Big-Data-Technologien machen das Notwendige möglich

Business Insights
Big-Data-Technologien machen
das Notwendige möglich
Die Nutzung von Big Data Insights ist heute bereits wesentlich leichter und
­erschwinglicher. Sie erfordert jedoch nach wie vor eine angemessene Governa­nce
­sowie eine klare Strategie, um die vorhandenen Technologien effektiv zu etablieren und
zu nutzen und wertvolle Insights für die Geschäftsbereiche verfügbar zu machen.
atengesteuerte Business Insights innerhalb eines UnterD
nehmens bilden keine Nische mehr. Sie sind ein notwendiger
­ estandteil geworden, da sie sich branchenweit zu einem echB
ten Wettbewerbsvorteil entwickelt haben. Insbesondere das
Internet der Dinge wird das Datenwachstum in Unternehmen
­wesentlich vorantreiben. Künftig wird man fast alles messen und
in Zahlen und Kontexten ausdrücken können. Firmen sollten
diese Daten nutzen – und sich in datengesteuerte Unternehmen
verwandeln!
Herkömmlicher Enterprise-Data-Warehouse-Ansatz ist
nicht mehr ausreichend
Agile Start-ups wie Uber, Zalando, 23andMe und Netflix sind
bereits extensive Nutzer modernster Big-Data- und AnalyticsTechnologien und führend in datengesteuerten Unternehmens­
entscheidungen, die den zentralen Treiber ihres Erfolgs bilden.
Zur Aufrechterhaltung der Wettbewerbsfähigkeit müssen Un-
44
Detecon Management Report blue • 1 / 2015
ternehmen das volle Potenzial aller Daten erschließen, die dem
Unternehmen zur Verfügung stehen. Das heißt, sie m
­ üssen die
Daten in einen Kontext einbetten, Erkenntnisse ableiten und
sinnvolle und durchdachte datengesteuerte Entscheidungen
treffen. Wenn es darum geht, wie verfügbare Daten innerhalb eines Unternehmens genutzt werden, unterscheidet sich
der Ansatz eines vollständig datengesteuerten Unternehmens
grundlegend von einem klassischen Ansatz. Datenvielfalt,
­Datengeschwindigkeit und Datenvolumen erfordern neue und
erweiterte IT-Architekturen und -Technologien, um StreamingDaten, Datenvolumen im Petabyte-Bereich und diverse unstrukturierte Daten managen zu können. Klassische Technologien und Paradigmen wie Enterprise Data Warehouse (EDW)
genügen diesen Anforderungen nicht länger. Insbesondere für
größere Unternehmen wird sich der Prozess, der mit dem Wandel zu einem datengesteuerten Unternehmen einhergeht, als
langwierig und schwierig erweisen. Dennoch ist die Einleitung
dieses Wandels zwingend erforderlich.
Seit Jahrzehnten errichten Unternehmen Reporting-Architekturen auf klassische Weise, und zwar unter Verwendung von
zwei Arten von Datenquellen: Betriebsdaten aus ­
Systemen
wie Enterprise Resource Planning (ERP) und Customer
­Relationship Management (CRM) sowie aus dem zentralen
Enterprise Data Warehouse (EDW). Sämtliche Daten sind in
herkömmlichen relationalen Datenbanken strukturiert, Analytics sind primär als vordefiniertes Reporting konfiguriert. Adhoc-Analysen können nur mit den vom Data Warehouse – oder
Data Marts und Analytics Cubes – gelieferten Daten durchgeführt werden. Weiterhin ist die Durchführung von Advanced
­Analytics mit den zur Verfügung stehenden Datenstrukturen
und Softwareprogrammen kaum möglich. Unternehmen nutzen spezielle Infrastrukturkomponenten, die im Hinblick auf
künftige Bedürfnisse kaum skalierbar sind. Die Kosten für diese
Art Infrastruktur sind hoch, denn aufgrund teurer Lizenzen und
spezieller Infrastrukturkomponenten werden die Kosten für die
Errichtung eines Enterprise Data Warehouse gewöhnlich mit
mindestens einer Million US-Dollar veranschlagt. Tatsächlich
wird dabei nur ein Bruchteil der erzeugten Unternehmensdaten
für das Treffen durchdachter Entscheidungen genutzt. Und
dennoch hat sich die klassische Data-Warehouse-Architektur
nicht überlebt – sie muss mit weiterentwickelten Technologien
ergänzt werden, um die Anforderungen der Zukunft erfüllen
zu können.
Big-Data-Architektur erhöht Gesamtkomplexität
Unter dem Dach von Big Data haben sich in den vergangenen
zehn Jahren mehrere neue Technologien herausgebildet. Diese
Technologien ermöglichen Unternehmen eine verteilte Datenhaltung und Datenanalyse sowie die Identifizierung von Mustern, Trends und sonstigen Insights.
