So funktioniert der Knowledge Graph von Leoni

Unterstützt werden Protokolle zum Beziehen von Daten über https, Amazon s3, Apache Hadoop HDFS, Google GS und noch einige mehr. Dadurch lassen sich auch umfangreiche Datenquellen wie Data Lakes zur Laufzeit einfach in den Knowledge Graphen integrieren.

Analysen auf Basis des Knowledge

Die besondere Leistungsfähigkeit einer Graphen-Datenbanken wird sichtbar, wenn auf Basis verknüpfter Inhalte Erkenntnisse abgeleitet werden, die ohne den integrierten Knowledge Graph nur mit hohem Aufwand oder überhaupt nicht erstellt werden könnten. Beispielsweise ermöglicht der Leoni Knowledge Graph ohne zusätzlichen Modellierungsaufwand, aggregierte End-to-end-Auswertungen aus den vorliegenden BPMN-Prozessabläufen automatisch zu erstellen und zu visualisieren.

End-to-end-Prozesse beziehen sich auf die vollständige Abfolge von Aktivitäten oder Vorgängen, die den gesamten Lebenszyklus von einem Prozess-Initiator bis zum Prozess-Kunden umfassen. Sie beschreiben alle Schritte, die vom Start über die Ausführung bis zur Bereitstellung eines Endprodukts oder Dienstleistung einschließlich der beteiligten Ressourcen erforderlich sind.

Dazu müssen typischerweise Teilprozesse, deren Eingaben, Arbeitsschritte, Ausgaben und Interaktionen mit verschiedenen Beteiligten oder Komponenten als Ganzes betrachtet werden. Die erforderlichen Inhalte zusammenzustellen ist ohne Computerunterstützung in großen Organisationen nahezu nicht kostendeckend zu leisten. Dies gelingt auch nicht durch den Einsatz eines Prozessmodellierungswerkzeuges, denn auch dort ist die manuelle Erstellung erforderlich. Durch den Knowledge Graphen und die algorithmischen Fähigkeiten der Graphen-Datenbank wird diese Einschränkung überwunden.

Leoni verwendet bei der End-to-end-Berechnung sowohl in der Datenbank persistierte Beziehungen wie auch zur Laufzeit erstellte virtuelle Verknüpfungen, die auf Basis eines Natural-Langage-Processing (NLP) erfolgen. Neo4j bietet bereits im Standard diverse Algorithmen im Bereich des semantischen Objektvergleichs durch Nutzung von Sprach- und Objektanalysemodellen.

Dadurch ist es möglich Inhalte zu kombinieren, die auf den ersten Blick von Menschen nicht als zusammengehörend erkannt werden. Das umfasst zum Beispiel die Ermittlung von Prozessschnittstellen, auch wenn die Benennungen der zugehörigen End- und Start-Ereignisse einen direkten Zusammenhang nicht erkennen lassen.

Abbildung 5 zeigt zwei generierte End-to-end-Diagramme. Im größeren Bild eine Abbildung auf der höchsten Abstraktionsebene der End-to-end-Zusammenhänge der Leoni-Kernprozesse. Unten rechts ist eine verkleinerte Darstellung der tiefsten Modellierungsebene der fachlichen BPMN-Geschäftsprozesse.

Beide Darstellungen sind vollständig und ohne zusätzliche Modellierung aus dem Knowledge Graph generiert. Aufgrund der verzahnten Inhalte ist es möglich, Analysen in jedem gewünschten Detaillierungsgrad direkt aus dem vorliegenden Modell abzuleiten.

Die Neo4j Graph-Data-Science-Bibliothek enthält darüber hinaus eine Vielzahl von Algorithmen, die helfen, strategische und operative Fragestellungen zu beantworten. Abbildung 6 zeigt den neutralisierten Ausschnitt einer auf Basis des Leoni Knowledge Graph erstellten Heat-Map.

Dargestellt werden die Geschäftsprozesse inklusive algorithmisch ermittelter Optimierungspunkte aus IT-, Organisations- und Daten-Sicht. Die Analyse basiert unter anderem auf der Betweenness-Zentralität, mit deren Hilfe der Einfluss jedes Knotens im Graph ermittelt werden kann. Dabei erhält jeder Knoten eine Punktzahl, die es ermöglicht, kritische Punkte innerhalb der Unternehmensarchitektur mathematisch zu identifizieren. Durch den Algorithmus ermittelte Verbesserungsvorschläge werden mit einer Punktzahl bewertet und nach Priorität farblich visualisiert.

Die Berechnung erfolgt vollständig auf Basis von in der Datenbank implementierter Algorithmen ohne zusätzliche Programmierung oder Modellierung. Als Ausgangsbasis dient ebenfalls der Knowledge Graph, der hinsichtlich möglicher Optimierungspunkte betrachtet werden kann.