Analytics
Werbung
Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht Michael Ehrmantraut (Executive IT Architect, FSS) Mainframe Aktuell 2015 Nürnberg, den 13. November Analytics Agenda 1. Die Herausforderung an Unternehmen durch die Digitalisierung 2. Die Analytics „Schattierungen“ 3. Data Reservoir 1 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 2 Die Herausforderungen an Unternehmen durch die Digitalisierung IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut 1 v 0.2 © 2015 IBM Corporation Der Begriff „Digitalisierung“ im Wandel der Zeit „Cognitive Berater“ Analytics Maturity „ProzessAutomatisierung“ „Datenzentrierung“ „multiChannel“ „papierloses Büro“ • „eAkte“ / ECM • Suchen, Darstellen • Scannen, OCR Zeit 3 • „One-Click-Abschluss“ • BPM, Cloud, Mobile First • Big Data / 360° • Next-Best-Action • Hadoop, Social Media • Kioske, Web-Shops • Call-Center • SOA, 3-Tier IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht • Advisor- / Expertensystem • IBM Watson Erwartungen und Verhalten von Kunden, Partnern und Mitarbeitern haben sich nachhaltig verändert. Im Back-Office bieten sich durch Automatisierung erhebliche Effizienzpotenziale. Die Verbindung von Hyperdigitalisierung von Inhalten und Lebenssituationen mit Social Media Analytik schafft neue Möglichkeiten und Bedrohungen im etablierten Geschäftsmodell Digitalisierung ist nicht nur ein technologisches, sondern vor allem ein gesellschaftliches Phänomen. M. Ehrmantraut v 0.2 © 2015 IBM Corporation Vier Faktoren treiben durch ihr Zusammenspiel die digitale Transformation. Mobiler Lebensstil Zugang in die digitale Welt immer und überall. Smartphones (Wearables,...) plus „Konten“ werden zur digitalen Identität der Menschen Visuelle und akustische Darstellung von Inhalten für Menschen. Social Media Explosion Hyperdigitalisierung Alle Inhalte werden digitalisiert (Musik, Filme, Bücher, Fotos,...). In allen Lebenssituationen werden Daten erzeugt (von Smartphones, Sensoren,...) Jeder Konsument wird zu einem Produzenten von Inhalten („Procument“) Bedürfnis nach Selbstdarstellung treibt Nutzung der Plattformen. Zwischenmenschliche Interaktion wird digital aufgezeichnet. * Macht von Daten und Analysen Mächtige Technologien sind verfügbar, die alle Informationen (unstrukturiert, strukturiert) in Echtzeit kognitiv auswerten können und Menschen visuell und in menschlicher Sprache verfügbar gemacht werden.. Die Digitalisierung verändert massiv die Kundeninteraktion (Front-OfficeTransformation) und die Anbindung ans Back-Office. 4 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Auch der Begriff „Analytics“ unterliegt einem Wandel. Dabei wird „Analytics“ oft entlang unterschiedlicher Dimensionen definiert. Dimension: Analytics Maturity Modell Dimension: Datentyp Dimension: Datennutzung Dispositive Daten Operative Daten 5 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 6 Die Analytics „Schattierungen“ IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht 2 M. Ehrmantraut v 0.2 © 2015 IBM Corporation 1 In-Transaction-Analytics (In-Tx-Analytics): Die klassische Wurzel von Analytics in Enterprises Operational Systems Beschreibung: Anwendung basiert auf IMS, CICS oder einer relationalen Datenbank (RDBMS) Tx Daten-Verarbeitung: • DB Transaction (Tx) − Short running − All-or-nothing • OLTP Load • ACID Prinzip Application Use Cases: a) Traditionell: Einfache Berechnungen und Aggregationen, um Laufzeit zu minimieren b) Zukunft: “Money Laundering” (Analytics während Zahlungsverkehrs Transaktionen) Infrastruktur: - Text basierte Terminals - IBM System Z - AS400 - BS2000 Treiber: a) Regulatorische Anforderungen In-TX-Analytics 7 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 2 Post-Transaction-Analytics(Post-Tx-Analytics): Analytics wird komplexer, da stärker entkoppelt von Tx Operational Systems Tx Step of Workflow Datenverarbeitung: • Workflow • DB Transaction (Tx) • DB Queries − long running − Wohl-definiert • Mixed Load − OLTP − OLAP für Analytics • ACID Prinzip ESB Analytics Analytics Application Beschreibung Anwendung basiert auf relationaler Datenbank (RDBMS) non-operational System Use Cases: a) “Know-your-customer” (KYC) b) “Peer group validation” c) Trends gehen in Richtung Analytics auf nicht-operationalen bzw. dispositiven Systemen 8 Treiber: a) ESB: Initiativen wie z.B. SOA, Big Data, Digitalisierung b) UseCases: Regulatorische Anforderungen, Prozess Optimierungen IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht Infrastruktur: - Web Anwendungen - IBM System Z - RDBMS - Unix / Windows Anw.. - Enterprise Service Bus Post-TXAnalytics M. Ehrmantraut v 0.2 © 2015 IBM Corporation 3 Operational Analytics(OpAnalytics): Verwendet durch Analysten mit Interesse an spezifischen Daten Operational Systems Beschreibung Analytics Werkzeug / Anwendung verwendet SQL zum direkten Zugriff auf die Operationalen Systeme Application OpAnalytics – alternative A: “direct” Copy Replication E(T)L OpAnalytics – alternative B: “Copy” OpAnalytics – alternative C: “Data Mart” Use Cases: a) Analysen auf homogenen Daten eines Einzelsystems oder einer Systemgruppe b) Use Case Beispiel: Berechnung von Quartals-Berichten c) Trend: Forderung nach immer mehr Ad-Hoc Abfragen Datenverarbeitung: • DB Queries − long running − well-known − Ad-hoc • OLAP Load • System RessourcenSeiteneffekte mit Op. System möglich in Alternative “direct”! Infrastructure: - RDBMS - Reporting Werkzeuge (COGNOS, SPSS, N) - Windows Frontend Treiber: a) Verwendung von Daten, die sehr „nah“ (zeitlich & inhaltlich) an den Operationalen Systemen sind 9 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut Operational Analytics v 0.2 © 2015 IBM Corporation 4 Dispositive Analytics(DisAnalytics): Der traditionelle Weg für Analysen in Unternehmen Operational Systems Beschreibung Analytics Werkzeug / Anwendung verwendet via SQL ein Data Warehouse (DWH), welches mit transformierten Daten geladen wurde. Dispositive Systems Application Extract Extract Core DWH Analytics DWH Data Marts Data Warehouse Application Use Cases: a) Reporting, Controlling, Vertriebssteuerung, Regulatorische Meldungen u.v.m. Datenverarbeitung: • DB Queries − long running − well-known − (Ad-hoc) • OLAP Load • Entkoppelt von Op. Anwendungen!! Infrastruktur: - UnternehmensDatenmodelle - RDBMS - Reporting Werkzeuge (COGNOS, SPSS, N) Treiber: a) Zentraler, unternehmensweiter Datenhaushalt Dispositive Analytics b) Transformation: Konsolidierung, Bereinigung (cleansing), Filterung c) Aufbau einer Datenhistorie mit fachlichen und technischen timestamps 10 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 5 Big Data Analytics(BDAnalytics): Der Weg zur Erweiterung des DWH für neue Datentypen und Analytics Operational Systems Beschreibung: Unstrukturierte Daten (Dokumente, Social Media, Multimedia) oder strukturierte Daten (Replikate, Archive, externe) wird “as-is” gespeichert Dispositive Systems Application Extract Extract Core DWH Analytics DWH Data Marts Data Warehouse Replication / Load Landing Zone External Sources Table Zone Big Data HUB 11 Infrastruktur: - High-perform. cluster (HPC) auf low-cost x86 Hardware - Hadoop/Spark Eco-Sys. - Reporting Tools (COGNOS, SPSS, N) Big Data Analytics Use Cases: a) Typische Big Data Use Cases Social Media Datenverarbeitung: • „As-is“ Speicherung • Massive parallele Datenverarbeitung • Text Analyse • Batch Prozessierung • BASE Prinzip Treiber: a) Ermöglicht Analytics auf bis dato nicht verfügbaren Daten IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 6 In-Hadoop-Analytics(InHadAnalytics): Der Trend: Bringe Analytics zu den Daten (vs. Datenabfragen) Operational Systems Beschreibung: Erweiterung der Big Data Analytics durch Verlagerung des Analytics Algorithmus in das Hadoop Cluster hinein Dispositive Systems Application Extract Extract