Zusätzlich zu herkömmlichen vordefinierten Reports und
­Ad-hoc-Analytics, Statistical und Predictive Analytics wurden
maschinelles Lernen, Graph Analytics und operative Intelligenz
möglich. Dies wiederum erlaubte den Unternehmen nicht nur
die Durchführung von historischen Analysen und rückwärtsgerichtetem Reporting, sondern auch den Blick nach vorn und
damit die Vorhersage von Business Insights – eine aktive Unterstützung für künftige Entscheidungen!
Die Big-Data-Technologien lassen sich in die sechs unterschiedlichen Schwerpunktbereiche Datenspeicherung, Datenintegration, Analytical Processing, Visualisierung und Daten-­
Governance gruppieren, in denen spezielle Technologien
genutzt werden (siehe Abbildung).
Die neue Big-Data-Architektur ergänzt die traditionellen Systeme, erhöht aber gleichzeitig die Gesamtkomplexität. Es sind
Abbildung: Vereinfachter Big Data Stack
Datenintegration
Visualisierung
EchtzeitIntelligenz
Erweiterte
Visualisierung
Dashboard
Datenkonnektivität
Datensicherheit
und
Daten-Governace
Identitätsmanagement
Analytical Processing
Data
Ingestion
Video
Audio
Georäumlich
Web
Textsemantik
Datenverschlüsselung
Prädiktiv
Data
Mining
Maschinelles
Lernen
Reporting
Mandantenfähigkeit
(Multitenancy)
Governance
Datenzugriff
BatchVerarbeitung
Streaming und
Verarbeitung
Suchen und
Finden
Anfrage
Datenspeicherung
Hadoop
HDFS
NoSQL
Datenbanken
In-Memory
Datenbanken
Analytische
Datenbanken
Transaktionsdatenbanken
Quelle: Detecon
45
Detecon Management Report blue • 1 / 2015
diverse spezielle Systeme erforderlich, um die unterschiedlichen
Anforderungen und Methoden handhaben zu können. Insbesondere für das Internet der Dinge, M2M und Sensordaten ist
die Anwendung von In-Memory- und Streaming-Datenbanken
unverzichtbar, da die für die Daten erforderliche Echtzeitverarbeitung und Analyse mittels herkömmlicher Systeme nicht
geleistet werden kann.
Hadoop wird als zentrale Technologie für Big Data oft
falsch verstanden
Hadoop hat einen regelrechten Hype erfahren. Das bedeutet jedoch nicht, dass Hadoop wirklich von jedem Unternehmen verstanden wird. Bei Hadoop handelt es sich nicht um eine einzige
Technologie, sondern um ein ganzes Framework, das aus vielen
unterschiedlichen Technologien fast den gesamten Big Data
Stack zusammenfasst. Die Hadoop-Technologien sind Open
Source Software unter der Apache-Lizenz und w
­ urden in ihrem
Kern zuerst als Teil eines von Yahoo gestarteten Forschungsprojekts entwickelt. Die wichtigsten Bestandteile von Hadoop sind
Hadoop Common (Shared Library), Hadoop HDFS (verteilte
Datenhaltung), Hadoop MapReduce (­
Datenverarbeitung),
Pig (Datenmanipulation), Hive (Data Warehouse) und HBase (Bigtable NoSQL-Datenbank). Das Hadoop Distributed
File System (HDFS) löste eines der Hauptprobleme traditioneller relationaler Enterprise Data Warehouses: Es kann unstrukturierte Daten aus unterschiedlichsten Quellen speichern
und die Gesamtheit der gespeicherten Daten über verteilte
Standardsysteme – zum Beispiel x86-Architekturen – auf Tausenden von kostengünstigen Servern verteilen. Die Nutzung
von HDFS ermöglicht eine kostengünstige Speicherung von
­Datenvolumen im Terabyte-Bereich und ist in der Regel etwa
20 Mal preiswerter als spezialisierte BI-Systeme. Darüber ­hinaus
ist HDFS hoch skalierbar, sodass neue Server der verteilten
Infrastruktur einfach hinzugefügt werden können und historische Daten nicht mehr ausgelagert werden müssen, wie es bei
EDW-Systemen häufig der Fall ist. Die Hadoop-Komponente
MapReduce wird zur Koordinierung und Programmierung von
Batch-Verarbeitungsjobs verwendet, um Daten zu laden, zu verarbeiten und zu analysieren. MapReduce basiert nicht auf der
Datenbanksprache SQL (Structured Query Language), sondern
nutzt im Vergleich zu der weit verbreiteten SQL ein komplexeres Programmiermodell und Paradigma. Um die Datenabfragen und Datenverarbeitung zu erleichtern, versuchen viele
Anbieter, zusätzliche SQL-Layer auf MapReduce aufzusetzen.
