Социальные сети используют графовые базы данных, чтобы «найти ваших друзей», в то время как бизнес начинает применять подобные технологии к собственным логистическим цепочкам.
Пользователи Facebook и LinkedIn знакомы с порой пугающей вещью: тем, как эти соцсети предлагают вам новых друзей. Откуда они знают, что мы с этим конкретным человеком знакомы? Теперь представьте, что аналогичные технологии возьмёт на вооружение бизнес и использует в собственной логистике. Представили? А некоторые организации уже это делают.
Вообразите, что вы отвечаете за логистическую цепочку производителя автомобилей. Вы заглядываете в базу данных подрядчиков, и та сообщает вам, что 3 ваших поставщика шин зависят от одной и той же компании по части одного критичного компонента. Это означает, что вся ваша цепочка рискует дать сбой, и, вероятно, стоит заняться этим вопросом. И подобное решение основывается на графовых базах данных.
Эти базы не только анализируют риски, но и
помогают оптимизировать издержки. Если продолжать аналогию с автомобилями,
представьте, что вам нужно проанализировать ваших поставщиков люков для крыши.
У вас есть соглашения с каждым в плане объёмов, но что насчёт и объёмов, и
стоимости?
Графовая база данных не только расскажет вам, сколько вы зарабатываете с помощью каждого из поставщиков, но и поможет испробовать специальные сценарии, делать прогнозы продаж, учитывая все нюансы производства, и сама посчитает, нужно ли вам стимулировать спрос акциями на товар или нет, чтобы избежать образования стоков, поясняет Гурав Дешпанде, вице-президент по маркетингу TigerGraph.
Суть в том, что в графовых базах данные
собираются не так, как в привычных. В то время как в базах вроде SQL
данные организованы в виде таблиц, в графах они распределяются более
интуитивно, позволяя размещать информацию на основе реальных взаимодействий между
объектами. Базовая единица данных в SQL –
это запись, содержащая серию колонок информации, а в графах базовой единицей данных
является два объекта (т.н. «ноды») и звено, описывающее связь между ними.
Именно таким образом Facebook анализируют взаимоотношения между пользователями. Ноды –
пользователи, а связаны они звеньями, помеченными «дружит с…». В результате «Х
дружит с Y» становится основной единицей информации их базы данных.
Разумеется, у X может быть множество друзей,
равно как и у пользователя Y, поэтому, постоянно желая расширить
круги общения пользователей, Facebook вгрызается
в данные обоих и рекомендует друзей X друзьям
Y.
Разумеется, это не совсем «бартер» - всё не
так просто, - поскольку рекомендации друзей основываются на уйме различных
факторов, включая общие интересы, количество общих знакомых и ключевые слова,
взятые из ваших сообщений. А Facebook превращает
всю эту кипу разрозненных данных в информацию с помощью алгоритмов и формул для
нахождения кратчайших связей между двумя людьми, сообществами похоже мыслящих
индивидов и лидеров общественных мнений.
Если применять подобные алгоритмы в
логистике, они помогут находить узкие горлышки, реальные издержки, слабые
звенья в цепи, проблемные участки, несоответствие нормам и многое другое.
Сценарии на скорость
Теперь графы применяет крупнейшая в мире логистическая
сеть в мире – армия США. Графы помогают обслуживать снаряжение 1 миллиона
солдат и 200 тысяч гражданских сотрудников, покрывая всё – от оружия и
автомобилей до танков и воздушных средств.
Для управления подобной логистической
цепочкой нужно не только закупать оборудование и отправлять его в нужные части
земного шара, но и обеспечивать его миллионами необходимых запчастей, чтобы оно
работало. Материально-техническое обеспечение, бюджетирование и логистика
составляют 80% затрат на всём цикле использования оборудования, поэтому была
задача собрать данные по каждому звену и его стоимости, с каким оборудованием
оно связано и когда последнее перестанет быть пригодным.
Разработка сценария – один из ключевых
компонентов в этом деле. Это возможность готовить очереди данных и планировать
бюджет и стоимость развёртывания проектов в разных локациях, учитывая не только
логистические затраты, но и влияние местных условий на оборудование.
Всем этим занимался стареющий
супер-компьютер, который армия решила заменить новейшей системой управления
закупками. В процессе поисков они остановились на графовой базе данных, в
которой на данный момент уже 2,1 миллиарда нодов и 5,9 миллиардов звеньев.
То, на что раньше уходило 60 человеко-часов,
сейчас занимает 7, сообщает руководитель проекта Престон Хендриксон. «Один файл
для танка с 10 миллионами запчастей включает более 15 миллионов возможных
звеньев между компонентами. - добавляет он, - И это лишь песчинка во всей
системе».
Графы позволили армии лучше адаптироваться к
запросам на запчасти и отдавать более грамотные приказы, лучше учитывая
издержки. Кроме того, теперь возможно использовать современные компьютерный
языки, чтобы распределять данные эффективнее. «Если у аналитика возникает
вопрос, он мгновенно получает нужный ответ, вместо того, чтобы, как раньше,
долго думать, как этот вопрос вообще сформулировать», отмечает Хендриксон.
Прежде сценарии «что-если» требовали перезагрузки данных для каждого запроса, а
теперь очереди запросов обрабатываются в тот же день.
