Die vier zentralen Säulen einer Big-Data- Management

Werbung
WHITEPAPER
Die vier zentralen Säulen
einer Big-DataManagement-Lösung
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
EXECUTIVE SUMMARY ...................................................................................... 4 1. Big Data: ein „großer“ Begriff .......................................................................... 4 NEUE BIG-DATA-ANWENDUNGSFÄLLE .......................................................... 7 Empfehlungsdienste .............................................................................................. 7 Analyse von Marketingkampagnen ....................................................................... 7 Kundenbindungs- und Kundenabwanderungs-Analyse ........................................ 8 Analyse sozialer Graphen ..................................................................................... 8 Kapitalmarktanalyse .............................................................................................. 8 Prädiktive Analyse ................................................................................................. 9 Risikomanagement ............................................................................................... 9 Rogue Trading ...................................................................................................... 9 Betrugserkennung ................................................................................................. 9 Privatkundengeschäft .......................................................................................... 10 Netzwerküberwachung ........................................................................................ 10 Forschung und Entwicklung ................................................................................ 10 DIE HERAUSFORDERUNGEN VON BIG DATA ............................................... 11 Knappe Ressourcen ............................................................................................ 11 Schlechte Datenqualität + Big Data = Große Probleme ...................................... 11 Projekt-Governance ............................................................................................ 11 DIE VIER ZENTRALEN SÄULEN EINER BIG-DATA-MANAGEMENT-LÖSUNG
............................................................................................................................ 13 1. Big-Data-Integration ........................................................................................ 13 2. Big-Data-Verarbeitung .................................................................................... 14 3. Big-Data-Qualität ............................................................................................. 14 4. Big-Data-Projektmanagement und -Governance ............................................ 14 TALEND UND BIG DATA: VERFÜGBAR FÜR IHRE ANFORDERUNGEN VON
HEUTE ................................................................................................................ 15 Talend Open Studio for Big Data ........................................................................ 15 Talend Enterprise Big Data ................................................................................. 16 Talend Platform for Big Data ............................................................................... 16 RESÜMEE........................................................................................................... 16 2
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
ANHANG: TECHNOLOGIE-ÜBERBLICK.......................................................... 17 Das MapReduce-Framework .............................................................................. 17 So funktioniert Hadoop ........................................................................................ 17 Pig ....................................................................................................................... 18 Hive ..................................................................................................................... 18 HBase.................................................................................................................. 19 HCatalog ............................................................................................................. 19 Flume .................................................................................................................. 19 Oozie ................................................................................................................... 19 Mahout ................................................................................................................ 19 Sqoop .................................................................................................................. 20 NoSQL (Nicht „nur“ SQL) .................................................................................... 20 ÜBER TALEND................................................................................................... 21 Kontaktieren Sie uns ........................................................................................... 21 3
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Executive Summary
Mit dem Einzug von Big Data stehen Unternehmen heute vor einem technologischen
Paradigmenwechsel. Big Data sorgt für radikale und tiefgreifende Veränderungen im
Berufsbild des Datenmanagers und stellt völlig neue Anforderungen im Hinblick auf Volumen,
Schnelligkeit und Vielfalt von Unternehmensdaten. Um die Versorgung mit wertvollen und
aussagekräftigen Informationen sicherzustellen, müssen moderne Unternehmen ihre
Datentechnologien und -strategien überdenken und anpassen. Big Data liefert neue
Erkenntnisse zu Geschäftschancen (und -risiken) und kann moderne Unternehmen, wie wir
sie heute kennen, zumindest in Teilen grundlegend verändern. Folgendes können wir über
Big Data festhalten:
•
Big Data bedient reale Marktbedürfnisse auf der Grundlage neuer Technologien.
•
Während manche Unternehmen noch mögliche Einsatzgebiete sondieren, profitieren
andere bereits von nutzbringenden Big-Data-Anwendungen.
•
Zwar ist die Datenintegration äußerst wichtig für das Big-Data-Management, doch
künftig werden auch Projekt-Governance und Datenqualität eine Schlüsselrolle bei
Big-Data-Projekten spielen.