Core DWH Analytics DWH Data Marts Data Warehouse Replication / Load Landing Zone External Sources Table Zone Deep Analytics Z. Big Data HUB Datenverarbeitung: • „As-is“ Speicherung • Massive parallele Datenverarbeitung • Text Analyse • Batch Prozessierung • BASE Prinzip Infrastruktur: - High-perform. cluster (HPC) auf low-cost x86 Hardware - Hadoop/Spark Eco-Sys - Reporting Werkzeuge (BigSheets, SPSS, R, SAS) In-Hadoop Analytics Use Cases: a) Big Data Analytics mit extrem parallelisierten Algorithmen Social Media 12 Treiber: a) Deep Analytics auf sehr großen Datenmengen IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 7 Analytics auf Near-Time Daten (NTDataAnalytics): Der Trend zur Nutzung aktueller Daten für Analytics (vs. tagesaktuell) Operational Systems Beschreibung: Ersetzen von klassischen ETL basierten LadeVerfahren durch Replikation Dispositive Systems Application OpAnalytics – alternative A: “direct” Replication Core DWH Replication Analytics DWH Data Marts Data Warehouse Replication Landing Zone Table Zone Deep Analytics Z. Big Data HUB Use Cases: a) Real-time Kopie von Daten für Analytics Datenverarbeitung: a) Direkter Zugriff auf Quellsysteme bei bereits erwähnten Seiteneffekten b) Schrittweise “neartime” Kopie von Quelldaten zur Vermeidung der erwähnten Seiteneffekte Infrastruktur: - Quelle: RDBMS - Ziel: RDBMS oder Hadoop / Spark - Reporting Werkzeuge (Cognos, SPSS, N) Analytics on near-time data Treiber: a) Aktuelle Sicht auf Unternehmensdaten 13 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 8 Real-Time- / Stream- Analytics(StreamAnalytics): Analytics auf großen, nicht persistierten Datenströmen Operational Systems Dispositive Systems Use Cases: a) Analytics auf “data in motion” Treiber: a) Zeitnahe Reaktion auf Events, die aus großen Datenströmen zu identifizieren sind Core DWH Analytics DWH Data Marts Data Warehouse Landing Zone Table Zone Deep Analytics Z. Sensor Big Data HUB OP OP OP Social Media 14 Beschreibung: Analytics auf großen Datenströmen durch Filterung, Aggregation und andere Berechnungen auf interessanten Teilbereich reduziert. Datenverarbeitung: • “Data-in-motion” • parallele Stream Prozessierung • Nur Ergebnisse werden persistiert Infrastruktur: - Stream Analytics Werkzeuge - Benutzung von Datenspeichern (DWH, Hadoop, Spark) für Ergebnis Persistierung OP OP Stream Analytics OP OP Stream Analytics IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 9 In-Memory-Analytics (InMemAnalytics) Verwendung des Hauptspeichers zur Beschleunigung von Analytics Operational Systems Beschreibung Hauptspeicherbasierte Datenverwaltung in Verbindung mit spaltenbasierter Organisation der Daten zur Beschleunigung von OLAP Analytics. Dispositive Systems Application Core DWH Analytics DWH Data Marts Data Warehouse Landing Zone Table Zone Deep Analytics Z. Big Data HUB OP OP OP Datenverarbeitung: • OLAP Load • High Performance Abfragen • Benötigt zusätzliche Persistierung (z.B. RDBMS) Infrastruktur: - In Memory Datenbank - Große Datenmengen benötigen trotz sehr guter Komprimierung (teuren) RAM OP OP In-Memory Analytics OP OP Stream Analytics 15 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation “All Shades of Analytics” in einer Gesamtübersicht Operational Systems Tx Tx Application 1 Dispositive Systems In-Transaction Analytics 2 Step of Workflow Post-Transaction Analytics ESB 7 Analytics Near-time Analytics Operational Analytics Extract Extract Core DWH Analytics DWH Data Marts 4 Data Warehouse Replication / Load 5 Landing Zone Table Zone External Sources 6 Big Data HUB OP Sensor Social Media 16 Deep Analytics Z. OP OP OP OP 8 OP OP Stream Analytics IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut Dispositive Analytics Big Data Analytics In-Memory Analytics 3 9 In-Hadoop Analytics Stream Analytics v 0.2 © 2015 IBM Corporation 3 Data Reservoir 17 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Typische