Neo4j lanserar branschens första grafanalyslösning för dataplattformar

Serverlös lösning med över 65 färdiga algoritmer som förbättrar modellernas träffsäkerhet med upp till 80 % och ger dubbelt så djupa insikter – helt utan krav på grafkompetens

SAN MATEO, Kalifornien. – 7 maj, 2025 – Neo4jⓇ, världsledande inom grafdatabaser och analys, lanserar nu Neo4j Aura Graph Analytics – en ny serverlös tjänst som för första gången kan användas sömlöst med vilken datakälla som helst, utan behov av ETL-processer (extract, load, transform). Den nya lösningen gör kraften i grafanalys tillgänglig för användare på alla nivåer och ger dubbelt så precisa insikter jämfört med traditionell analys. Tjänsten finns tillgänglig från och med idag och bygger på en flexibel pay-as-you-go-modell, kompatibel med alla typer av databaser (t.ex. Oracle, Microsoft SQL) samt molnbaserade datalager och data lakes-plattformar som Databricks, Snowflake, Google BigQuery och Microsoft OneLake.

Grafanalys gör AI-beslut mer träffsäkra genom att visa dolda mönster och samband i komplexa data – något som traditionella analysmetoder ofta missar. Fram till nu har dock tekniken varit för komplex för många verksamheter. Med Neo4j Aura Graph Analytics blir grafanalys tillgängligt för alla, utan behov av skräddarsydd kod, ETL-pipelines eller specialistkunskaper – så att beslutsfattare, data analytiker och andra användare kan fokusera på resultat, inte teknik.

- Företagsdata är ofta fragmenterad och ofullständig, vilket gör det svårt att hitta relevanta samband. Grafanalys är en teknik som bör prioriteras i vissa fall, särskilt när datakvaliteten varierar, skriver Gartner i rapporten Exploring the Top Use Cases for Graph Analytics (10 maj 2024, Jim Hare & Mark Beyer).

Neo4j Aura Graph Analytics kräver ingen infrastruktur eller tidigare erfarenhet av grafteknik eller frågespråket Cypher. Användare kan enkelt driftsätta och skala sina analysarbetsflöden från början till slut – för att samla in, strukturera, analysera och visualisera data. Lösningen inkluderar branschens största urval av över 65 färdiga grafalgoritmer, optimerade för högpresterande applikationer och parallella arbetsflöden. Användaren betalar bara för den processorkraft och lagring den faktiskt använder.

Prestanda och resultat – baserat på verkliga användarfall.

1. Upp till 80 % högre modellprecision – med dubbelt så effektiva insikter
   Genom att omvandla grafstrukturer till maskininlärningsvänliga funktioner via graph embeddings, kan användare upptäcka mönster och relationer som traditionella analysmetoder missar. Eftersom grafer baseras på sambanden mellan datapunkter – inte bara datan i sig – anpassar de sig dynamiskt i takt med att datan förändras. Avancerade algoritmer och embeddings, som centralitet, sökning-av-kortaste-vägen, klusteranalys, länkprediktion och likhetsanalys, förbättrar resultaten inom områden som bedrägeribekämpning, penningtvätt, smittspårning, kund 360, försörjningskedjor, rekommendationssystem och social nätverksanalys.
   
   
2. Dubbelt så snabba insikter jämfört med open source-lösningar
   Genom parallell in-memory-bearbetning av grafalgoritmer kan användare generera insikter snabbare och mer effektivt. Tjänsten möjliggör även flera olika men samtidiga DSML-instanser (data science & machine learning), vilket förbättrar produktiviteten. Användare kan skala upp grafanalys i hela organisationen – med obegränsat antal parallella sessioner, helt oberoende av varandra.
   
   
3. 75 % mindre kod – helt utan ETL
   Med tillgång till över 65 färdiga grafalgoritmer slipper man bygga modeller manuellt för varje analys. Lösningen fungerar direkt mot vilken företagsdata som helst och kan enkelt integreras i befintliga datavetenskapsmiljöer, exempelvis genom att projicera data från Pandas-dataframes – helt utan behov av ETL. Användare kan även fortsätta använda sina vanliga Python-verktyg för att projicera subgrafer, köra algoritmer och analysera resultat.
   
   
4. Inga administrativa bördor – lägre total ägandekostnad
   Som en fullt hanterad serverlös tjänst eliminerar Neo4j Aura Graph Analytics behovet av serverhantering, underhåll och resursallokering. Genom flexibel pay-as-you-use-prissättning kan användare enkelt skala upp eller ner processorkraft och lagring efter behov – vilket optimerar både kostnader och drift.

Neo4j Aura Graph Analytics är tillgänglig för alla typer av datakällor via Pandas dataframes i Python. Enligt GitHub är Python det mest använda språket inom AI, och stöd för övriga större programmeringsspråk förväntas lanseras under året.

Inbyggd integration med Snowflake tillgänglig från tredje kvartalet 2025

Neo4j Graph Analytics for Snowflake, en inbyggd integration med Snowflake, blir allmänt tillgänglig under tredje kvartalet i Neo4j:s räkenskapsår 2025. Den följer på en lyckad lansering under föregående år och har redan rullats ut i stor skala hos flera större företag. Det här speglar den växande efterfrågan på grafanalys i molnbaserade datamiljöer – där företag i alla branscher kan använda sina data mer operativt för att få snabbare och mer träffsäkra insikter, oavsett var datan är lagrad. Lösningen kommer att kunna köpas via Snowflake Marketplace.

Nya milstolpar drivna av ökad efterfrågan på AI och grafteknik

Neo4j:s nya serverlösa lösning bygger vidare på en rad viktiga milstolpar. I september 2024 uppgraderade företaget sin Aura-portfölj av molnbaserade databashanteringssystem med AI-redo kapacitet – för att förenkla och snabba på införandet av grafteknik inom alla typer av användningsområden och arbetsbelastningar. Resultatet stärkte Neo4j:s position som ledande aktör i kategorin och förstavalet som grafpartner hos samtliga stora molnleverantörer, tack vare ett heltäckande erbjudande, flexibel distribution, kraftfull analyskapacitet och ett starkt community – ytterligare pådrivet av generativ AI.

I december utsågs Neo4j till Visionary i Gartner® Magic Quadrant™ for Cloud Database Management Systems 2024 – för andra året i rad. Företaget rankades också som Strong Performer i The Forrester Wave™: Vector Databases, Q3 2024, bland 14 ledande leverantörer globalt.

I november 2024 hade Neo4j fördubblat sin årliga återkommande intäkt på tre år, med en värdering som översteg 2 miljarder USD. Tillväxten har drivits av en ökande användning av molnbaserade lösningar och efterfrågan på generativ AI.

Neo4j används idag av 84 % av företagen på Fortune 100-listan och 58 % av Fortune 500, inklusive globala aktörer som Adobe, BT Group, Novo Nordisk och UBS.

För mer information, besök vår webbplats och blogg.

Citat från användare och experter

Dor Shoef, Data Engineering Tech Lead, Resident Home
"På Resident Home drivs vår e-handel av realtidsdata med hög precision. För att nå dit gick vi över till AuraDB med serverlös grafanalys – tack vare dess tillförlitlighet, höga tillgänglighet och kraftfulla algoritmer. Det var snabbt och enkelt: på bara några timmar kunde vi uppdatera koden och få allt att fungera. Vi kunde dessutom skala upp minnet för grafanalysen vid behov, utan att röra den primära instansens inställningar."

Benjamin Squire, Principal Data Scientist, Audience Acuity
"Audience Acuity grundades för att lösa komplexa utmaningar inom identitetsupplösning. Genom att använda Neo4j Graph Analytics for Snowflake hjälper vi marknadsförare att ligga steget före – genom att koppla ihop data från 20 olika källor, totalt 2,2 miljarder poster, med SQL, utan att flytta datan. Neo4j:s algoritmer ger oss insikter som traditionella metoder inte kan matcha."

Devin Pratt, Research Director, Data Management, IDC
"Neo4j:s nya serverlösa lösning för grafanalys, utvecklad med fokus på användarvänlighet och tillgänglighet, är ett spännande steg. Den ger företag möjlighet att skala upp analys över alla datakällor och molnplattformar – och omvandla data till verkligt värdefulla insikter som förbättrar beslutsfattandet."

Sudhir Hasbe, Chief Product Officer, Neo4j
"Vår vision med Aura Graph Analytics är enkel: göra det möjligt för alla att fatta bättre affärsbeslut – snabbare. Genom att eliminera hinder som komplexa frågespråk, ETL-processer och dyr infrastruktur gör vi grafanalys tillgängligt på riktigt. Resultatet blir bättre beslut – oavsett datakälla – baserat på en djupare förståelse för hur allt hänger samman."