•
Die Experimentierphase ist vorbei. Big-Data-Projekte werden schon bald einen
strategischen Stellenwert im Unternehmen einnehmen.
•
Es werden Entwicklertools benötigt, um den Einzug dieser neuen Technologien
voranzutreiben und die jetzige Abhängigkeit von hochqualifizierten Entwicklern zu
verringern. Alle großen Infrastruktur- und Datenbankanbieter bringen momentan BigData-Lösungen auf den Markt.
1. Big Data: ein „großer“ Begriff
Der Begriff „Big Data“ ist schwer zu greifen. Was für eine Organisation als
„große“ Datenmenge gilt, muss für eine andere noch lange nicht groß sein. Big Data lässt sich
nicht über bestimmte Technologien definieren. Vielmehr umfasst Big Data eine Reihe von
Verfahren und Technologien. Bei Big Data handelt es sich um einen neuen, extrem
dynamischen Bereich, in dem wir gerade erst lernen, das volle Potenzial auszuschöpfen.
Daher verändert sich seine Definition. Dennoch glauben viele, dass Big Data neue Branchen
und Märkte hervorbringen und bestehende verändern wird. Denn Big-Data-Technologien
machen völlig neue Produkte und Funktionen möglich, von denen wir bisher nur zu träumen
wagten bzw. an die wir noch nicht einmal gedacht haben.
4
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
1.1 „Big“ Data
Wie der Name schon sagt, ist Big Data durch die Größe bzw. durch das Volumen der
Informationen gekennzeichnet. Doch neben der Größe sind auch Schnelligkeit und Vielfalt
von Bedeutung. Werfen wir zunächst einen Blick auf die Vielfalt. Der Begriff „Big Data“ bezieht
sich oft auf unstrukturierte und halbstrukturierte Inhalte, die in klassischen relationalen
Speicher- und IT-Umgebungen Probleme verursachen können. Unstrukturierte und
halbstrukturierte Daten findet man so gut wie überall. Zum Beispiel in Form von Webinhalten,
Twitter-Beiträgen und Kundenkommentaren. Eine wichtige Rolle spielt auch die Schnelligkeit,
d.h. die Geschwindigkeit, in der Daten erstellt werden. Mit den neuen Technologien können
wir jetzt riesige Datenmengen analysieren und nutzen, die aus Website-Protokolldateien,
Social-Media-Sentimentanalysen, Umgebungssensoren oder Video-Streams stammen. Wir
erhalten Einblicke, die früher nicht möglich waren.
Um die komplexen Herausforderungen besser zu verstehen, die Volumen, Schnelligkeit und
Vielfalt mit sich bringen, hier einige Beispiele:
•
Walmart wickelt stündlich über 1 Million Kundentransaktionen ab. Diese werden in
Datenbanken importiert, die schätzungsweise mehr als 2,5 Petabytes an Daten
enthalten. Das entspricht dem 167-Fachen der Information, die in sämtlichen Büchern
der Bibliothek des US-amerikanischen Kongresses enthalten ist.
•
In Facebook gibt es 40 Milliarden Nutzer-Fotos.
•
Die Entschlüsselung des menschlichen Genoms dauerte ursprünglich 10 Jahre. Jetzt
reicht eine Woche dafür aus.
•
Die Hadoop-Distribution Hortonworks managt über 42.000 Yahoo!-Rechner, die
täglich Millionen von Anfragen verarbeiten.
Diese Firmen sind bei weitem nicht die einzigen, die in Big-Data-Dimensionen denken. Immer
mehr Unternehmen erkennen, dass diese riesigen Datenspeicher voller wertvoller,
geschäftsrelevanter Informationen stecken.
1.2 „Big“ Technologien
Möchte man die Implikationen dieses neuen IT-Paradigmas verstehen, braucht man ein
grundlegendes Verständnis für die Technologien und die zentralen Konzepte, die sich hinter
Big Data verbergen. Big Data wird durch völlig neue Konzepte, Begriffe und Technologien
definiert. Grundlage für seine revolutionäre Entwicklung ist ein Konzept namens MapReduce.
