# Beste Graphdatenbanklösungen *By [Shalaka Joshi](https://research.g2.com/insights/author/shalaka-joshi)* Graphdatenbanken verwenden topografische Datenmodelle, um Daten zu speichern. Diese Datenbanken verbinden spezifische Datenpunkte (Knoten) und erstellen Beziehungen (Kanten) in Form von Graphen, die dann vom Benutzer mit Abfragen abgerufen werden können. Knoten können Kunden, Unternehmen oder beliebige Daten darstellen, die ein Unternehmen aufzeichnen möchte. Kanten werden von der Datenbank gebildet, sodass Beziehungen zwischen Knoten vom Benutzer leicht verstanden werden können. Unternehmen können Graphdatenbanken nutzen, wenn sie Daten abrufen und keine Zeit damit verbringen möchten, diese in eindeutige Beziehungen zu organisieren. Große Unternehmen können komplexe Abfragen verwenden, um präzise und detaillierte Informationen über ihre Kunden- und Benutzerinformationen oder Produktverfolgungsdaten abzurufen, unter anderem. Datenbankadministratoren können hohe Datenwerte skalieren und dennoch nutzbare Modelle erstellen. Einige Unternehmen können sich dafür entscheiden, eine RDF-Datenbank zu betreiben, eine Art von Graphdatenbank, die sich auf das Abrufen von Tripeln konzentriert, oder Informationen, die in einer Subjekt-Prädikat-Objekt-Beziehung organisiert sind. Ähnliche Arten von Datenbanken umfassen Dokumentdatenbank-Tools, Schlüssel-Wert-Speicher-Tools, objektorientierte Datenbank-Tools und mehr. Entwickler, die nach einer kostengünstigen Lösung suchen, können sich kostenlose Datenbanksoftware ansehen. Um in die Kategorie der Graphdatenbanken aufgenommen zu werden, muss ein Produkt: - Daten speichern - Daten in einem topografischen Schema aufzeichnen und darstellen - Benutzern ermöglichen, die Daten mit einer Abfragesprache abzurufen ## Category Overview **Total Products under this Category:** 68 ## Trust & Credibility Stats **Warum Sie den Software-Rankings von G2 vertrauen können:** - 30 Analysten und Datenexperten - 1,000+ Authentische Bewertungen - 68+ Produkte - Unvoreingenommene Rankings Die Software-Rankings von G2 basieren auf verifizierten Benutzerbewertungen, strenger Moderation und einer konsistenten Forschungsmethodik, die von einem Team von Analysten und Datenexperten gepflegt wird. Jedes Produkt wird nach denselben transparenten Kriterien gemessen, ohne bezahlte Platzierung oder Einflussnahme durch Anbieter. Während Bewertungen reale Benutzererfahrungen widerspiegeln, die subjektiv sein können, bieten sie wertvolle Einblicke, wie Software in den Händen von Fachleuten funktioniert. Zusammen bilden diese Eingaben den G2 Score, eine standardisierte Methode, um Tools innerhalb jeder Kategorie zu vergleichen. ## Best Graphdatenbanken At A Glance - **Führer:** [Arango](https://www.g2.com/de/products/arango/reviews) - **Höchste Leistung:** [GraphJSON](https://www.g2.com/de/products/graphjson/reviews) - **Am einfachsten zu bedienen:** [Amazon Neptune](https://www.g2.com/de/products/amazon-neptune/reviews) - **Top-Trending:** [Stardog](https://www.g2.com/de/products/stardog/reviews) - **Beste kostenlose Software:** [Neo4j Graph Database](https://www.g2.com/de/products/neo4j-graph-database/reviews) --- **Sponsored** ### Kintone Kintone ist eine No-Code-Geschäftsanwendungsplattform, die darauf ausgelegt ist, nicht-technische Benutzer zu befähigen, robuste Anwendungen, Workflows und Datenbanken zu erstellen, die auf ihre Teams und Organisationen zugeschnitten sind. Durch die Nutzung einer benutzerfreundlichen Oberfläche, die Klicks gegenüber dem Codieren betont, ermöglicht Kintone Einzelpersonen, Anwendungen zu entwickeln, die Geschäftsprozesse optimieren, die Zusammenarbeit bei Projekten und Aufgaben verbessern und die Berichterstattung über komplexe Daten erleichtern. Diese Plattform ist besonders vorteilhaft für Geschäftsanwender, die sofortige Lösungen benötigen, ohne umfangreiche Programmierkenntnisse zu haben. Kintone bietet eine breite Palette vorgefertigter Anwendungen, die verschiedene Anwendungsfälle abdecken, darunter Kundenbeziehungsmanagement (CRM), Projektmanagement, Bestandsverwaltung und mehr. Diese Vorlagen ermöglichen es den Benutzern, sofort loszulegen und die Anwendungen an ihre spezifischen Bedürfnisse anzupassen, wodurch die Zeit und der Aufwand für die Implementierung neuer Systeme erheblich reduziert werden. Die Zielgruppe von Kintone umfasst kleine bis mittelgroße Unternehmen, Projektmanager, Teamleiter und alle Fachleute, die ihren Workflow optimieren möchten, ohne auf IT-Abteilungen oder externe Entwickler angewiesen zu sein. Der No-Code-Ansatz demokratisiert die App-Entwicklung und ermöglicht es Benutzern aus verschiedenen Bereichen, an der Erstellung von Lösungen teilzunehmen, die ihre einzigartigen Herausforderungen adressieren. Diese Inklusivität fördert eine Kultur der Innovation innerhalb von Organisationen, da Teammitglieder Ideen und Verbesserungen basierend auf ihren eigenen Erfahrungen einbringen können. Zu den Hauptmerkmalen von Kintone gehören anpassbare Dashboards, automatisierte Workflows und Tools für die Echtzeit-Zusammenarbeit. Benutzer können Dashboards entwerfen, die Einblicke in ihre Projekte und Daten auf einen Blick bieten, während automatisierte Workflows helfen, sich wiederholende Aufgaben zu eliminieren, sodass sich Teammitglieder auf wertschöpfendere Aktivitäten konzentrieren können. Die Plattform unterstützt auch die Echtzeit-Zusammenarbeit, sodass Teams nahtlos zusammenarbeiten, Updates teilen und den Fortschritt bei Projekten verfolgen können, ohne ständige Meetings oder E-Mail-Austausch zu benötigen. Kintone zeichnet sich in der Kategorie der No-Code-Plattformen dadurch aus, dass es eine flexible und skalierbare Lösung bietet, die mit Organisationen wächst. Seine Fähigkeit, sich in andere Tools und Dienste zu integrieren, verbessert seine Funktionalität weiter und ermöglicht es Benutzern, ein umfassendes Ökosystem zu schaffen, das ihren sich entwickelnden Geschäftsanforderungen gerecht wird. Indem es eine leistungsstarke, aber zugängliche Plattform für die App-Entwicklung bereitstellt, befähigt Kintone Benutzer, die Kontrolle über ihre Workflows zu übernehmen und die Effizienz innerhalb ihrer Teams zu steigern. [Website des Unternehmens besuchen](https://www.g2.com/de/external_clickthroughs/record?secure%5Bad_program%5D=ppc&secure%5Bad_slot%5D=category_product_list&secure%5Bcategory_id%5D=304&secure%5Bdisplayable_resource_id%5D=660&secure%5Bdisplayable_resource_type%5D=Category&secure%5Bmedium%5D=sponsored&secure%5Bplacement_reason%5D=neighbor_category&secure%5Bplacement_resource_ids%5D%5B%5D=318&secure%5Bprioritized%5D=false&secure%5Bproduct_id%5D=16406&secure%5Bresource_id%5D=304&secure%5Bresource_type%5D=Category&secure%5Bsource_type%5D=category_page&secure%5Bsource_url%5D=https%3A%2F%2Fwww.g2.com%2Fde%2Fcategories%2Fgraph-databases&secure%5Btoken%5D=c628705281139506dab209902c8fb4d02a1f3edd666ab49537cbf20479e7bbdb&secure%5Burl%5D=https%3A%2F%2Fwww.kintone.com%2Fhow-to-get-started-with-kintone2%2F%3Futm_campaign%3DG2%2520Ads%26utm_source%3DG2%26utm_medium%3Dcpc%26utm_term%3DGet%2520started%2520CTA&secure%5Burl_type%5D=custom_url) --- ## Top-Rated Products (Ranked by G2 