Anforderungen der Fachbereiche bei UnternehmenN Fachbereichsmitarbeiter benötigen Zugang zu den Informationen ihres Unternehmens, um sie zu untersuchen, auszuwählen, zu kontrollieren und zu erweitern. Dabei möchten sie ihre eigene Geschäftsterminologie unter Berücksichtigung eines Mindestmaß an Sicherheit und Governance nutzen. Data Scientisten suchen Daten für neue analytische Modelle. • Day-to-day Aktivitäten • benötigen Ad-hoc Zugang zu einem weiten Feld an Datenquellen. • Unterstützen Analysen und Entscheidungsfindungen. • Verwenden Geschäftsterminologie. Marketiers suchen Daten für neue Kampagnen. Betrugsfahnder suchen Daten um die Details von suspekten Aktivitäten zu verstehen Erwünscht ist die Flexibilität von Spreed Sheets aber mit den Skalierungsmöglichkeiten für sehr große Volumen und eine breite Palette von unterschiedlichen Informationstypen - jedoch unter Berücksichtigung von Konzepten zum Schutz, Optimieren und Bereitstellen von Daten. 18 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation N resultieren in einem Spannungsfeld mit der IT des Unternehmens. Fachabteilungen möchten • • • uneingeschränkten Zugang zu allen verfügbaren Informationen mächtigere Analyse- und Visualisierungs-Werkzeuge Schnelle Umsetzung und niedrige Kosten für die Bereitstellung neuer Daten IT Abteilungen sorgen sich um • Fachabteilungen betreiben • • • • IT Abteilungen eigene Server mit zusätzlichen Daten • bewirtschaften Daten manuell meist fehlende Governance • betrachten Datenqualität als „IT Problem“ • Aufbau einer sog. Schatten-IT Compliance 19 • Klare und stabile Prozesse • Datenqualität und Pflegeprozesse • Wartung und Pflege von Anwendungen • Einhaltung von Unternehmensstandards Governance und regulatorische Anforderungen Datenqualität konzentrieren sich auf Kernbereiche wie z.B. Produktionssysteme und DWH verharren weiterhin in starren Prozessen ignorieren Brüche der Standards „saubere“ aber unflexible Kern-IT Unternehmens-Standards IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut Gesamt-IT-Kosten v 0.2 © 2015 IBM Corporation Der Wunsch: Ein Data Lake für alle verfügbaren Informationen Ein Data Lake • enthält alle verfügbaren Informationen eines Unternehmens (strukturiert/unstrukturiert, intern/extern) • bietet standardisierten Zugriff • enthält Daten unterschiedlicher Herkunft und Qualität koexistent nebeneinander Durch exzessive Nutzung dieses Konzeptes kann jedoch ein Data Swamp entstehen! • Nutzer verlieren den Überblick bei den verfügbaren Daten • Das Vertrauen in die Daten (-Qualität) geht schrittweise verloren • Informationen sind zwar verfügbar aber nicht auffindbar 20 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Die Idee: Ein Data Reservoir Ein Data Reservoir • enthält ebenfalls alle verfügbaren Informationen eines Unternehmens, verfügt jedoch über eine strenge „Zulaufkontrolle“ • enthält als zentrale Komponente einen Katalog mit Metadaten (fachlich, technisch, dynamisch) zu allen verfügbaren Informationen • Der Katalog ist der Schlüssel sowohl für die Kontrolle der Daten als auch für deren Nutzung 21 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 22 Was ist ein Data Reservoir? IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Was ist ein Data Reservoir? Data Reservoir Services Ein Data Reservoir ist ein Data Lake, der alle Daten eines Unternehmens für vielfältige Arten von Analytics enthält wie z.B.: – – – – – Discovery und Exploration Simple Ad-hoc Analysen komplexe Analysen für Geschäftsentscheidungen Reporting Echtzeit-Analysen Es ist möglich, Analytics in das Data Reservoir zu verlegen, um zusätzlichen Erkenntnisse über die Daten zu erlangen. Ein Data Reservoir verwaltet gemeinsam genutzte Repositories mit Informationen für analytische Zwecke. Jedes Data Reservoir Repository ist für einen speziellen Typ von Analytics optimiert (Real-time Analytics, Data Mining, explorative