MapReduce stellt eine massive parallele Umgebung bereit, in der schwierige, rechenintensive
Operationen innerhalb kürzester Zeit ausgeführt werden können.
5
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
2004 von Google eingeführt, ermöglicht MapReduce dem Programmierer, Daten so zu
transformieren, dass sich diese auf einem Cluster mit mehreren Tausend parallel arbeitenden
Rechnern verarbeiten lassen. Wesentlicher Kern ist die Verwendung einer Reihe von „Maps“,
mit denen sich eine Aufgabe auf mehrere parallele Server verteilen lässt. Anschließend
werden die Ergebnisse von jeder Map-Instanz mithilfe einer „Reduce“-Funktion konsolidiert,
um eine Lösung für das ursprüngliche Problem zu finden.
Viele Big-Data-Technologien sind quelloffen verfügbar, darunter Hadoop, Pig und Hive. Open
Source bietet zahlreiche Vorteile wie z.B. standardbasierte Interoperabilität, CommunityEntwicklung, Kostenvorteile gegenüber proprietärer Software und kontinuierliche Innovation.
Eine detailliertere Beschreibung zur Funktionsweise der MapReduce-Technologie, sowie ein
Glossar zu den Big-Data-Technologien finden Sie im Anhang dieses Whitepapers.
1.3 „Big“ Paradigmenwechsel
Big-Data-Technologien haben schon jetzt unser Leben grundlegend verändert. Facebook,
Groupon, Twitter, Zynga und zahlreiche andere neue Geschäftsmodelle haben ihre Existenz
diesen neuen Technologien zu verdanken. Wir erleben gerade einen technologischen
Paradigmenwechsel, der noch größere Auswirkungen haben könnte als die
Kommerzialisierung des Internets Ende der neunziger Jahre. Ganze Branchen und Märkte
werden betroffen sein, wenn wir die neuen Technologien nach und nach dazu nutzen, die
Funktionen und die Bereitstellung der heute verfügbaren Produkte und Services zu
verbessern, und sogar völlig neue Möglichkeiten schaffen, von denen wir früher nur träumen
konnten.
Nehmen wir als Beispiel die einheitliche Sicht auf den Kunden, die von
Stammdatenmanagement-Produkten bereitgestellt wird. Die Lösungen, die heute auf dem
Markt sind, verwenden einen eher statischen relationalen Speicher zum Persistieren der
Daten und müssen einen Algorithmus im Batch-Modus ausführen, um eine ganzheitliche Sicht
zu erhalten. Der Nachteil dieser Lösungen ist ihre begrenzte Performance und
Speicherkapazität bei der Verwendung eines eindeutigen Datensatzes. Hadoop setzt diesen
Beschränkungen ein Ende. Es ermöglicht, eine einheitliche Sicht auf den Kunden „on the
fly“ zu erstellen, die mehr Informationen enthalten kann (z.B. Transaktionsdaten). Wie würden
wir die auf Social-Media-Sites eingefangene Kundenstimmung nutzen, um die Sicht auf den
Kunden zu vervollständigen?
Diese Art von Neuerungen könnte manch bestehenden Markt durcheinanderwirbeln. Denken
wir an ERP und Data-Warehousing, wo Big Data eine wichtige Rolle für Data-Warehouseund Analyseprodukte der nächsten Generation spielt. Wie wäre es, wenn wir mit Big-Data-
6
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Technologien eine operative Datenbank ersetzen würden? Das mag radikal klingen, aber der
Gedanke ist alles andere als abwegig. Denn mit Big-Data-Open-Source-Tools lassen sich
einige dieser Funktionen erweitern und teilweise sogar ersetzen. Zudem liefern sie neue
Ansätze für ein modernes und effektives Datenmanagement. Wir befinden uns inmitten eines
massiven Technologiewandels, der gravierende gesellschaftliche Veränderungen mit sich
bringen wird.
Big Data verändert alles.
