kontekstuaaliset palvelut

Kontekstuaaliset palvelut soveltavat informaatiota käyttäjänsä kontekstista, kuten esimerkiksi sijainnista, tarjotakseen käyttäjälle tietoa relevanteista palveluista oikeaan aikaan.

On lukuisia esimerkkejä kontekstitietoisista palveluista kuten reaaliaikaiset liikennetiedotteet käyttäjän ympäristöstä, ajantasaisten ja relevanttien tuhoeläin ja kasvitauti havaintojen välittäminen naapuritiloilta läheisille maanviljelijöille tai varoitukset korkeasta siitepölymäärästä lasten koulutiellä. Näitä samoja palveluita voidaan käyttää myös kontekstuaaliseen markkinointiin toimittamalla asiakkaille relevanttia tietoa ja tarjouksia, jotka perustuvat heidän sijaintiinsa tai liittyvät heidän profiloituihin mielenkiinnon kohteisiinsa, sen sijaan että heille roskapostitettaisiin satunnaisia mainoksia.

Konteksti voi viitata konkreettisiin ominaisuuksiin kuten esimerkiksi lämpötilaan, aikaan tai paikkaan. Käyttäjä voi päivittää tämän informaation manuaalisesti tai se voidaan päivittää mobiililaitteilla, sovelluksilla tai IOT-sensoreilla.

Minkä takia käyttää Graafitietokantaa kontekstuaalisissa palveluissa?

Kontekstuaalisien palveluiden perusajatus on etsiä aikaisempia konteksteja, jotka ovat samantyyppisiä kuin käyttäjän tämänhetkinen konteksti ja käyttää tätä tietoa tarjoamaan käyttäjälle relevantteja palveluita tai informaatiota. Graafitietokanta on luonnollinen ratkaisu kontekstitietoisten palveluiden luomiseen. Graafi sisältää konteksteja edustavia noodeja ja näitä yhdistäviä tietoja.

Graafin rakenne mahdollistaa samankaltaisten kontekstien haun paljon nopeammin verrattuna relaatiotietokantaan.

Petosten torjunta

Hakkerointi on ollut yleisin syy datavuodoille viime vuosina. Yksistään vuonna 2018 havaittiin noin 5 000 merkittävää tapausta. 39 % näistä tehtiin internetin välityksellä. Verkkohuijaukset ja rikokset vuotavat miljardeja arkaluontoisia tietoja vuosittain ja näiden aiheuttamat taloudelliset menetykset lasketaan miljardeissa dollareissa.

Verkkohuijaukset ovat vaikeasti estettäviä, koska niiden käyttämät menetelmät kehittyvät nopeasti ja niiden takana olevat organisaatiot, liigat, muuttuvat jatkuvasti ja pystyvät kasvamaan nopeasti.

Graafitietokanta huijausten estämisessä

Jotta nykyaikaisia verkkohuijareita pystytään estämään toimimasta, pitää pystyä havaitsemaan milloin ja missä nämä huijaukset ilmestyvät. Ja nämä huijaukset voivat tapahtua nopeasti, milloin vain ja missä tahansa maailmassa.

Nämä huijausringit voivat nopeasti kasvaa tuhansien noodien suuruisiksi. Näiden analysointi ei vielä riitä. Pitää pystyä havaitsemaan kuinka ne linkittyvät muihin data pisteisiin kuten esimerkiksi luottokorttitietoihin, osoitteisiin tai transaktioihin ja analysoida näiden erittäin monimutkaiset kytkökset eri tietojen välillä.

Miksi valita Graafitietokanta verkkorikosten torjuntaan?

Jotta petoksen aiheuttamat vahingot voidaan rajata mahdollisimman tehokkaasti, pitää ne pystyä havaitsemaan ja estämään reaaliaikaisesti.

Perinteiset huijausten havaitsemistekniikat nojaavat relaatiotietokantoihin, jotka on optimoitu analysoimaan määriteltyä dataa, mutta ne eivät skaalaudu analysoimaan sitä, kuinka nämä vaikuttavat toisiinsa.

