Neo4j stellt Neo4j Aura Graph Analytics vor. Die Serverless Lösung unterstützt Zero ETL (Extract, Load, Transform) und lässt sich nahtlos mit beliebigen Datenplattformen nutzen. Anwender aller Erfahrungsstufen können damit tiefere Erkenntnisse aus ihren Daten gewinnen. Im Vergleich zu herkömmlichen Analysemethoden liefert die Lösung dabei doppelt so präzise und hochwertige Ergebnisse.
Die Lösung benötigt keine eigene Infrastruktur und keine Vorkenntnisse in Graphtechnologie oder der Abfragesprache Cypher. Anwender können Graph-Analytics-Workloads durchgängig bereitstellen und skalieren und damit Daten erfassen, organisieren, analysieren und visualisieren. Die Lösung umfasst mehr als 65 integrierte, direkt anwendbare Graph-Algorithmen und ist für High-Performance-Anwendungen sowie parallele Workflows optimiert.
Neo4j Aura Graph Analytics ist ab sofort verfügbar. Die Lösung ist mit allen Datenbanken (z. B. Oracle und Microsoft SQL), allen Cloud-Data-Warehouses und Data-Lake-Plattformen (z. B. Databricks, Snowflake, Google BigQuery, Microsoft OneLake) sowie in jeder Cloud-Umgebung einsetzbar. Abgerechnet wird nach einem nutzungsbasierten Modell, wodurch Kunden nur für die tatsächlich genutzte Rechenleistung und den Speicherplatz zahlen.
Leistung und Features im Überblick (basierend auf Anwenderergebnissen in realen Anwendungen):
- Bis zu 80 Prozent höhere Modellgenauigkeit
Durch die Umwandlung von Graphstrukturen in für Machine Learning (ML) geeignete Features mittels Graph-Embeddings steigert Neo4j Aura Graph Analytics die Modellgenauigkeit um bis zu 80 Prozent. Damit verdoppelt sich die Aussagekraft der gewonnenen Erkenntnisse.
Graphen sind grundsätzlich in der Lage, tiefe Muster und Zusammenhänge in komplexen, vernetzten Daten zu erkennen. Da sie auf den Verbindungen zwischen den Datenpunkten basieren und nicht nur auf den Daten selbst, können sie sich dynamisch und in Echtzeit an veränderte Daten anpassen.
Zum Einsatz kommen fortschrittliche Graph-Algorithmen und Embeddings – wie Centrality, Pathfinding, Community Detection, Link Prediction und Similarity. Typische Anwendungsfälle sind Betrugserkennung, Geldwäscheprävention, Customer-360-Analysen, Lieferkettenmanagement, Recommendation Engines und soziale Netzwerkanalysen. - Doppelt so schnell
Dank paralleler In-Memory-Verarbeitung von Graph-Algorithmen liefert Neo4j Aura Graph Analytics Ergebnisse doppelt so schnell wie andere Open-Source-Alternativen. Die Neo4j-Lösung führt verschiedene, gleichzeitig laufende DMSL-Instanzen (Data Science und Machine Learning) aus, was die Produktivität von Datenanalysten verbessert. Anwender können Graph-Analytics-Workloads organisationsweit skalieren und beliebig viele unabhängige Sitzungen parallel betreiben (Concurrent Sessions). - 75 Prozent weniger Code, Zero ETL
Dank der integrierten Graph-Algorithmen entfällt das manuelle Erstellen von Modellen für neue Analysen. Neo4j Aura Graph Analytics lässt sich überall einsetzen – direkt auf Unternehmensdaten aufgesetzt oder innerhalb der jeweils vertrauten Data-Science-Umgebung.
Daten lassen sich dabei einfach aus Pandas-Dataframes projizieren, ebenfalls mit Zero ETL. Zudem können Anwender auf bestehende Python-basierte Data-Science-Tools zurückgreifen, um zum Beispiel Subgraphen zu projizieren, Algorithmen auszuführen und Ergebnisse aufzurufen. - Minimaler Verwaltungsaufwand
Das vollständig verwaltete Serverless-Angebot von Neo4j reduziert den administrativen Overhead hinsichtlich Serverbereitstellung, Wartung und Ressourcenmanagement. Das flexible Pay-as-you-Use-Modell ermöglicht eine bedarfsgerechte Skalierung von Rechenleistung und Speicher, was wiederum Administrations- und Infrastrukturkosten optimiert.
Neo4j Aura Graph Analytics ist über das Pandas Dataframes in Python auf allen Datenplattformen verfügbar. Die Unterstützung weiterer Programmiersprachen soll noch in diesem Jahr erfolgen. Die native Integration mit Snowflake (Neo4j Graph Analytics for Snowflake) ist für das dritte Quartal 2025 geplant. Breits im Vorjahr integrierte Neo4j seine Graph Data Science-Lösung in die Snowflake AI Data Cloud und nahm weitere Implementierungen vor (siehe Snowflake Marketplace).
Wachsende Nachfrage nach KI und Graphtechnologie
Graph Analytics gewinnt im Kontext von KI zunehmend an Bedeutung. Aufgrund der Komplexität und der damit verbundenen Einstiegshürden konnten viele Unternehmen das Potenzial bislang jedoch nicht umfassend nutzen. Laut Gartner sind Unternehmensdaten häufig lückenhaft und unvollständig, was das Auffinden und Verknüpfen relevanter Informationen erschwert.
Graph Analytics etabliert sich daher zunehmend als bevorzugte Technologie für Data Scientists und Analysten, um Datenlücken zu schließen und unterschiedliche Datenquellen miteinander zu verbinden – auch bei variierender Datenqualität.