Neue Big-Data-Anwendungsfälle1
Big Data ist ein relativ neues, dynamisches Feld, doch es gibt einige Einsatzgebiete, von
denen Unternehmen bereits heute profitieren. Hier einige Beispiele:
Empfehlungsdienste
Seit Jahren arbeiten Unternehmen wie Amazon, Facebook und Google mit
Empfehlungsdiensten, um Produkte, Dienstleister und Anzeigen vorzuschlagen und diese auf
der Grundlage von Verhaltensdaten- und Nutzerprofilanalysen auf die Anwender
abzustimmen. Die effektive Analyse derart großer Datenmengen war eines der ersten
Probleme, die mithilfe von Big Data gelöst werden konnten. Dies hat die Entwicklung der
Technologie, wie wir sie heute kennen, maßgeblich geprägt.
Analyse von Marketingkampagnen
Je mehr Informationen im Marketing zur Verfügung stehen, desto genauer lassen sich
Zielgruppen definieren und ansprechen. Mit Big Data können riesige Datenmengen analysiert
werden – eine Aufgabe, die mit klassischen relationalen Lösungen nicht zu bewältigen ist.
Marketingexperten können jetzt Zielgruppen besser definieren und Produkte und Services
gezielter auf den Kunden abstimmen. Mithilfe von Big Data können Marketingteams große
Datenmengen aus neuen Datenquellen (z.B. Clickstream- und Verbindungsdaten) evaluieren,
um neue Erkenntnisse zum Einkaufsverhalten der Kunden zu gewinnen.
1
“Big Data Use Cases”. Amir Halfon.http://www.finextra.com/community/fullblog.aspx?blogid=6276
7
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Kundenbindungs- und Kundenabwanderungs-Analyse
Je mehr Produkte ein Kunde kauft, desto geringer ist die Wahrscheinlichkeit, dass er
abwandert. Aus diesem Grund betreiben viele Organisationen einen großen Aufwand, um ihre
Cross-Selling- und Up-Selling-Aktivitäten zu verbessern. Heterogene Datenformate und
Governance-Probleme machen es allerdings oft schwierig, Kunden und Produkte über
verschiedene Geschäftssparten hinweg zu analysieren. Manche Unternehmen sind in der
Lage, ihre Daten in ein Hadoop-Cluster zu laden, um eine breit angelegte Analyse
durchzuführen und Muster zu identifizieren. Dadurch erfahren sie, welche Kunden am
ehesten zu einem anderen Anbieter wechseln werden oder – noch besser – welche Kunden
am ehesten dazu bereit sind, ihre Beziehung zum Unternehmen zu vertiefen.
Daraufhin können Unternehmen aktiv werden, um solche Kunden zu halten oder um ihnen
Anreize zu geben.
Analyse sozialer Graphen
In allen sozialen Netzwerken oder Communitys gibt es User und „Superuser“. Häufig ist es
schwierig, solche Meinungsmacher innerhalb dieser Gruppen ausfindig zu machen. Mit Big
Data lassen sich Daten aus sozialen Netzwerken analysieren, um die Nutzer auszumachen,
die den größten Einfluss auf andere Nutzer innerhalb dieser sozialen Netzwerke ausüben. Auf
diese Weise können Unternehmen die „wichtigsten“ Kunden bestimmen. Dies können –
müssen aber nicht zwangsläufig – die Kunden sein, die sich auf herkömmliche Art und Weise
mittels Geschäftsanalysen ermitteln lassen (die Kunden mit den meisten Produkten oder den
größten Ausgaben).
Kapitalmarktanalyse
Ob wir uns für allgemeine wirtschaftliche Indikatoren, spezielle Marktindikatoren oder für die
Stimmung gegenüber bestimmten Unternehmen oder Aktien interessieren – die
Datenmengen, die analysiert werden können, sind riesig, egal ob aus klassischen oder neuen
Quellen. Zwar werden elementare Schlagwortanalysen und Entity-Extraction-Methoden schon
seit Jahren verwendet, doch die Kombination alter und neuer Datenquellen wie Twitter und
andere Social-Media-Plattformen liefern ein viel genaueres Bild über das, was die Menschen
denken – und das nahezu in Echtzeit. Die meisten Finanzinstitute nutzen heute
Sentimentanalysen, um die öffentliche Meinung über ihr Unternehmen, den Markt oder über
die Wirtschaft allgemein einzuschätzen.