Edistyneiden verkkohuijausten estäminen vaatii hyvin skaalautuvaa ja reaaliaikaista linkkianalyysiä suurten datamassojen varassa. Tämän vuoksi huijauksentorjuntajärjestelmä pitäisi rakentaa nimenomaan graafitietokannan päälle.

Graafitietokanta huijausten havaitsemisessa

Graafin rakenne auttaa havainnoimaan paitsi määriteltyjä datapisteitä, myös niiden välisiä yhteyksiä. Kun datan laajemmat yhteydet ja mitä nämä linkit tarkoittavat ymmärretään, pystytään ongelmaa käsittelemään eri tavoin ja muodostamaan parempia johtopäätöksiä datasta. Toisin kuin muut tavat kuvata data, graafit on suunniteltu kuvaamaan tiedon välisiä kytköksiä. Graafitietokannat paljastavat siten tiedon välisiä suhteita, joita on vaikea havaita perinteisillä esitystavoilla kuten relaatiotietokannoilla.

Yhä suurempi määrä yrityksiä käyttää graafitietokantoja selvittämään ja ymmärtämään erilaisia datan välisiä yhteyksiä, muun muassa havaitsemaan huijauksia.

Semanttinen haku

Avainsanapohjaiset hakutyökalut ovat suurten yritysten painajainen, koska suuri osa organisaation tiedosta on tallennettu strukturoimattomaan (järjestelemättömään) formaattiin ja avainsanapohjaiset hakutyökalut eivät ymmärrä strukturoimatonta dataa. Puutteelliset hakutulokset turhauttavat työntekijöitä ja alentavat työn tehokkuutta. Erittäin kilpailluilla markkinoilla ei ole varaa olla hyödyntämättä arvokasta dataa, joka on yritysten kasvun moottori. Tämän takia suuret yritykset ovat siirtymässä semanttisiin hakutyökaluihin.

Kuinka semanttinen haku toimii?

Semanttinen haku tarkoittaa hakua, joka ymmärtää sanojen merkityksiä, toisin kuin normaalissa haussa, missä hakukone etsii sanatarkkoja osumia haetuista sanoista ymmärtämättä haun laajempaa merkitystä.

Semanttisessa haussa kyselyn laajempi tarkoitus voidaan muodostaa huomioimalla haun konteksti (kenelle), haettavat kontekstit (mitä), haun sijainti yrityksen verkossa (missä) sekä haun kohteena oleva datavarasto (mistä aineistosta). Haku tuottaa näin relevantimpia tuloksia ja kykenee tarvittaessa hyödyntämään koko yrityksen datavarastoa. Luonnollinen kieli voi olla monimerkityksellistä, mutta semanttinen haku paljastaa sanojen takana olevan merkityksen. Se ei käytä niinkään algoritmeja ennustaakseen datan relevanttiutta, vaan semanttinen haku käyttää ennalta määriteltyjä tai pääteltäviä merkityksiä muodostaakseen relevantimpia hakutuloksia.

Semanttinen haku tarjoaa organisaatioille nopeita, relevantteja vastauksia monimutkaisiin kysymyksiin käyttäjä- ja metadatan sekä muun liiketoimintaympäristöstäsi saatavan tiedon pohjalta.

Verkon hallintaa Tele-, IT-, sähkö- ja viemäriverkoille

Verkonhallinta tele-, sähkö- tai IT-puolella voi olla erittäin monimutkaista.

Monimutkaisuus kumuloituu verkkoihin ajan kuluessa, kun eri liiketoimintayksiköt eivät ole yhdenmukaisia; yritykset kasvavat yritysostojen ja eri yksiköiden järjestelmät eivät keskustele keskenään ja niin edelleen. Erilliset siilot, kerrokset ja toimialueet muodostuvat omiksi saarekkeikseen ja jokaisella on oma tietokantansa.