Score) ### 1. [Arango](https://www.g2.com/de/products/arango/reviews) Arango bietet eine vertrauenswürdige Datenbasis für kontextuelle KI – transformiert Unternehmensdaten in ein System des Kontexts, das das Geschäft wirklich repräsentiert, sodass LLMs bessere Ergebnisse mit unbegrenzter Skalierbarkeit und Kosteneffizienz liefern können. Die Arango AI Data Platform bietet Entwicklern eine einzige, integrierte Umgebung, um KI-gestützte Anwendungen zu erstellen und zu skalieren, ohne die Komplexität, mehrere Datenbanken und Tools zusammenzufügen. Im Kern steht eine massiv skalierbare Multi-Model-Datenbank, die Graph-, Vektor-, Dokument- und Schlüssel-Wert-Daten mit Volltext-, Geodaten- und Vektorsuche vereint – und das System des Kontexts schafft, die Brücke zwischen Unternehmensdaten und LLMs. Die Arango AI Suite umfasst automatisierte Datenpipelines, multimodale Datenaufnahme, AIOps und MLOps, LLM-Integrationen, Graph-Analytik, agentische Frameworks für kontextbewusste Hybrid/GraphRAG, GraphML, Unterstützung für natürliche Sprache und GPU-Beschleunigung – was wiederholbare ROI und schnellere Innovation ermöglicht. Vertraut von NVIDIA, HPE, der Londoner Börse, der US Air Force, NIH, Siemens, Synopsys und Articul8, treibt Arango Unternehmens-KI mit Kontext, Vertrauen und Skalierung an. Wir sind ein stolzes Mitglied des NVIDIA Inception Programms und des AWS ISV Accelerate Programms. Erfahren Sie mehr auf arango.ai, LinkedIn, YouTube und G2. **Average Rating:** 4.6/5.0 **Total Reviews:** 115 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 9.0/10 (Category avg: 8.8/10) - **Datenmodell:** 9.2/10 (Category avg: 8.8/10) - **Datentypen:** 8.9/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.5/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Arango](https://www.g2.com/de/sellers/arango) - **Unternehmenswebsite:** https://arango.ai/ - **Gründungsjahr:** 2015 - **Hauptsitz:** San Francisco, CA - **LinkedIn®-Seite:** https://www.linkedin.com/company/5289249/ (106 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Who Uses This:** Senior Software Engineer - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 57% Kleinunternehmen, 23% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (14 reviews) - Merkmale (10 reviews) - Abfragen (7 reviews) - Intuitiv (6 reviews) - Anpassung (5 reviews) **Cons:** - Schlechte Benutzerfreundlichkeit (5 reviews) - Schwieriges Lernen (4 reviews) - Verbesserung nötig (4 reviews) - Lernkurve (4 reviews) - Lernschwierigkeit (4 reviews) ### 2. [Elastic Stack](https://www.g2.com/de/products/elastic-stack/reviews) Der Elastic Stack, allgemein bekannt als der ELK Stack, ist eine umfassende Suite von Open-Source-Tools, die für das Erfassen, Speichern, Analysieren und Visualisieren von Daten in Echtzeit entwickelt wurden. Er besteht aus Elasticsearch, Kibana, Beats und Logstash und ermöglicht es Benutzern, Daten aus jeder Quelle und in jedem Format effizient zu verarbeiten. Wichtige Funktionen und Merkmale: - Elasticsearch: Eine verteilte, JSON-basierte Such- und Analyse-Engine, die eine schnelle Speicherung, Suche und Analyse großer Datenmengen ermöglicht. - Kibana: Eine erweiterbare Benutzeroberfläche, die leistungsstarke Visualisierungen, Dashboards und Verwaltungstools bietet, um Daten effektiv zu interpretieren und darzustellen. - Beats und Logstash: Datenaufnahme-Tools, die Daten aus verschiedenen Quellen sammeln und verarbeiten, um sie zur Indizierung an Elasticsearch weiterzuleiten. - Integrationen: Eine Vielzahl von vorgefertigten Integrationen, die eine nahtlose Datenerfassung und Verbindung mit dem Elastic Stack ermöglichen und schnelle Einblicke bieten. Primärer Wert und Benutzerlösungen: Der Elastic Stack befähigt Organisationen, das volle Potenzial ihrer Daten auszuschöpfen, indem er eine skalierbare und widerstandsfähige Plattform für Echtzeitsuche und -analysen bereitstellt. Er adressiert Herausforderungen wie das Management großer Datensätze, die Sicherstellung hoher Verfügbarkeit und die schnelle Bereitstellung relevanter Suchergebnisse. Durch das Angebot einer einheitlichen Lösung für Datenaufnahme, -speicherung, -analyse und -visualisierung ermöglicht der Elastic Stack den Benutzern, umsetzbare Einblicke zu gewinnen, die betriebliche Effizienz zu steigern und fundierte Entscheidungen auf Basis ihrer Daten zu treffen. **Average Rating:** 4.5/5.0 **Total Reviews:** 97 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.4/10 (Category avg: 8.8/10) - **Datenmodell:** 10.0/10 (Category avg: 8.8/10) - **Datentypen:** 9.7/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Elastic](https://www.g2.com/de/sellers/elastic) - **Gründungsjahr:** 2012 - **Hauptsitz:** San Francisco, CA - **Twitter:** @elastic (64,544 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/814025/ (4,986 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE: ESTC **Reviewer Demographics:** - **Who Uses This:** Software-Ingenieur, Senior Software Engineer - **Top Industries:** Computersoftware, Informationstechnologie und Dienstleistungen - **Company Size:** 45% Unternehmen mittlerer Größe, 34% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (3 reviews) - Flexibilität (3 reviews) - Protokollverwaltung (3 reviews) - Sucheffizienz (3 reviews) - Vielseitigkeit (3 reviews) **Cons:** - Ressourcenmanagement (3 reviews) - Komplexitätsprobleme (2 reviews) - Teuer (2 reviews) - Hoher Speicherverbrauch (2 reviews) - Lernkurve (2 reviews) ### 3. [Amazon Neptune](https://www.g2.com/de/products/amazon-neptune/reviews) Amazon Neptune ist ein schneller, zuverlässiger, vollständig verwalteter Graph-Datenbankdienst, der es einfach macht, Anwendungen zu erstellen und auszuführen, die mit hochvernetzten Datensätzen arbeiten. Der Kern von Amazon Neptune ist eine speziell entwickelte, leistungsstarke Graph-Datenbank-Engine, die für die Speicherung von Milliarden von Beziehungen und das Abfragen des Graphen mit Millisekunden-Latenz optimiert ist. Amazon Neptune unterstützt beliebte Graph-Modelle wie Property Graph und W3C's RDF sowie deren jeweilige Abfragesprachen Apache TinkerPop Gremlin und SPARQL, sodass Sie problemlos Abfragen erstellen können, die hochvernetzte Datensätze effizient navigieren. Neptune treibt Graph-Anwendungsfälle wie Empfehlungssysteme, Betrugserkennung, Wissensgraphen, Arzneimittelforschung und Netzwerksicherheit an. Amazon Neptune ist hochverfügbar, mit Lese-Replikaten, Point-in-Time-Wiederherstellung, kontinuierlicher Sicherung zu Amazon S3 und Replikation über Verfügbarkeitszonen hinweg. Neptune ist sicher mit Unterstützung für Verschlüsselung im Ruhezustand. Neptune ist vollständig verwaltet, sodass Sie sich nicht mehr um Datenbankverwaltungsaufgaben wie Hardware-Bereitstellung, Software-Patching, Einrichtung, Konfiguration oder Backups kümmern müssen. **Average Rating:** 4.4/5.0 **Total Reviews:** 30 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.5/10 (Category avg: 8.8/10) - **Datenmodell:** 9.4/10 (Category avg: 8.8/10) - **Datentypen:** 9.3/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.7/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Amazon Web Services (AWS)](https://www.g2.com/de/sellers/amazon-web-services-aws-3e93cc28-2e9b-4961-b258-c6ce0feec7dd) - **Gründungsjahr:** 2006 - **Hauptsitz:** Seattle, WA - **Twitter:** @awscloud (2,225,864 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/amazon-web-services/ (156,424 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NASDAQ: AMZN **Reviewer Demographics:** - **Top Industries:** Computersoftware - **Company Size:** 67% Kleinunternehmen, 23% Unternehmen mittlerer Größe ### 4. [Neo4j Graph Database](https://www.g2.com/de/products/neo4j-graph-database/reviews) Der schnellste Weg zum Graphen. Im Mittelpunkt der führenden nativen Graphdatenbank steht die heutige Neo4j Graph Data Platform, eine Suite von Anwendungen und Tools, die der Welt helfen, Daten zu verstehen. Die Plattform umfasst die Neo4j Graph Data Science Library – den führenden, unternehmensbereiten Analysearbeitsbereich für Graphdaten, der sowohl als Open Source als auch über eine kommerzielle Lizenz für Unternehmen verfügbar ist – das Graphvisualisierungs- und Erkundungstool Bloom, die Abfragesprache Cypher – sehr einfach zu erlernen und kann über Neo4j, Apache Spark und Gremlin-basierte Produkte mit Open-Source-Toolkits betrieben werden: "Cypher on Apache Spark (CApS) und Cypher for Gremlin.), Neo4j ETL und Kettle für die Datenintegration sowie zahlreiche zusätzliche Tools, Integrationen und Konnektoren, um Entwicklern und Datenwissenschaftlern zu helfen, graphbasierte Lösungen mit Leichtigkeit zu erstellen. Und die weltweit größte Community, um jede Graphreise zu ermöglichen. Neo4j ist die führende skalierbare, ACID-konforme Graphdatenbank, die mit einer leistungsstarken verteilten Clusterarchitektur entwickelt wurde und sowohl in selbst gehosteten als auch in Cloud-Angeboten verfügbar ist. **Average Rating:** 4.5/5.0 **Total Reviews:** 131 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.8/10 (Category avg: 8.8/10) - **Datenmodell:** 7.7/10 (Category avg: 8.8/10) - **Datentypen:** 8.3/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.0/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Neo4j](https://www.g2.com/de/sellers/neo4j) - **Gründungsjahr:** 2007 - **Hauptsitz:** San Mateo, CA - **Twitter:** @neo4j (46,969 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/neo4j/ (996 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Who Uses This:** Software-Ingenieur - **Top Industries:** Computersoftware, Informationstechnologie und Dienstleistungen - **Company Size:** 44% Kleinunternehmen, 30% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (2 reviews) - Merkmale (2 reviews) - Datenbankverwaltung (1 reviews) - Gestaltungsflexibilität (1 reviews) - Flexibilität (1 reviews) **Cons:** - Lernkurve (2 reviews) - Sicherungsprobleme (1 reviews) - Datenverwaltungsprobleme (1 reviews) - Schwieriges Lernen (1 reviews) - Importprobleme (1 reviews) ### 5. [GraphJSON](https://www.g2.com/de/products/graphjson/reviews) Serverlose, selbstbedienbare und erschwingliche Analysen, die Ihnen helfen, das Beste aus Ihren Daten herauszuholen. **Average Rating:** 4.2/5.0 **Total Reviews:** 34 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.7/10 (Category avg: 8.8/10) - **Datenmodell:** 8.7/10 (Category avg: 8.8/10) - **Datentypen:** 7.9/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.2/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [GraphJSON](https://www.g2.com/de/sellers/graphjson) - **Hauptsitz:** N/A - **Twitter:** @GraphJSON (516 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/No-Linkedin-Presence-Added-Intentionally-By-DataOps (1 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Computersoftware, Informationstechnologie und Dienstleistungen - **Company Size:** 53% Kleinunternehmen, 36% Unternehmen mittlerer Größe ### 6. [OrientDB](https://www.g2.com/de/products/orientdb/reviews) OrientDB ist das erste Multi-Model Distributed DBMS mit einer echten Graph-Engine. Multi-Model bedeutet 2. Generation NoSQL, das in der Lage ist, komplexe Domänen mit unglaublicher Leistung zu verwalten. OrientDB verwaltet Beziehungen ohne die Verwendung von JOINs, sondern durch direkte Zeiger. Dies ermöglicht konstante Leistung beim Durchlaufen von Beziehungen, unabhängig von der Größe der Datenbank. **Average Rating:** 3.9/5.0 **Total Reviews:** 58 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 7.8/10 (Category avg: 8.8/10) - **Datenmodell:** 8.6/10 (Category avg: 8.8/10) - **Datentypen:** 7.8/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.2/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [SAP](https://www.g2.com/de/sellers/sap) - **Gründungsjahr:** 1972 - **Hauptsitz:** Walldorf - **Twitter:** @SAP (297,246 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/sap/ (141,341 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE:SAP **Reviewer Demographics:** - **Who Uses This:** Software-Ingenieur - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 47% Kleinunternehmen, 42% Unternehmen mittlerer Größe ### 7. [Stardog](https://www.g2.com/de/products/stardog/reviews) Stardog ist eine wiederverwendbare, skalierbare Wissensgraph-Plattform, die es Unternehmen ermöglicht, all ihre Daten, einschließlich Datenquellen und Datenbanken jeder Art, zu vereinheitlichen, um die benötigten Antworten zur Unterstützung von Geschäftsentscheidungen zu erhalten. Stardog ist eine Unternehmens-Wissensgraph-Plattform, die es Kunden ermöglicht, massive, unterschiedliche, heterogene Daten unabhängig von ihrer Struktur mit einfacher Implementierung abzufragen. Zu den Unternehmenskunden von Stardog gehören Fortune-500-Unternehmen aus den Bereichen Finanzen, Gesundheitswesen, Biowissenschaften, Energie, Medien und Regierung. **Average Rating:** 4.2/5.0 **Total Reviews:** 17 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.7/10 (Category avg: 8.8/10) - **Datenmodell:** 9.3/10 (Category avg: 8.8/10) - **Datentypen:** 8.1/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.8/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Stardog Union](https://www.g2.com/de/sellers/stardog-union) - **Hauptsitz:** Arlington, VA - **Twitter:** @StardogHQ (3,970 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/10917244 (94 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 39% Kleinunternehmen, 33% Unternehmen ### 8. [FlockDB](https://www.g2.com/de/products/flockdb/reviews) FlockDB ist einfacher als andere Graphdatenbanken, weil es versucht, weniger Probleme zu lösen. Es skaliert horizontal und ist für Online-Umgebungen mit niedriger Latenz und hohem Durchsatz wie Websites ausgelegt. **Average Rating:** 3.6/5.0 **Total Reviews:** 11 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.3/10 (Category avg: 8.8/10) **Seller Details:** - **Verkäufer:** [Twitter](https://www.g2.com/de/sellers/twitter) - **Gründungsjahr:** 2006 - **Hauptsitz:** San Francisco, CA - **LinkedIn®-Seite:** https://www.linkedin.com/company/96622/ (1,004 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE: TWTR - **Gesamterlös (USD Mio):** $3,716 **Reviewer Demographics:** - **Company Size:** 36% Unternehmen mittlerer Größe, 36% Kleinunternehmen ### 9. [Tigergraph](https://www.g2.com/de/products/tigergraph/reviews) TigerGraph ist die