8
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Prädiktive Analyse
Auf den Kapitalmärkten arbeiten Analysten mit erweiterten Korrelationsalgorithmen und
Wahrscheinlichkeitsrechnungen auf Basis aktueller und historischer Daten, um
Marktveränderungen vorherzusagen. Aufgrund der großen Mengen historischer Marktdaten
und der hohen Geschwindigkeit, in der neue Daten evaluiert werden müssen (z.B. komplexe
Derivatbewertungen) ist dies ein Fall für Big Data. Da Big-Data-Technologien solche
Berechnungen schneller und auf handelsüblicher Hardware ausführen können, sind sie ein
zuverlässiger Ersatz für den relativ langsamen und teuren alten Ansatz geworden.
Risikomanagement
Moderne Organisationen mit aggressiven Geschäftsmodellen möchten ihr Risiko mittels
kontinuierlichem Risikomanagement und einer genaueren Analyse von Risikofaktoren auf
Basis größerer Datensätze begrenzen. Zudem steigt der Druck, Daten trotz wachsenden
Volumens schneller zu analysieren. Da Big-Data-Technologien den Datenzugriff und die
Datenverarbeitung parallel abwickeln können, werden sie immer häufiger eingesetzt, um
Probleme wie diese zu lösen. Ob im Rahmen einer übergreifenden Analyse oder der
Integration von Risiko- und Finanzmanagement– für die Ermittlung risikoangepasster
Renditen bzw. Gewinne und Verluste muss eine wachsende Menge an Daten aus mehreren
eigenständigen Abteilungen innerhalb des Unternehmens integriert, abgerufen und „on the
fly“ analysiert werden.
Rogue Trading
Deep-Analytics-Verfahren, die Abrechnungsdaten mit Positionsverfolgungs- und
Auftragsmanagementsystemen korrelieren, können wertvolle Einblicke liefern, die mit
herkömmlichen Datenmanagement-Tools nicht möglich waren. Um hier Probleme zu
identifizieren, müssen riesige Mengen an Daten in nahezu Echtzeit aus mehreren
heterogenen Quellen verarbeitet werden. Diese rechenintensive Aufgabe kann jetzt mit BigData-Technologien bewältigt werden.
Betrugserkennung
Die Korrelation von Daten aus mehreren, unzusammenhängenden Quellen vereinfacht die
Erkennung betrügerischer Aktivitäten. Ein Beispiel ist die Korrelation von Kredit-/Debitkarten-,
Smartphone-, Geldautomat- und Online-Banking-Aktivitäten mit einer Analyse des Online-
9
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Verhaltens (entweder auf der Website der Bank oder auf externen Seiten). Hier hilft Big Data,
betrügerische Aktivitäten aufzuspüren.
Privatkundengeschäft
Im Privatkundengeschäft von Banken hat die präzise Einschätzung des Risikoprofils eines
Kunden oder eines Darlehens entscheidenden Einfluss darauf, ob dem Kunden eine
bestimmte Dienstleistung angeboten (oder verweigert) wird. Eine richtige Bewertung schützt
die Bank und sorgt für zufriedene Kunden. Mit dem wachsenden Zugriff auf immer
vollständigere Kundendaten können Banken ihr Serviceangebot genauer und zuverlässiger
auf den Kunden ausrichten. Darüber hinaus sind wichtige Ereignisse im Leben der Kunden,
wie beispielsweise eine Hochzeit, eine Geburt oder der Kauf eines Eigenheims, besser
vorhersehbar und erleichtern Cross-Selling- oder Up-Selling-Aktivitäten.
Netzwerküberwachung
Big-Data-Technologien werden eingesetzt, um Netzwerke jeglicher Art zu analysieren. Von
besseren Analysen können beispielsweise Verkehrsnetze, Kommunikationsnetze,
Polizeinetze und selbst lokale Firmennetze profitieren. Nehmen wir ein LAN als Beispiel.