Yhtenäinen näkymä on mahdollista muodostaa koko verkosta, mutta se vaatii että kaikki relevantti tieto kootaan yhteen paikkaan. Helpointa on tehdä tämä graafitietokannan avulla. Näin pystytään visualisoimaan erilaiset pullonkaulat ja muut ongelmakohdat verkossa nopeasti.

Graafitietokannat verkoille

Graafitietokannat sopivat erinomaisesti mallintamaan, tallentamaan ja etsimään tarvittavaa verkko- ja IT-dataa. Verkot ovat periaatteessa yhteen linkitettyjä graafeja.

Aivan kuten master-datalla, graafitietokannalla voidaan saattaa yhteen tietoa erilaisista johdon järjestelmistä ja datavarastoista ja näin tarjota yksi yhtenäinen näkymä verkosta ja käyttäjistä aina pienimmistä verkon komponenteista sovelluksiin, palveluihin ja käyttäjiin asti.

Verkosta tehty graafimalli mahdollistaa aineiston ja omaisuuden luetteloinnin, käyttöönoton visualisoinnin ja auttaa havaitsemaan noodien välisiä riippuvuuksia.

Graafit auttavat varmistamaan verkon päästä päähän -käyttövarmuuden, jossa pystytään näkemään, jos jokin verkon komponentti ei toimi tai on huollossa ja mitkä ovat mahdolliset vaihtoehtoiset reitit ja mihin palveluihin ja asiakkaisiin tämä vaikuttaa.

Graafitietokannat tallentavat informaatiota järjestelmän konfiguraatiosta ja voivat hälyttää verkon valvojat reaaliaikaisesti mahdollisten vikojen varalta ja vähentää vikojen analysointiin ja korjaamiseen kuluvaa aikaa.

Tilannekuva

Tilannekuva mahdollistaa tarkasteltavaksi valittavien tietojen, kuten esimerkiksi liikenne- ja säätietojen monitoroinnin ja esittämisen reaaliaikaisesti suhteessa aikaan tai paikkaan. Tilannekuvan avulla yksittäistä tiedoista muodostuu kokonaisuus, mikä kokonaisuus on jo merkityksellinen itsessään, mutta antaa myös kontekstin yksittäisten tietojen vaikutuksen ja merkityksen ymmärtämiseen sekä tulevan tilan ennustamiseen. Tilannekuvan avulla yritys kykenee siten tekemään parempia liiketoimintapäätöksiä. Esimerkiksi logistiikkayritys voi valvoa säätä ja liikennettä, katsoa tilannetta kartalla ja aktiivisesti ohjata kalustoaan reaaliaikaisen tiedon pohjalta. Tilannekuva ja analysointi vaatii, että pystytään seuraamaan valtavaa määrää informaatiolähteitä, jotka kuvaavat esimerkiksi olosuhteita kuten lämpötilaa, kosteutta, sateen todennäköisyyttä ja monia muita suureita sekä näiden suhdetta haluttuun lopputulokseen, jotta voidaan tehdä parhaita mahdollisia liiketoimintapäätöksiä. Päätöksenteko on mahdollista myös automatisoida päättelykoneen avulla ilman että ihmisen tarvitsee osallistua operaatioon.

Tilannekuvateknologia

Tilannekuva on operatiivisen johtamisen järjestelmä. Tilannekuva koostuu kehittyneeseen semanttiseen teknologiaan perustuvista työkaluista, joiden avulla voidaan mallintaa kaikkein monimutkaisimpiakin liiketoimintaympäristöjä. Nämä kehittyneet työkalut on optimoitu mallintamaan liiketoimintaympäristöjä, analysoimaan kyselypohjaista liiketoimintaympäristödataa ja työkaluissa on useita kehittyneitä visualisointeja auttamaan käyttäjiä saamaan paremman tilannekuvan ja muodostamaan tarkemman kuvan liiketoiminnan kontekstista.