Eine Graph‑Datenbank modelliert Daten als Graphen, bestehend aus Knoten (Nodes) und Kanten (Edges).

• Knoten repräsentieren Datenentitäten bzw. Objekte wie Personen, Orte oder Produkte. Sie speichern Attribute oder Eigenschaften, die ihn beschreiben, z. B. Name, ID, Typ. Jeder Knoten kann eine unbegrenzte Anzahl von Beziehungen haben.
• Kanten verbinden zwei Knoten und beschreiben ihre Beziehung dieser Objekte zueinander, z. B. Familien- oder Freundschaftsbeziehungen, Aktionen oder Besitzverhältnisse. Es gibt immer einen Startknoten, einen Endknoten, einen Typ und eine Richtung. 

Graph-Datenbanken behandeln Beziehungen als Erstklassige Objekte – das heißt, die Datenbank weiß bereits beim Speichern um die Verbindung, statt sie bei Abfragen teuer zu rekonstruieren. Daraus resultiert eine hohe Performance-Geschwindigkeit selbst bei komplizierteren Abfragen. 

Ein Hersteller will prüfen, welche Produkte von einem fehlerhaften Teil betroffen sind – inklusive aller verbauten Komponenten, Lieferanten, Chargen und Maschinen. In einer SQL-Datenbank braucht das viele komplizierte Verknüpfungen. In einer Graphdatenbank ist es eine einfache Navigation durch das Netzwerk. Denn hier stehen Beziehungen im Mittelpunkt. Bauteile, Maschinen oder Lieferanten sind Knoten – ihre Verbindungen sind direkte, durchsuchbare Kanten (z.B. verbaut in, geliefert von).

Die Vorteile:

• Beziehungen sind direkt abfragbar
• Schnelle Analysen trotz komplexer Daten
• Flexibel erweiterbar bei Änderungen in der Lieferkette

Für alle, die in Abhängigkeiten denken müssen: Graph ist das richtige Modell.

Zur Erklärung: 

Mit {id: 'XYZ'} wird das fehlerhafte Teil (z. B. durch Seriennummer oder ID eindeutig identifiziert) abgefragt. Die *1..5 gibt an, dass alle Pfade mit 1 bis 5 Kanten Tiefe durchsucht werden – also z. B. vom Teil über Produkt bis hin zu Maschine. Der path enthält die komplette Verknüpfung – du bekommst also ein vollständiges Netz an Abhängigkeiten. Und beteiligte kann alles sein: Produkt, Komponente, Lieferant usw.

Labeled Property Graph (LPG)

Weit verbreitet: Der Labeled-Property-Graph (LPG) ist ein Datenmodell, bei dem Knoten und Kanten mit Labels (zur Kategorisierung) und Eigenschaften (wie Lagerbestand oder Transportmittel) versehen sind. Diese Struktur ermöglicht flexible Abfragen und eignet sich besonders zur Darstellung komplexer Netzwerke mit vielfältigen Beziehungen. Z. B. Neo4j, OrientDB, SAP HANA Graph verwenden diesen Ansatz.
 

Resource Description Framework (RDF)

Das Resource Description Framework (RDF) stellt Informationen in einfachen Tripeln dar: Subjekt – Prädikat – Objekt. Damit wird eine Beziehung zwischen zwei Dingen beschrieben, zum Beispiel Produkt123 – hat Lieferzeit – 5 Tage. 

RDF ermöglicht es, Daten standardisiert und systemübergreifend zu verknüpfen, was besonders nützlich ist, wenn Informationen aus verschiedenen Quellen zusammengeführt werden sollen – etwa in Lieferkettennetzwerken, um z. B. Produkte, Lieferanten und Standorte miteinander zu verbinden. Ideal für semantische Daten und Ontologien. Unterstützt z. B. Amazon Neptune.

a) Supply Chain Management

Im Supply Chain Management ermöglichen Graphdatenbanken die Abbildung komplexer Netzwerke aus Lieferanten, Produkten, Standorten und Transportwegen. Beziehungen wie „liefert an“ oder „gehört zu“ werden direkt modelliert und erlauben präzise Analysen.