Mithilfe von Big-Data-Technologien können Administratoren die riesigen Datenmengen aus
Servern, Netzwerkgeräten und anderer IT-Hardware nutzen, um Netzwerkaktivitäten zu
überwachen und Engpässe sowie andere Probleme zu erkennen, bevor sie sich negativ auf
die Produktivität auswirken.
Forschung und Entwicklung
Unternehmen mit einer großen Forschungs- und Entwicklungsabteilung, wie z.B.
Arzneimittelhersteller, nutzen Big-Data-Technologien, um die enormen Mengen textbasierter
Forschungsdaten und anderweitiger historischer Daten zu durchsuchen. Die gewonnen
Informationen werden dann bei der Entwicklung neuer Produkte herangezogen.
10
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Die Herausforderungen von Big Data
Big Data bietet große Chancen, bringt aber auch erhebliche Herausforderungen mit sich. Es
umfasst eine Reihe relativ neuer Technologien, die recht komplex zu erlernen sind. Dabei gibt
es weder Tools, um die Verbreitung und Entwicklung voranzutreiben, noch ausreichend
qualifizierte Fachkräfte. Tatsächlich sind die meisten Big-Data-Projekte genau das: ein Projekt.
Sie sind noch nicht in die Governance-Strukturen für Projektmanagement und DataGovernance eingebunden, wie man es bei größeren Unternehmen erwarten würde. Doch das
wird sich mit Sicherheit ändern. Lassen Sie uns nun einen Blick auf diese Herausforderungen
werfen.
Knappe Ressourcen
Die meisten Entwickler und IT-Architekten, die wirklich etwas von Big Data „verstehen“,
arbeiten für die einstigen Wegbereiter der Big-Data-Technologien, also Unternehmen wie
Facebook, Google, Yahoo und Twitter, um nur einige zu nennen. Andere sind bei den
zahlreichen Start-up-Unternehmen wie Hortonworks, Cloudera und MapR beschäftigt. Die
Materie ist immer noch recht komplex. Deswegen kommen neue Big-Data-Experten nur
langsam nach. Erschwerend kommt hinzu, dass es auf diesem jungen Markt nur wenige
Tools gibt, die bei der Entwicklung und Implementierung dieser Projekte helfen.
Schlechte Datenqualität + Big Data = Große Probleme
Je nachdem, welches Ziel mit einem Big-Data-Projekt verfolgt wird, kann eine schlechte
Datenqualität das Ergebnis massiv beeinflussen. Inkonsistente oder falsche Daten könnten
sich geradezu exponentiell auf Big-Data-Analysen auswirken. Da immer mehr Analysen auf
Basis von Big Data durchgeführt werden, wächst auch der Bedarf an Lösungen für die
Validierung, Standardisierung, Anreicherung und Harmonisierung von Daten. Selbst die
Identifizierung von Verknüpfungen kann als Datenqualitätsproblem gesehen werden, das für
Big-Data-Projekte gelöst werden muss.
Projekt-Governance
Wenn es um Big Data geht, bekommen die Verantwortlichen meist nur die vage Anweisung
vom CTO, „das Projekt irgendwie zu schaukeln“. Big Data hat seine große Zeit noch vor sich.
Die meisten Organisationen versuchen noch herauszufinden, welche Potenziale Big Data
bietet, und starten ein Forschungsprojekt oder gründen eine Art SWAT-Team. Normalerweise
werden Projekte wie diese nicht gemanagt. Es geht fast wie im „wilden Westen“ zu. Genauso
wie dies in anderen Bereichen des Datenmanagements der Fall ist, werden auch diese
Projekte letztendlich bestehende Unternehmensstandards und anerkannte
11
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Projektmanagement-Normen für die Organisation, Bereitstellung und gemeinsame Nutzung
von Projektartefakten erfüllen müssen.