einzige skalierbare Graphdatenbank für Unternehmen. Basierend auf der ersten nativen und parallelen Graphtechnologie der Branche entfesselt TigerGraph die Kraft vernetzter Daten und bietet Organisationen tiefere Einblicke und bessere Ergebnisse. TigerGraph erfüllt das wahre Versprechen und die Vorteile der Graphplattform, indem es die schwierigsten Datenherausforderungen in Echtzeit bewältigt, unabhängig davon, wie groß oder komplex der Datensatz ist. Die bewährte Technologie von TigerGraph unterstützt Anwendungen wie Betrugserkennung, Customer 360, MDM, IoT, KI und maschinelles Lernen, um den sich ständig ändernden Big Data zu verstehen, und wird von Kunden wie Amgen, China Mobile, Intuit, Wish und Zillow genutzt. **Average Rating:** 4.6/5.0 **Total Reviews:** 11 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.3/10 (Category avg: 8.8/10) - **Datenmodell:** 9.3/10 (Category avg: 8.8/10) - **Datentypen:** 8.5/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Tigergraph](https://www.g2.com/de/sellers/tigergraph) - **Gründungsjahr:** 2012 - **Hauptsitz:** Redwood City, CA - **Twitter:** @TigerGraphDB (12,677 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/3693966 (144 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 55% Unternehmen, 36% Unternehmen mittlerer Größe ### 10. [Dgraph](https://www.g2.com/de/products/dgraph/reviews) Dgraph ist die fortschrittlichste GraphQL-Datenbank der Welt mit einem Graph-Backend. Die Nummer eins der Graph-Datenbanken auf GitHub und über 500.000 Downloads jeden Monat, Dgraph ist für Leistung und Skalierbarkeit gebaut. Jepsen getestet, es hat die beste Leistung und liefert Millisekunden-Abfrageantworten auf Terabytes von Daten. Dgraph ist ideal für eine Vielzahl von Anwendungsfällen, von Customer 360 und Betrugserkennung bis hin zu komplizierten Abfragen mit Multi-Hops und Verknüpfungen beliebiger Tiefe. Starke Leistung und Speichermanagement machen die Graph-Datenbank ideal für Unternehmen, während Dgraph Cloud es App-Entwicklern schnell und einfach macht, ein Projekt über das Wochenende zu starten. Skalieren Sie mühelos von null auf Milliarden von Datensätzen. Verfügbar in Open-Source- und gehosteten Versionen (Dgraph Cloud) und mit Unternehmenslizenz. **Average Rating:** 4.7/5.0 **Total Reviews:** 22 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 9.8/10 (Category avg: 8.8/10) - **Datenmodell:** 9.7/10 (Category avg: 8.8/10) - **Datentypen:** 9.5/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.4/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Dgraph Labs](https://www.g2.com/de/sellers/dgraph-labs) - **Gründungsjahr:** 2016 - **Hauptsitz:** San Francisco, CA - **Twitter:** @dgraphlabs (16 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/13183384/ (18 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen - **Company Size:** 68% Kleinunternehmen, 18% Unternehmen ### 11. [GraphQL](https://www.g2.com/de/products/graphql/reviews) GraphQL ist eine Open-Source-Datenabfragesprache und Laufzeitumgebung, die entwickelt wurde, um die API-Entwicklung zu optimieren, indem sie es den Clients ermöglicht, genau die Daten anzufordern, die sie benötigen. Intern von Facebook im Jahr 2012 entwickelt und 2015 öffentlich freigegeben, hat sich GraphQL zu einem grundlegenden Werkzeug für die moderne Anwendungsentwicklung entwickelt und bietet eine effizientere und flexiblere Alternative zu traditionellen REST-APIs. Hauptmerkmale und Funktionalität: - Hierarchische Struktur: GraphQL-Abfragen spiegeln die Form der Antwortdaten wider, was es Entwicklern intuitiv ermöglicht, ihre Anfragen vorherzusehen und zu strukturieren. - Starke Typisierung: Jedes Element in einem GraphQL-Schema ist explizit typisiert, was klare Definitionen von Datenstrukturen ermöglicht und robuste Validierungs- und Werkzeugunterstützung bietet. - Introspektion: GraphQL-APIs sind selbsterklärend, sodass Clients das Schema nach verfügbaren Typen und Operationen abfragen können, was die dynamische Client-Entwicklung erleichtert und die Auffindbarkeit verbessert. - Protokollunabhängig: GraphQL arbeitet unabhängig von einem bestimmten Speicher- oder Transportprotokoll, was eine nahtlose Integration mit verschiedenen Datenbanken und bestehender Infrastruktur ermöglicht. - Versionsfreie Evolution: Die Flexibilität von GraphQL ermöglicht das Hinzufügen neuer Felder und Typen, ohne bestehende Abfragen zu beeinträchtigen, wodurch die Notwendigkeit der Versionierung entfällt und die API-Entwicklung vereinfacht wird. Primärer Wert und Problemlösung: GraphQL adressiert mehrere Herausforderungen, die in der traditionellen API-Entwicklung inhärent sind: - Optimierte Datenabfrage: Indem es den Clients ermöglicht, genaue Datenanforderungen zu spezifizieren, minimiert GraphQL das Über- und Unterabfragen von Daten, was zu einer effizienteren Netzwerknutzung und verbesserten Anwendungsleistung führt. - Erhöhte Entwicklerproduktivität: Die selbstdokumentierende Natur von GraphQL-Schemas, kombiniert mit starker Typisierung und Introspektionsfähigkeiten, beschleunigt Entwicklungszyklen und reduziert die Wahrscheinlichkeit von Fehlern. - Flexibilität über Plattformen hinweg: Das sprachunabhängige Design von GraphQL und die Unterstützung für mehrere Programmiersprachen ermöglichen einen konsistenten API-Verbrauch über verschiedene Plattformen hinweg, einschließlich Web, Mobil und IoT-Geräte. - Vereinfachte API-Wartung: Die Fähigkeit, APIs ohne Versionskomplexitäten weiterzuentwickeln, ermöglicht reibungslosere Updates und Feature-Erweiterungen, was eine langfristige Wartbarkeit und Skalierbarkeit sicherstellt. Indem es einen effizienteren, flexibleren und entwicklerfreundlicheren Ansatz für das API-Design bietet, befähigt GraphQL Organisationen, leistungsstarke Anwendungen zu entwickeln, die sich an sich ändernde Anforderungen anpassen und überlegene Benutzererfahrungen liefern können. **Average Rating:** 3.9/5.0 **Total Reviews:** 11 **User Satisfaction Scores:** - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 10.0/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [The GraphQL Foundation](https://www.g2.com/de/sellers/the-graphql-foundation) - **Gründungsjahr:** 2019 - **Hauptsitz:** San Francisco, US - **Twitter:** @GraphQL (126,378 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/51722505 (13 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 64% Unternehmen mittlerer Größe, 36% Kleinunternehmen ### 12. [GraphBase](https://www.g2.com/de/products/graphbase/reviews) GraphBase ist ein zweites Generation Graph-Datenbankmanagementsystem (DBMS). Für die Datenprobleme des 21. Jahrhunderts entwickelt, ist GraphBase ein Wendepunkt im Umgang mit großen, komplexen Datenstrukturen. **Average Rating:** 4.4/5.0 **Total Reviews:** 16 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.9/10 (Category avg: 8.8/10) - **Datenmodell:** 7.8/10 (Category avg: 8.8/10) - **Datentypen:** 8.1/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 6.9/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [FactNexus](https://www.g2.com/de/sellers/factnexus) - **Gründungsjahr:** 2010 - **Hauptsitz:** Sydney - **Twitter:** @AskKayBot (5 