Für Unternehmen, die gewaltige Datenvolumen, Datenvielfalt
46
Detecon Management Report blue • 1 / 2015
und Datengeschwindigkeit handhaben müssen, kann Hadoop
als zugrunde liegender Enabler für Big Data Insights betrachtet werden. Hadoop ist jedoch keine Lösung für alle Big-DataHerausforderungen, und Unternehmen, insbesondere, wenn es
sich um kleine Unternehmen handelt, sollten sorgfältig prüfen,
ob ihnen nicht gegebenenfalls bestehende traditionelle Ansätze dabei helfen können, ihren Bedarf an Daten-Insights zu
befriedigen. Kommerzielle Hadoop-Anbieter haben bis Mitte
2014 eine Risikokapitalfinanzierung in Höhe von mehr als anderthalb Milliarden US-Dollar erhalten, wodurch das enorme
Wachstum der Hadoop-basierten Technologielösungen gefördert wurde. Innerhalb des Hadoop-Marktes haben sich dabei
vier große Anbieter als deutliche Marktführer positioniert:
Hortonworks, MapR Technologies, Cloudera und IBM. Diese Unternehmen haben es geschafft, das Open Source Framework mit zusätzlichen Services und klaren Geschäftsmodellen
anzureichern. Sie bieten zum Beispiel professionelle Services
für Implementierungs-Support, Enterprise-Grade-Support und
Release-Zyklen sowie weitere (Analytics) Funktionen.
Analytics-Lösungen und industriespezifische Anwendungen
Hadoop und NoSQL-Datenbanken fördern die unternehmensweite Nutzung unterschiedlicher Datenquellen und ermög­
lichen daher eine einzige Schnittstelle für Business Analytics für
vielfach strukturierte Daten. In erster Linie geht es hier jedoch
nicht um die Technologie, sondern um den geschäftlichen Nutzen und die Nutzung der Insights für Entscheidungsprozesse
in Unternehmen. Relevante Analytics und deren Anwendung
innerhalb der Geschäftsbereiche sind ausschlaggebend, nicht
die technologischen Lösungen. Vorausschauende AnalyticsModelle werden von vielen Branchenteilnehmern genutzt, um
Angebot und Nachfrage angemessen abschätzen zu können.
Branchen wie Telekommunikation, Finanzdienstleistungen
und Einzelhandel agieren bei der Nutzung der Daten stärker
vorausschauend. Visualisierung ist für Unternehmen wichtig,
die ­
regelmäßig massive Datenvolumen erzeugen. Moderne
­Visualisierungstools sind zur Identifizierung von Mustern unverzichtbar und bewirken stärker durchdachte Entscheidungen.
Insbesondere im Bereich der Visualisierung haben diverse innovative Unternehmen in den letzten Jahren neue Lösungen
auf den Markt gebracht. Tableau und Quid sind Beispiele für
die erfolgreiche Positionierung neuer Visualisierungslösungen,
um Muster und Verbindungen zu identifizieren, Insights zu
veranschaulichen oder ganze Marktlandschaften abzubilden.
Die Verbesserung der Rechenleistung für Analytics und die Ge-
schwindigkeit von Datenströmen führen dazu, dass die Bedeutung von Echtzeit-Analytics zunimmt. Unternehmen wollen bei
neuen Ereignissen mit der Analyse auf dem Laufenden bleiben,
um so die Durchführung ihrer Geschäftsprozesse optimieren zu
können. SAP investiert seit einiger Zeit mit großem Aufwand
in seine HANA-Lösungen für In-Memory-Datenverarbeitung
mit der Zielsetzung, hiermit zentrale Enabler für Data Analytics
in Echtzeit zu ermöglichen. Die steigende Komplexität der ITLandschaft erzeugt eine Menge an Log- und Maschinendaten,
die es zu analysieren gilt. Unternehmen wie Splunk oder Sumo
Logic haben sich diesen Bereich mit operativen Data Analytics
erschlossen, die Insights über Ausfälle und IT-Probleme liefern
und diese zeitweise sogar automatisch lösen können. Neuere Bereiche wie Text Analytics und Web & Social Analytics gewinnen
ebenfalls an Bedeutung, da Unternehmen ihre Onlinepräsenz
erweitern und Soziale Medien zunehmend an Akzeptanz gewinnen.
