Graph-Datenbank
Eine Graph-Datenbank speichert Daten als Knoten (Entitäten) und Kanten (Beziehungen) und ist optimiert für Abfragen über vernetzte Strukturen.
Graph-Datenbanken speichern Daten als Knoten und Kanten – optimiert für vernetzte Abfragen wie Social Networks, Empfehlungen und Betrugserkennung.
Erklärung
Im Gegensatz zu relationalen DBs, die JOINs benötigen, traversieren Graph-Datenbanken Beziehungen direkt. Das macht sie ideal für Social Networks, Empfehlungssysteme und Fraud Detection.
Relevanz für Marketing
Graph-Datenbanken ermöglichen Customer 360-Ansichten, Influencer-Mapping und Echtzeit-Empfehlungen für Marketing-Teams.
Häufige Fallstricke
Nicht jedes Problem ist ein Graph-Problem; mangelnde Expertise im Team; Skalierung bei sehr großen Graphen ohne Partitionierung.
Entstehung & Geschichte
Neo4j (2007) war die erste produktionsreife Graph-Datenbank. Amazon Neptune (2017) und Azure Cosmos DB (2017) brachten Managed-Graph-Services. 2024 verarbeiten Graph-DBs Billionen von Kanten in Echtzeit.
Abgrenzung & Vergleiche
Graph-Datenbank vs. Relationale Datenbank
Relationale DBs nutzen Tabellen mit JOINs (O(n²) bei Multi-Hop); Graph-DBs traversieren Beziehungen in O(1) pro Hop.
Graph-Datenbank vs. Vector Database
Vector DBs finden ähnliche Embeddings (semantische Nähe); Graph-DBs finden explizite Beziehungen (strukturelle Verbindungen).