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1546147 (1 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 50% Kleinunternehmen, 38% Unternehmen mittlerer Größe ### 13. [Cayley](https://www.g2.com/de/products/cayley/reviews) Cayley ist ein Open-Source-Graph, der in Go geschrieben ist und von der Graphdatenbank hinter Freebase und Googles Knowledge Graph inspiriert wurde. **Average Rating:** 3.9/5.0 **Total Reviews:** 11 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 6.7/10 (Category avg: 8.8/10) **Seller Details:** - **Verkäufer:** [Cayley](https://www.g2.com/de/sellers/cayley) - **Hauptsitz:** N/A - **Twitter:** @cayleygraph (731 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/No-Linkedin-Presence-Added-Intentionally-By-DataOps (1 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 45% Kleinunternehmen, 36% Unternehmen mittlerer Größe ### 14. [Redis Cloud](https://www.g2.com/de/products/redis-cloud/reviews) Redis Cloud ist unser vollständig verwalteter Redis Enterprise-Dienst, der unvergleichliche Geschwindigkeit, Einfachheit und Skalierbarkeit bietet. Es ist perfekt für cloud-native Anwendungen, die Echtzeit-Datenverarbeitung erfordern, ohne den Aufwand der Infrastrukturverwaltung. Redis Cloud übertrifft Redis-kompatible Cloud-Dienste, die auf Open Source basieren, wie Amazon ElastiCache und Google Cloud Memorystore, indem es Unternehmensfunktionen wie aktive-aktive Geoverteilung, erweiterte Abfrage- und Suchfunktionen, nahtlose Datensynchronisation und Multi-Cloud-Unterstützung bietet. **Average Rating:** 4.6/5.0 **Total Reviews:** 42 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 9.2/10 (Category avg: 8.8/10) **Seller Details:** - **Verkäufer:** [Redis](https://www.g2.com/de/sellers/redis) - **Gründungsjahr:** 2011 - **Hauptsitz:** San Francisco, CA - **Twitter:** @Redisinc (43,961 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/2014725/ (1,510 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 50% Kleinunternehmen, 41% Unternehmen mittlerer Größe ### 15. [EdgeDB](https://www.g2.com/de/products/edgedb/reviews) Angetrieben von der Postgres-Abfrage-Engine im Hintergrund, denkt EdgeDB über das Schema auf die gleiche Weise nach wie Sie: als Objekte mit Eigenschaften, die durch Links verbunden sind. **Average Rating:** 4.0/5.0 **Total Reviews:** 8 **User Satisfaction Scores:** - **Datenmodell:** 7.0/10 (Category avg: 8.8/10) - **Datentypen:** 7.1/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [EdgeDB](https://www.g2.com/de/sellers/edgedb) - **Gründungsjahr:** 2019 - **Hauptsitz:** San Francisco, US - **LinkedIn®-Seite:** https://www.linkedin.com/company/edgedb/ (24 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 67% Kleinunternehmen, 22% Unternehmen mittlerer Größe ### 16. [IBM Graph](https://www.g2.com/de/products/ibm-graph/reviews) IBM Graph ist ein vollständig verwalteter Property-Graph-as-a-Service, der es Ihnen ermöglicht, Datenpunkte, Verbindungen und Eigenschaften zu speichern, abzufragen und zu visualisieren. Hochverfügbar Bietet einen Service, der immer verfügbar ist und sicherstellt, dass Ihre Daten stets zugänglich sind, sodass Ihre Web- und mobilen Apps ständig für Ihr Unternehmen arbeiten. Rund um die Uhr verwaltet Unsere Experten überwachen, verwalten und optimieren alles in Ihrem Stack, jeden Tag, den ganzen Tag. Ermöglicht Ihrem Entwicklungsteam, sich auf den Aufbau von Apps zu konzentrieren, anstatt sich um den Graphen zu sorgen. Skaliert nahtlos Ermöglicht es Ihnen, klein anzufangen und bei Bedarf zu skalieren, wenn Ihre Datenmenge und -komplexität zunimmt, sodass Ihre Anwendung mit Ihrem Unternehmen wachsen kann. **Average Rating:** 4.3/5.0 **Total Reviews:** 8 **User Satisfaction Scores:** - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 7.2/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 7.8/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [IBM](https://www.g2.com/de/sellers/ibm) - **Gründungsjahr:** 1911 - **Hauptsitz:** Armonk, NY - **Twitter:** @IBM (709,390 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1009/ (324,553 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** SWX:IBM **Reviewer Demographics:** - **Company Size:** 50% Unternehmen, 30% Kleinunternehmen ### 17. [Oracle Spatial and Graph](https://www.g2.com/de/products/oracle-spatial-and-graph/reviews) Oracle Spatial and Graph unterstützt eine vollständige Palette von Geodaten und Analysen für Landmanagement und GIS, mobile Ortungsdienste, Vertriebsgebietsmanagement, Transport, LiDAR-Analyse und ortsbasierte Business Intelligence. Die Graph-Funktionen umfassen RDF-Grafiken für Anwendungen, die von semantischer Datenintegration über soziale Netzwerkanalyse bis hin zu verknüpften offenen Daten reichen, sowie Netzwerkgraphen, die im Transportwesen, in Versorgungsunternehmen, im Energiesektor und in der Telekommunikation verwendet werden, sowie Fahrzeitanalysen für Vertriebs- und Marketinganwendungen. **Average Rating:** 4.4/5.0 **Total Reviews:** 8 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 7.5/10 (Category avg: 8.8/10) - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 9.0/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.0/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Oracle](https://www.g2.com/de/sellers/oracle) - **Gründungsjahr:** 1977 - **Hauptsitz:** Austin, TX - **Twitter:** @Oracle (827,868 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1028/ (199,301 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE:ORCL **Reviewer Demographics:** - **Company Size:** 44% Unternehmen mittlerer Größe, 44% Kleinunternehmen ### 18. [Azure Cosmos DB](https://www.g2.com/de/products/azure-cosmos-db/reviews) Azure Cosmos DB ist ein vollständig verwalteter, global verteilter NoSQL- und Vektordatenbankdienst, der entwickelt wurde, um geschäftskritische Anwendungen mit extrem niedriger Latenz und elastischer Skalierbarkeit zu unterstützen. Er ermöglicht Entwicklern, KI-gestützte Anwendungen und Agenten zu erstellen, indem er eine nahtlose Integration mit KI-Diensten bietet, die eine effiziente Speicherung und Abfrage sowohl von NoSQL-Daten als auch von Vektoren ermöglicht. Mit seinem schema-agnostischen JSON-Dokumentmodell vereinfacht Azure Cosmos DB den Entwicklungsprozess, indem es alle Daten automatisch indexiert und die Notwendigkeit für manuelle Schema- oder Indexverwaltung eliminiert. Der Dienst bietet umfassende Service Level Agreements (SLAs), die Lese- und Schreiblatenzen von weniger als 10 Millisekunden und eine Verfügbarkeit von 99,999 % gewährleisten, was ihn zu einer zuverlässigen Wahl für Anwendungen macht, die hohe Leistung und globale Reichweite erfordern. Hauptmerkmale und Funktionalität: - Globale Verteilung: Azure Cosmos DB ermöglicht eine schlüsselfertige globale Verteilung, die es erlaubt, Daten über mehrere Regionen weltweit zu replizieren und so hohe Verfügbarkeit und niedrige Latenzzugriffe auf Daten zu bieten. - Elastische Skalierbarkeit: Der Dienst bietet elastische Skalierung von Durchsatz und Speicher, sodass Entwickler Ressourcen je nach Bedarf ohne Ausfallzeiten hoch- oder herunterskalieren können. - Multi-Model-Unterstützung: Er unterstützt nativ mehrere Datenmodelle, einschließlich Dokument-, Schlüssel-Wert-, Graph- und Spaltenfamilienmodelle, um unterschiedlichen Anwendungsanforderungen gerecht zu werden. - KI-Integration: Eingebaute Vektorsuchfunktionen vereinfachen die Entwicklung von KI-Anwendungen, indem sie Vektoren effizient neben NoSQL-Daten speichern und abfragen. - Automatische Indexierung: Alle Daten werden automatisch indexiert, was schnelle und effiziente Abfragen ohne die Notwendigkeit einer manuellen Indexverwaltung erleichtert. - Umfassende SLAs: Azure Cosmos DB bietet branchenführende SLAs, die Durchsatz, Latenz, Verfügbarkeit und Konsistenz abdecken und so eine vorhersehbare Leistung gewährleisten. Primärer Wert und bereitgestellte Lösungen: Azure Cosmos DB adressiert die Herausforderungen beim Aufbau und der Verwaltung global verteilter Anwendungen, indem es einen vollständig verwalteten Datenbankdienst bietet, der hohe Verfügbarkeit, niedrige Latenz und elastische Skalierbarkeit sicherstellt. Seine Integration mit KI-Diensten und die Unterstützung für mehrere Datenmodelle befähigen Entwickler, intelligente, reaktionsfähige Anwendungen zu erstellen, ohne die Komplexität der Infrastrukturverwaltung. Durch die automatische Handhabung von Datenverteilung, Skalierung und Indexierung ermöglicht Azure Cosmos DB Organisationen, sich auf Innovation und die Bereitstellung von Mehrwert für ihre Benutzer zu konzentrieren, was es zu einer idealen Lösung für Anwendungen macht, die Echtzeitzugriff auf Daten und globale Reichweite erfordern. **Average Rating:** 4.2/5.0 **Total Reviews:** 59 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.3/10 (Category avg: 8.8/10) - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 8.3/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Microsoft](https://www.g2.com/de/sellers/microsoft) - **Gründungsjahr:** 1975 - **Hauptsitz:** Redmond, Washington - **Twitter:** @microsoft (13,114,353 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/microsoft/ (227,697 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** MSFT **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 44% Unternehmen, 28% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (4 reviews) - Merkmale (3 reviews) - Integrationen (3 reviews) - Skalierbarkeit (3 reviews) - Anpassung (2 reviews) **Cons:** - Teuer (3 reviews) - Kostenprobleme (2 reviews) - Komplexitätsprobleme (1 reviews) - Komplexe Nutzung (1 reviews) - Kostensteigerung (1 reviews) ### 19. [Fauna](https://www.g2.com/de/products/fauna-fauna/reviews) Fauna ist eine wirklich serverlose operative Datenbank, die Teams befähigt, Anwendungen schneller bereitzustellen. Sie kombiniert die Flexibilität eines Dokumentenmodells mit der starken Konsistenz und der reichhaltigen Abfragekraft relationaler Systeme – alles basierend auf einer serverlosen, verteilten Architektur, die sich automatisch skaliert, ohne die Komplexität manueller Bereitstellung, Sharding oder Replikation. Über 80.000 Entwicklungsteams wählen Fauna, um moderne transaktionale Anwendungen zu entwickeln und zu skalieren, darunter Teams von Tyson Foods, Unilever, Lexmark, Intelliculture, Hannon Hill, Cloaked, DTLR und Insights.gg. **Average Rating:** 4.4/5.0 **Total Reviews:** 25 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 9.0/10 (Category avg: 8.8/10) - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 9.2/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.2/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Fauna](https://www.g2.com/de/sellers/fauna) - **Gründungsjahr:** 2015 - **Hauptsitz:** San Francisco, CA - **Twitter:** @fauna (93,324 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/faunadb/ (11 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen - **Company Size:** 64% Kleinunternehmen, 24% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Skalierbarkeit (6 reviews) - Benutzerfreundlichkeit (5 reviews) - Flexibilität (4 reviews) - Kundendienst (3 reviews) - Einfache Integrationen (3 reviews) **Cons:** - Schwieriges Lernen (3 reviews) - Schlechte Dokumentation (2 reviews) - Komplexität (1 reviews) - Komplexe Einrichtung (1 reviews) - Kostenprobleme (1 reviews) ### 20. [RDFox](https://www.g2.com/de/products/rdfox/reviews) RDFox ist ein leistungsstarker In-Memory-Wissensgraph und semantischer Reasoner. Optimiert für Geschwindigkeit und fortgeschrittenes Schließen, bietet es Abfrage- und Ladezeiten, die um Größenordnungen schneller sind als alternative Triplestores, während es gleichzeitig tiefere Einblicke in die Daten ermöglicht. RDFox wird von Oxford Semantic Technologies entwickelt—einem Spin-out der Universität Oxford, das von führenden Akademikern gegründet wurde, die auf jahrzehntelange Spitzenforschung in semantischen Webtechnologien zurückgreifen können. **Average Rating:** 4.8/5.0 **Total Reviews:** 12 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 10.0/10 (Category avg: 8.8/10) - **Datenmodell:** 10.0/10 (Category avg: 8.8/10) - **Datentypen:** 10.0/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 7.8/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Oxford Semantic Technologies](https://www.g2.com/de/sellers/oxford-semantic-technologies) - **Gründungsjahr:** 2017 - **Hauptsitz:** Oxford, GB - **Twitter:** @oxfordsemantic (1,749 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/oxford-semantic-technologies/ (21 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 36% Kleinunternehmen, 29% Unternehmen ### 21. [Redis Software](https://www.g2.com/de/products/redis-software/reviews) Redis Software ist unsere fortschrittliche Lösung, die unvergleichliche Geschwindigkeit und Zuverlässigkeit für On-Premises- und private Cloud-Umgebungen bietet. Es gibt Ihnen die volle Kontrolle über Ihre Bereitstellung und gewährleistet hohe Leistung und Skalierbarkeit, um Ihre spezifischen Anforderungen zu erfüllen. Redis Software baut auf der Geschwindigkeit und Zuverlässigkeit der Redis Community Edition auf und bietet erweiterte Funktionen wie aktive-aktive Geoverteilung, erweiterte Abfrage- und Suchfunktionen, automatisierte Datensynchronisation und überlegene Sicherheitsmerkmale. Diese Verbesserungen bieten Leistung, Zuverlässigkeit und Sicherheit auf Unternehmensniveau und machen Redis Software zur idealen Wahl für produktionsreife Anwendungen. **Average Rating:** 4.5/5.0 **Total Reviews:** 130 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.6/10 (Category avg: 8.8/10) - **Datenmodell:** 7.5/10 (Category avg: 8.8/10) - **Datentypen:** 8.3/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 7.5/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Redis](https://www.g2.com/de/sellers/redis) - **Gründungsjahr:** 2011 - **Hauptsitz:** San Francisco, CA - **Twitter:** @Redisinc (43,961 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/2014725/ (1,510 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Who Uses This:** Software-Ingenieur, Senior Software Engineer - **Top Industries:** Computersoftware, Informationstechnologie und Dienstleistungen - **Company Size:** 54% Kleinunternehmen, 26% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Nützlich (2 reviews) - Kosteneffizienz (1 reviews) - Anpassung (1 reviews) - Datenspeicherung (1 reviews) - Einfache Einrichtung (1 reviews) **Cons:** - Datenmengenbeschränkungen (1 reviews) - Teuer (1 reviews) - Eingeschränkte Diagrammfunktionen (1 reviews) - Schlechte Benutzeroberfläche (1 reviews) - Langsame Leistung (1 reviews) ### 22. [Ultipa Graph](https://www.g2.com/de/products/ultipa-graph/reviews) Ultipa entwickelt kategoriedefinierende Echtzeit-Graph-XAI- und Datenbankprodukte und befähigt intelligente Unternehmen mit graph-gestützter Intelligenz. Unternehmen auf der ganzen Welt durchlaufen einen bedeutenden Trend der digitalen Transformation, der nach Datenintelligenz und Infrastrukturrevolution verlangt. Traditionelle SQL/RDMBS und die meisten NoSQLs/ML/AI-Frameworks sind veraltet, träge, Black-Box und unflexibel. Ultipa-Graph-Datenbankprodukte zielen darauf ab, diese Probleme mit Echtzeit-Graph-Computing, flexiblem Datenmodellierung, erklärbarer KI (XAI) und graph-gestützter Intelligenz zu lösen. Wir haben 2019 begonnen und 2021 mit der Kommerzialisierung gestartet. Seitdem bedienen wir einige der größten Banken, Versicherungsunternehmen, Regulierungsbehörden und Unternehmen der Welt und haben die Ultipa-Graph-Datenbank in vertikale Industrien angewendet, die sich kein anderer Graph-Anbieter hätte vorstellen können, wie zum Beispiel das Liquiditätsrisikomanagement, bei dem zuvor nur Mega-Anbieter wie Oracle eine Lösung hatten, die T+1 benötigt, während Ultipa... **Average Rating:** 4.9/5.0 **Total Reviews:** 5 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 10.0/10 (Category avg: 8.8/10) - **Datenmodell:** 9.6/10 (Category avg: 8.8/10) - **Datentypen:** 9.6/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.6/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [Ultipa](https://www.g2.com/de/sellers/ultipa) - **Gründungsjahr:** 2019 - **Hauptsitz:** Pleasanton, US - **LinkedIn®-Seite:** https://www.linkedin.com/company/ultipa (60 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 40% Unternehmen mittlerer Größe, 40% Kleinunternehmen ### 23. [data.world](https://www.g2.com/de/products/data-world/reviews) data.world ist der am häufigsten angenommene Datenkatalog und Governance-Plattform auf dem Markt. Auf einer einzigartigen Wissensgraph-Basis aufgebaut, integriert sich data.world nahtlos in Ihre bestehenden Systeme. Wir setzen den Standard für schnelle, menschenzentrierte Governance. Wir verwalten nicht nur Daten; wir erschließen ihr Potenzial und ebnen den Weg für verantwortungsvolle KI-Einführung und datengetriebene Entscheidungsfindung im großen Maßstab. data.world ist eine zertifizierte B Corporation und ein Unternehmen mit öffentlichem Nutzen und beherbergt die weltweit größte kollaborative Open-Data-Community mit mehr als zwei Millionen Mitgliedern, darunter neunzig Prozent der Fortune 500. **Average Rating:** 4.2/5.0 **Total Reviews:** 12 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 8.3/10 (Category avg: 8.8/10) - **Datenmodell:** 8.9/10 (Category avg: 8.8/10) - **Datentypen:** 9.4/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.9/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [data.world](https://www.g2.com/de/sellers/data-world) - **Gründungsjahr:** 2016 - **Hauptsitz:** Austin, Texas - **Twitter:** @datadotworld (5,515 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/data.world/ (107 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 67% Kleinunternehmen, 25% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Analytik (1 reviews) - Datenentdeckung (1 reviews) - Datenverwaltung (1 reviews) - Datenvisualisierung (1 reviews) - Benutzerfreundlichkeit (1 reviews) **Cons:** - Schlechter Kundensupport (1 reviews) - Schlechter Kundendienst (1 reviews) ### 24. [FalkorDB](https://www.g2.com/de/products/falkordb/reviews) Eine ultra-niedrige Latenz Graph-Datenbank, die den Wissensgraphen für GraphRAG perfektioniert. Überwindet effektiv die bestehenden Einschränkungen von RAG für GenAI und große Sprachmodelle (LLM). **Average Rating:** 4.3/5.0 **Total Reviews:** 4 **User Satisfaction Scores:** - **Hat the product ein guter Partner im Geschäft waren?:** 7.5/10 (Category avg: 8.8/10) - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 6.7/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 8.3/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [FalkorDB](https://www.g2.com/de/sellers/falkordb) - **Hauptsitz:** N/A - **LinkedIn®-Seite:** https://www.linkedin.com/company/No-Linkedin-Presence-Added-Intentionally-By-DataOps (1 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 100% Kleinunternehmen ### 25. [HugeGraph](https://www.g2.com/de/products/hugegraph/reviews) HugeGraph ist eine schnelle und hoch skalierbare Graphdatenbank. Milliarden von Knoten und Kanten können aufgrund ihrer hervorragenden OLTP-Fähigkeit problemlos in HugeGraph gespeichert und abgefragt werden. In Übereinstimmung mit dem Apache TinkerPop 3 Framework können verschiedene komplizierte Graphabfragen durch Gremlin (eine leistungsstarke Graph-Traversierungssprache) durchgeführt werden. **Average Rating:** 4.5/5.0 **Total Reviews:** 4 **User Satisfaction Scores:** - **Datenmodell:** 8.3/10 (Category avg: 8.8/10) - **Datentypen:** 10.0/10 (Category avg: 8.8/10) - **Eingebaut - In der Suche:** 9.2/10 (Category avg: 8.4/10) **Seller Details:** - **Verkäufer:** [HugeGraph](https://www.g2.com/de/sellers/hugegraph) - **Hauptsitz:** N/A - **LinkedIn®-Seite:** https://www.linkedin.com/company/No-Linkedin-Presence-Added-Intentionally-By-DataOps (1 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 75% Unternehmen mittlerer Größe, 50% Kleinunternehmen ## Parent Category [IT-Infrastruktur-Software](https://www.g2.com/de/categories/it-infrastructure) ## Related Categories - [Dokumentdatenbanken](https://www.g2.com/de/categories/document-databases) - [Schlüssel-Wert-Datenbanken](https://www.g2.com/de/categories/key-value-databases) - [Datenbank als Dienst (DBaaS) Anbieter](https://www.g2.com/de/categories/database-as-a-service-dbaas) --- ## Buyer Guide ### Was Sie über Graphdatenbanken wissen sollten ### Was sind Graphdatenbanken? Graphdatenbanken sind dafür konzipiert, Beziehungen (_Kanten_) zwischen Datenpunkten (_Knoten_) darzustellen. Weniger strukturell starr als relationale Datenbanken, erlauben Graphdatenbanken, dass Knoten eine Vielzahl von Kanten haben können; das heißt, es gibt keine Begrenzung für die Anzahl der Beziehungen, die ein Knoten haben kann. (Ein Beispiel dafür finden Sie im folgenden Abschnitt.) Zusätzlich kann jede Kante mehrere Merkmale haben, die sie definieren. Es gibt keine formale Begrenzung—noch Standardisierung—für die Anzahl der Kanten, die jeder Knoten haben kann, noch für die Anzahl der Merkmale, die eine Kante haben kann. Graphdatenbanken können auch viele verschiedene Informationen enthalten, die normalerweise nicht unbedingt miteinander in Beziehung stehen würden. Jeder Knoten wird durch Informationsstücke definiert, die _Eigenschaften_ genannt werden. Eigenschaften könnten Namen, Daten, Identifikationsnummern, grundlegende Beschreibungen oder andere Informationen sein—alles, was den Knoten selbst beschreibt. Knoten sind durch Kanten verbunden, die _gerichtet_ oder _ungerichtet_ sein können. Wie in der mathematischen Graphentheorie ist eine ungerichtete Kante _bidirektional_; das heißt, eine Beziehung kann von Knoten A zu Knoten B und von Knoten B zu Knoten A getragen werden. Eine gerichtete Kante hingegen hat nur in eine Richtung Bedeutung, sagen wir von Knoten B zu Knoten A. Wichtige Vorteile von Graphdatenbanken - Organisieren Sie eine Vielzahl von Daten ohne starre Strukturen - Bieten Sie flexible Skalierung und Anpassung von Natur aus - Beschreiben Sie zahlreiche Datenbeziehungsmerkmale gleichzeitig ### Warum Graphdatenbanken verwenden? Graphdatenbanken sind ideal zum Speichern und Abrufen von Informationen, die unabhängig, aber auf mehrere Arten miteinander verbunden sind. Zum Beispiel, wenn ein Benutzer eine Gruppe von Freunden abbilden möchte. Jeder Freund wäre ein Knoten, mit Kanten zwischen jedem Freund mit der Eigenschaft „Freunde". Aber, sagen wir, zwei dieser Freunde sind Arbeitskollegen; dann hätte ihre Kante auch die Eigenschaft „Arbeitskollegen". Kanten können weiter definiert werden, indem gemeinsame Interessen, persönliche Erfahrungen und so weiter hinzugefügt werden. Da Graphdatenbanken von Natur aus am besten geeignet sind, breite Datensätze zu organisieren, durch die es keine einheitlichen Beziehungen oder Arten von Daten gibt, können sie unschätzbare Werkzeuge für soziale Kartierung, Stammdatenmanagement, Wissensgraphen/Ontologie, Infrastrukturkartierung, Empfehlungssysteme und mehr sein. Ein Unternehmen könnte jeden Knoten zu einem seiner Produkte machen und Kanten Empfehlungsbeziehungen basierend darauf zeichnen lassen, welches Produkt ein Verbraucher möglicherweise kauft. Es könnte auch Beziehungen zwischen Kontakten, Abteilungen und mehr abbilden. Graphdatenbanken sind von Natur aus flexibel und skalierbar, sodass ein Geschäftsanwender keinen genauen oder vollständigen Anwendungsfall für eine Graphdatenbank kennen muss, bevor er sie erstellt. Das Erweitern einer Graphdatenbank besteht darin, neue Knoten und alle potenziellen Kanten hinzuzufügen, die mit ihnen verbunden sein könnten. ### Wer verwendet Graphdatenbanken? Wie andere Datenbanken werden Graphdatenbanken hauptsächlich von einem Datenbankadministrator oder Team verwaltet. Das gesagt, aufgrund ihrer breiten Abdeckung werden Graphdatenbanken oft von mehreren Organisationen innerhalb eines Unternehmens genutzt. Entwicklung, IT, Abrechnung und mehr hätten alle berechtigte Gründe, auf Graphdatenbanken zugreifen zu müssen, abhängig von ihren zugewiesenen Verwendungen innerhalb des Unternehmens. ### Funktionen von Graphdatenbanken Graphdatenbanklösungen verfügen in der Regel über die folgenden Funktionen. Datenbankerstellung und -wartung — Graphdatenbanken ermöglichen es Benutzern, einfach eine oder mehrere Datenbanken zu erstellen und zu pflegen. CRUD-Operationen — Ein Akronym für _erstellen, lesen, aktualisieren und löschen_, CRUD-Operationen definieren grundlegende Operationen vieler Datenbanken. Graphdatenbanken sollten in der Lage sein, diese Operationen auszuführen und können dies normalerweise mit ähnlicher Fähigkeit wie der bekannteste CRUD-orientierte Datenbanktyp, relational. Skalierbarkeit und Flexibilität — Graphdatenbanken können mit den Geschäftsanforderungen wachsen und sich erweitern. Im Gegensatz zu einigen anderen Datenbanklösungen können sie schneller skalieren, ohne sich um eine strikte Datenorganisation sorgen zu müssen, sondern verlassen sich stattdessen auf die Entwicklung von Beziehungen zwischen neuen und bestehenden Knoten. Vereinfachte Abfragen — Graphdatenbanken können einige größere Abfragekomplexitäten überspringen, indem sie Dinge wie Fremdschlüssel, verschachtelte Abfragen und Join-Anweisungen zugunsten direkter oder transitiver Beziehungen umgehen. Betriebssystemkompatibilität — Graphdatenbanken erfordern kein spezifisches Betriebssystem, um zu laufen, was sie zu einer flexiblen Wahl für jedes Betriebssystem macht. ### Trends im Zusammenhang mit Graphdatenbanken Graph vs. relational — Die Diskussion Graphdatenbank vs. relationale Datenbank ist ein fortlaufender Konfliktpunkt für Datenbankbenutzer und -administratoren gleichermaßen. Graphdatenbanken eignen sich im Allgemeinen besser für flüssigere Datenabfragen mit einfacherer Abfragesyntax und sind im Allgemeinen besser darin, ohne die Notwendigkeit, neue oder spezifische Schemata vorzubereiten, zu skalieren. Aber die Schema-Rigidität und Daten-Normalisierung von relationalen Datenbanken kann in einigen Anwendungsfällen äußerst vorteilhaft sein, und sie sind auch im Allgemeinen besser geeignet für die Implementierung und Durchsetzung von Sicherheits- und Datenschutzrichtlinien. ### Potenzielle Probleme mit Graphdatenbanken Sicherheit und Datenschutz — Wie oben angedeutet, können Graphdatenbanken mit Sicherheits- und Datenschutzsituationen zu kämpfen haben. Sie erfordern strengere Implementierungen von Sicherheits- und Zugriffsmaßnahmen. Da Graphdatenbanken mehr auf die Abbildung von Beziehungen ausgerichtet sind, kann diese Struktur auch auf eine Weise genutzt werden, die Datenschutzbedenken aufwerfen könnte, wie z.B. eine offenere Sicht auf einen Kunden oder Klienten zu offenbaren—und jeden anderen potenziellen Kunden oder Klienten, mit dem sie in Beziehung stehen. Unternehmen, die Graphdatenbanken implementieren, sollten besonders darauf achten, sowohl den Zugriff auf diese Datenbanken als auch die Datenbanken selbst zu sichern. Datenintegritätsimplikationen — Graphdatenbanken vereinfachen die Art und Weise, wie Informationen sich auf andere Informationen beziehen. Indem sie die Beziehung verkürzen oder verdichten (im Vergleich zu, sagen wir, dem Durchlaufen zahlreicher Tabellen in einer relationalen Datenbank), ist es besonders wichtig, dass alle Daten in einer Graphdatenbank korrekt sind. Eine falsch ausgerichtete Beziehung kann direkt zu falschen Daten führen, im Gegensatz zu einer relationalen Datenbank, wo falsche Daten auf ein Problem stoßen könnten, während einer verschachtelten Abfrage einen Fehler werfen und das Problem aufdecken. Daher ist bei der Verwendung von Graphdatenbanken die Datenintegrität von besonders hoher Bedeutung. ### Software und Dienstleistungen im Zusammenhang mit Graphdatenbanken Viele Gespräche über Graphdatenbanken werden durch eine oder beide der folgenden Alternativen kontextualisiert. [RDF-Datenbanken](https://www.g2.com/categories/rdf-databases) — Eine Art von Graphdatenbank, Resource Description Framework (RDF) oder _Triplestore_-Datenbanken funktionieren nach dem Konzept, Daten als Tripel zu speichern. Tripel—in einem „Subjekt–Prädikat–Objekt"-Format—werden speziell verwendet, um die Beziehung zwischen zwei Dingen zu beschreiben. [Relationale Datenbanken](https://www.g2.com/categories/relational-databases) — Relationale Datenbanken—die standardmäßigen „Zeilen und Spalten"-Datenspeicher—waren seit ihrer Einführung der Standard für Datenbanken. Sie bringen eine deutlich rigidere Struktur mit sich als Graphdatenbanken, was äußerst vorteilhaft sein kann, um große Mengen ähnlicher Daten zu verfolgen, aber es könnte komplizierter machen, Beziehungen zwischen diesen Daten zu verfolgen.