Gut vernetzt: Skalierbares Graph Mining für Business Intelligence

Graphmodelle werden für die Analyse komplexer Beziehungsgeflechte zwischen heterogenen Datenobjekten eingesetzt, zum Beispiel in Logistik-, Geschäfts- und sozialen Netzen. In der Forschung existieren innovative und wertvolle Graph-Mining-Algorithmen, diese sind jedoch oft extrem rechenintensiv und nicht ohne Weiteres in der Praxis anwendbar.

Im Vortrag zeigen wir Gradoop, ein auf Apache Flink basierendes Open-Source-System, das massiv verteilte Algorithmen zur Netzwerkanalyse bereitstellt und die Integration von Geschäftsdaten ermöglicht. Neben Benchmarks für Big Data präsentieren wir die praktische Anwendung für Business Intelligence am Beispiel einer Quote-to-Cash-Analyse.

Skills
Geschäftsinformationssysteme, Datenbanken, Business Intelligence

Lernziele
* Verstehen von Graphmodellen und deren Mehrwert für die Datenanalyse.
* Kennenlernen analytischer Graphalgorithmen (z.B. Pattern Matching und Mining).
* Formulieren analytischer Anfragen mit Gradoop.

// Referenten

// André Petermann

forscht am Competence Center for Scalable Data Services and Solutions Dresden/Leipzig (ScaDS) und an der Universität Leipzig an der Nutzung von Graphmodellen für Business Intelligence im Rahmen des Gradoop-Projektes. Die Motivation hierfür entstand während seiner mehrjährigen Tätigkeit als Softwareentwickler für Data Warehousing und Reporting.

// Martin Junghanns
@kc1s

forscht an der Universität Leipzig an Methoden und Techniken zur verteilten Analyse stark vernetzter, heterogener Daten im Rahmen des Gradoop-Projektes. Seine praktische Erfahrung aus der Tätigkeit als Softwareentwickler für den Graphdatenbank-Hersteller sones GmbH und SAP bringt er in die Forschung ein.