Generische Analytics-Produkte ohne spezifische Branchenausrichtung sind der von Big-Data-Analytics-Anbietern am
häufigsten genutzte Ansatz. Sie liefern den Unternehmen die
­passenden Tools, um Analytics-Lösungen an ihre Anforderungen anzupassen und somit ihre speziellen organisatorischen
oder branchenspezifischen Herausforderungen meistern zu
können. Für manche Industrien, zum Beispiel die Finanz­
industrie, ­haben Anbieter aufgrund sich wiederholender Probleme spezielle Lösungen entwickelt, um etwa Credit Scores
innerhalb ­einer Sekunde zu analysieren oder Betrugsmuster zu
identifizieren und Risiken zu vermeiden. Der Schwerpunkt der
Lösungen für Retailer und E
­ -Commerce liegt auf prädiktiver
und operativer­­Analytics, um Kundenverhalten vorhersagen zu
können, sowie auf der Analyse operativer Daten, um effektiver
agieren zu können.
Telekommunikationsunternehmen stehen ebenfalls im Mittelpunkt, wenn es um die industriespezifische Nutzung geht. Prädiktive und operative Analytics werden insbesondere eingesetzt,
um Kundenabwanderungen vorherzusagen, Zeitreihendaten
und gewaltige Kundendatenmengen wie CDRs zu analysieren,
operative Effizienz und Marketing-Insights zu erzielen oder gar
Mobilfunkinfrastruktur auf Basis von Nutzerdaten oder durchschnittlicher Bandbreite zu planen. Weiterhin sind die visuelle
Datenentdeckung (Data Discovery) und Mustererkennung für
das Gesundheitswesen von großer Bedeutung. Stärker als andere
Branchen setzt die Hightech- und Media-Branche ebenfalls auf
Web und Social Analytics.
Neue Delivery-Modelle bilden sich im Big-Data-Ecosystem
heraus
Um mit spezialisierten und innovativen Start-ups Schritt halten
zu können, nehmen etablierte Hersteller wie Microsoft, IBM
und Oracle Anpassungen an ihren Produktangeboten und -strategien vor. Diese setzen verstärkt auf M&A-Maßnahmen, um
ihre Portfolios entsprechend der neu generierten Nachfrage zu
ergänzen. Flexible Lizenzmodelle und Open-Source-Produkte
wirken sich dabei ebenfalls auf die Einkaufsmuster von Unternehmen aus. Stark beeinflusst wird dies durch die zunehmende
Nutzung der SaaS-Delivery-Modelle für Big-Data-Lösungen.
Um einfache und schnelle Lösungen liefern zu können, offerieren viele Anbieter Out-of-the-Box-Lösungen ihrer Produkte,
die Hosting, Datenverarbeitung und auch die Software selbst
beinhalten können. Dieser Ansatz ist nicht ganz problemlos,
kann Unternehmen jedoch dabei helfen, Analytics-Lösungen
kostengünstiger, schneller und flexibler einzusetzen. Self-Service-Analytics-Lösungen für nicht technische Nutzer sind ­dabei
ein zentraler Enabler für geschäftliche Nutzer, um Daten-Insights entsprechend ihren eigenen Bedürfnissen zu entdecken,
zu analysieren und zu visualisieren. Hierbei sind insbesondere
Advanced-Analytics-Lösungen sind von schwerfälligen, komplexen und umständlich zu nutzenden Tools hin zu Use-Casebasierten und intuitiven „Dashboards“ gereift.
Die Nutzung von Big-Data-Insights stellt nach wie vor eine
technologische und organisatorische Herausforderung dar
Analytics-Lösungen und die zugrunde liegenden Technologien
haben sich weiterentwickelt und sind während der vergangenen
Jahre extrem gereift. Die effektive Nutzung von Big Data ist aber
immer noch keine einfache Standard-Aufgabe. Anwendungsfälle und Business-Anforderungen müssen von den Unternehmensbereichen nach dem Top-down-Prinzip definiert werden.
Bis heute erfordern die zugrunde liegenden Datenbanktechnologien ein hohes Maß an Anpassung und Implementierungsaufwand, damit diese Lösungen angemessen in die bestehenden
IT-Architekturen integriert werden können.
Lars Bodenheimer ist Senior Consultant und Experte für Strategie, Planung
und Rollout neuer ICT-Produkte und Technologien sowie für eine Vielzahl von Themen im Bereich ICT-Migration. Er arbeitet mit Festnetz- und
­Mobilfunkbetreibern in Nord- und Südamerika und anderen Regionen
weltweit.
Kolja Schluetter arbeitet als Consultant bei Detecon Inc., USA, und
­unterstützt Klienten weltweit dabei, neue Technologien einzuführen und die
Transformation in die digitale Geschäftswelt zu meistern.
47
Detecon Management Report blue • 1 / 2015