Typische Anwendungen sind die Identifikation von Engpässen, die Simulation von Störungen („What-if“-Szenarien) oder das Aufdecken von Abhängigkeiten oder Rückverfolgungen entlang der Lieferkette. So lassen sich Risiken frühzeitig erkennen und fundierte Entscheidungen treffen – flexibel, skalierbar und in Echtzeit.

b) Wissensmanagement (Knowledge Graphs)

Im Wissensmanagement helfen Graphdatenbanken dabei, Wissen aus unterschiedlichen Quellen miteinander zu verknüpfen, strukturiert darzustellen und kontextbezogen zu analysieren. Knoten repräsentieren z. B. Personen, Dokumente oder Fachbegriffe, Kanten zeigen deren Beziehungen. So lassen sich Experten identifizieren, thematisch verwandte Inhalte finden oder Wissenslücken aufdecken. Aufgrund der Verarbeitung in natürlicher Sprache eignen sie sich auch ideal für das Stammdatenmanagement. 

c) Empfehlungssystem

Graphdatenbanken eignen sich ideal für personalisierte Empfehlungen, da sie Beziehungen zwischen Nutzern, Produkten, Interessen und Interaktionen direkt abbilden. Durch die Analyse von Verbindungen – z. B. gemeinsame Käufe, ähnliche Vorlieben oder soziale Kontakte – lassen sich zielgenaue Produktempfehlungen oder Kontaktvorschläge generieren.

Typische Szenarien sind Produktempfehlungen auf Basis ähnlicher Nutzerverhalten oder das Erkennen potenzieller Verbindungen in sozialen Netzwerken. So entsteht ein dynamisches Empfehlungssystem, das flexibel auf neue Daten reagiert und individuelle Nutzererlebnisse verbessert.

Vorteile: 

1. Flexible Modellierung von Beziehungen
   Graphdatenbanken sind ideal, um komplexe, dynamische Beziehungen abzubilden – z. B. in sozialen Netzwerken, Lieferketten oder Wissensgraphen.
2. Effiziente Abfragen über Beziehungen
   Beziehungsabfragen (z. B. „Welche Produkte wurden von ähnlichen Kunden gekauft?“) sind schneller und natürlicher als in relationalen Datenbanken.
3. Schemafreiheit
   Neue Knoten oder Beziehungstypen können leicht ergänzt werden, ohne das gesamte Modell anpassen zu müssen – ideal für agile und sich verändernde Datenstrukturen.

Nachteile: 

1. Eingeschränkte Standardisierung
   Es gibt keine einheitliche, weit verbreitete Abfragesprache wie SQL für relationale Datenbanken – die Query-Sprachen (z. B. Cypher, Gremlin) variieren je nach Anbieter.
2. Weniger geeignet für stark tabellarische Daten
   Für klassische Geschäftsanwendungen mit wenigen Beziehungen und vielen strukturierten Datensätzen sind relationale Systeme oft effizienter.
3. Komplexere Einführung
   Die Modellierung erfordert ein Umdenken im Vergleich zu relationalen Datenbanken, was zu einem höheren Einarbeitungsaufwand führen kann – sowohl technisch als auch konzeptionell.

Graph-Datenbanken sind ideal, wenn Beziehungen und Netzwerke im Mittelpunkt stehen – z. B. in Lieferketten, Wissensnetzen oder Betrugserkennung. Sie bieten intuitive Modellierung, blitzschnelle Traversals und hohe Flexibilität. Der Einsatz lohnt sich, sobald Daten stark vernetzt sind. Die Wahl zwischen LPG und RDF hängt vom Einsatzzweck ab – pragmatische, performante Anwendungen (LPG) vs. standardisierte Semantik (RDF).