Zwar gibt es noch einige Herausforderungen, doch die Technologie ist stabil. Es ist reichlich
Wachstums- und Innovationspotenzial vorhanden, denn der komplette DatenmanagementLebenszyklus einschließlich Qualität und Governance kann in dieses neue IT-Paradigma
übertragen werden. Das Interesse für Big-Data-Technologien ist riesig. Bald wird genügend
qualifiziertes Personal zur Verfügung stehen, um die Verbreitung von Big Data zu
unterstützen.
12
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Die vier zentralen Säulen einer Big-DataManagement-Lösung
Integration ist der Motor, Codegenerierung der Treibstoff.
Um die genannten Herausforderungen zu bewältigen, kommt es beim Aufbau einer Big-DataManagement-Lösung im Wesentlichen auf vier Säulen an: Big-Data-Integration, Big-DataBearbeitung, Big-Data-Qualität und Big-Data-Projektmanagement und -Governance. Talend,
ein führender Anbieter von Open-Source-Integrationslösungen, bietet all das in einer intuitiven
Datenmanagement-Umgebung, mit der sich Entwicklung, Implementierung und Governance
von Big Data vereinfachen lassen.
1. Big-Data-Integration
Das Laden großer Datenmengen (zahlreiche Logdateien, Daten von operativen Systemen,
Social-Media-Plattformen, Sensoren oder aus anderen Quellen) in Hadoop über HDFS,
HBase, Sqoop oder Hive wird als operatives Datenintegrationsproblem betrachtet. Talend
bietet eine unmittelbare Lösung, mit der sich herkömmliche Ressourcen wie Datenbanken,
Anwendungen und Dateiserver direkt mit Big-Data-Technologien verknüpfen lassen.
Talend stellt eine Reihe intuitiver grafischer Komponenten und einen Arbeitsbereich bereit,
der die Interaktion mit einer Big-Data-Quelle oder einem Big-Data-Ziel ermöglicht, ohne dass
dafür komplizierter Code erlernt oder geschrieben werden muss. Die Konfiguration der
jeweiligen Big-Data-Verbindung wird grafisch dargestellt und der zugrunde liegende Code
automatisch erzeugt. Dieser lässt sich anschließend als Dienst, ausführbare Datei oder
eigenständiger Job ausführen. Dabei kommen sämtliche Talend-Komponenten für die
Datenintegration (Anwendung, Datenbank, Service und sogar ein Stammdaten-Hub) zum
Einsatz, sodass der Datenaustausch von beliebigen Quellen bzw. mit beinahe jedem Ziel
koordiniert werden kann. Zudem bietet Talend grafische Komponenten, die eine einfache
Konfiguration von NoSQL-Technologien wie MongoDB, Cassandra, Hive und HBase erlauben,
um einen direkten, spaltenorientierten Echtzeit-Lese-/Schreibzugriff auf Big Data zu
ermöglichen.
13
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
2. Big-Data-Verarbeitung
Es gibt eine Reihe von Tools, die es dem Entwickler erlauben, eine Big-Data-Parallelisierung
durchzuführen, um Transformationen riesiger Datenmengen vorzunehmen.
Programmiersprachen wie Apache Pig bieten eine Skriptsprache zum Vergleichen, Filtern,
Auswerten und Gruppieren von Daten innerhalb eines HDFS-Clusters. Talend abstrahiert
diese Funktionen in einen Komponentensatz, sodass diese Skripts in einer grafischen
Umgebung und als Teil eines Datenflusses definiert werden können. Auf diese Weise können
sie schnell entwickelt werden, ohne dass spezielle Kenntnisse der zugrunde liegenden
Sprache erforderlich sind.
3. Big-Data-Qualität
Talend bietet Datenqualitätsfunktionen, die auf die massiv-parallele Umgebung von Hadoop
zurückgreifen. Diese Datenqualitätsfunktionen stellen explizite Features und Tasks bereit, mit
denen Sie Duplikate innerhalb riesiger Datenspeicher mittels Profiling binnen weniger
Augenblicke – statt mehrerer Tage – analysieren und identifizieren können. Dabei handelt es
sich um eine natürliche Erweiterung von Enterprise-Datenqualitäts- und
Datenintegrationslösungen und Best Practices.