Analytics, OLAP, Reporting, …) 23 Data Reservoir Repositories Information Management and Governance Fabric Data Reservoir Daten können prinzipiell mehrfach in verschiedenen Repositories enthalten sein, sie wurden jedoch kontrolliert und katalogisiert mittels einer klar definierten Verarbeitungskette hinzugefügt. Daten können über unterschiedliche Schnittstellen - den Data Lake Services ausgelesen werden. IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation 24 11 Typisches FSS DWH Scenario IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation IBM Referenzarchitektur für Advanced Analytics und Big Data Alle Datenquellen Streaming Data Text Data Applications Data Advanced Analytics / New Insights Platform Merkmale • • • • Neue / erweiterte Anwendungen Information Ingest and Refinery Watson Batch & Real Time Analytics Warehouse & Analytic Appliances Information Governance Cognitive Learn Dynamically? Real-time Real-time Data Processing & Analytics Analytics Prescriptive Alerts Automated Process Best Outcomes? Zone Time Series Geo Spatial Information Ingestion and Operational Operational Information data zone Video & Image Landing, Exploration Landing and and Archive Exploration data zone Zone Deep Enterprise Warehouse Analytics and Mart dataZone zone Predictive What Could Happen? Descriptive What Has Happened? EDW and data mart zone Exploration and Discovery What Do You Have? Relational Information Governance, Security and Business Continuity Information Integration & Governance Social Network Systems Security Case Management Analytic Applications Cloud Services ISV Solutions Storage On premise, Cloud, As a service 25 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Ein typisches DWH / Analytics Szenario besteht meist aus mind. zwei voneinander getrennten Bereichen (Silos) mit separierten Daten-Domänen Operational Systems / Data ETL, Transformation, Cleasing Analytics Systems / DWH / EDWH Predict Data Integration SAP BI-BW SAP Module 26 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation In vielen Unternehmen der Finanzindustrie haben sich parallel mehrere DWH etabliert, welche separate Geschäftsbereiche abdecken Operational Systems / Data Analytics Systems / Data Integration Data Integration DWH A Predict DWH B SAP BI-BW SAP Module 27 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Aktuell haben viele Unternehmen ein weiteres Silo für PoCs/Projekte für Analytics auf nicht-strukturierten Daten auf Basis von Hadoop gestartet Operational Systems / Data Analytics Systems / Data Integration DWH A Data Integration DWH B Predict External Sources Social Media Big Data Analytics Sensor SAP BI-BW SAP Module 28 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Ein IBM Data Reservoir löst die Silos auf und etabliert eine Agile Datenversorgung für Self-Service BI für direkten Zugriff auf alle Unternehmensdaten Operational Systems / Data Analytics Systems / Social Media All Data / Data Types in as-is format External Sources ETL, Load, Replication Governance Catalog DWH A Data Mart Predict DWH B Data Mart Sensor Explore Big Data Analytics Data Mart Refinery SAP Module 29 Landing Zone SAP BI-BW Data Reservoir IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Zusammenfassung • Digitalisierung fördert massiv Analytics • Alle Arten von Arten sind betroffen • Viele Analytics sind prädestiniert für den Mainframe 30 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation BI-SPEKTRUM Ausgabe 01/2015 Titelthema: Big-Data-Architekturen http://www.tdwi.eu/fileadmin/user_uploa d/zeitschriften//2015/01/ehrmantraut_BI S_01_2015_jhre.pdf 31 IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht M. Ehrmantraut v 0.2 © 2015 IBM Corporation Thank You ! Michael Ehrmantraut Executive Information Architect Lead Architect IM FSS Germany Member of the IBM TEC IBM Deutschland GmbH Telefon: E-Mail: +49-171 223 7186 [email protected] Analytics