4. Big-Data-Projektmanagement und -Governance
Die meisten frühen Big-Data-Projekte wurden ohne explizite Projektmanagement-Strukturen
abgewickelt. Doch das wird sich mit Sicherheit ändern, sobald sie Teil eines größeren
Systems sind. Unternehmen werden dann Standards und Verfahren um diese Projekte herum
definieren müssen, so wie es in der Vergangenheit mit Datenmanagementprojekten der Fall
war. Talend bietet eine umfassende Palette an Funktionen für das Big-DataProjektmanagement. Mit Talend können die Anwender beliebige Big-Data-Jobs planen,
überwachen und bereitstellen und ein gemeinsames Repository nutzen, das die
Zusammenarbeit der Entwickler sowie die Freigabe von Projekt-Metadaten und Artefakten
ermöglicht. Darüber hinaus vereinfacht Talend Konstrukte wie HCatalog und Oozie.
14
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Talend und Big Data: verfügbar für Ihre
Anforderungen von heute
Mit dem Open-Source-Ansatz und der flexiblen Integrationsplattform für Big Data von Talend
können Benutzer problemlos Daten aus verschiedenen Systemen verbinden und analysieren,
um den geschäftlichen Erfolg ihres Unternehmens zu steigern. Talends Big-Data-Funktionen
lassen sich mit den Lösungen führender Big-Data-Anbieter wie etwa Cloudera, Hortonworks,
Google, EMC/Greenplum, MapR, Netezza, Teradata und Vertica integrieren. Diese
Vielseitigkeit macht Talend zu einem der führenden Anbieter im Bereich des Big-DataManagement. Unser Ziel ist es, den Big-Data-Markt zu „demokratisieren“, genau wie wir dies
schon bei der Datenintegration, Datenqualität, Stammdatenverwaltung,
Anwendungsintegration und beim Business Process Management getan haben.
Talend bietet drei Big-Data-Produkte:
1.
Talend Open Studio for Big Data
2.
Talend Enterprise Big Data
3.
Talend Platform for Big Data
Talend Open Studio for Big Data
Talend Open Studio for Big Data ist ein Open-Source-Entwicklungstool, das unsere Big-DataKomponenten für Hadoop, Hbase, Hive, HCatalog, Oozie, Sqoop und Pig umfasst und auf
unserer Datenintegrationslösung Talend Open Studio basiert. Das Tool wurde unter ApacheLizenz in der Community veröffentlicht. Es erlaubt dem Nutzer, alte und neue Systeme
miteinander zu verbinden, da Hunderte Komponenten für bestehende Systeme wie SAP,
Oracle, DB2, Teradata und viele andere enthalten sind. Download unter: www.talend.com.
15
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Talend Enterprise Big Data
Talend Enterprise Big Data erweitert Talend Open Studio for Big Data um professionellen
technischen Support sowie um Funktionen der Enterprise-Klasse. Organisationen, die auf
diese Version aufrüsten, profitieren von erweiterten Kollaborations-, Überwachungs- und
Projektmanagementfunktionen.
Talend Platform for Big Data
Talend Platform for Big Data löst die Herausforderungen von Big-Data-Integration,
Datenqualität und Big-Data-Governance. Sie vereinfacht das Laden, Extrahieren und
Verarbeiten großer und vielfältiger Datenbestände und ermöglicht dadurch schnellere und
fundiertere Entscheidungen. Datenqualitätskomponenten ermöglichen das Profiling, die
Bereinigung und den Abgleich von Big Data durch die Verwendung einer massiv-parallelen
Umgebung wie Hadoop. Erweiterte Cluster-Funktionen erlauben die Integration von
Datenmengen jeder Größenordnung.
Talend Platform for Big Data on Top zur Talend Unified Platform verbessert die Produktivität
im Bereich Datenmanagement durch die Nutzung eines gemeinsamen Code-Repositorys und
einer Reihe von Tools für die Planung, das Metadatenmanagement, die Datenverarbeitung
und das Enablement von Services.
Weitere Informationen zu den Funktionen der einzelnen Produktversionen finden Sie unter
www.talend.com.
Resümee
Mit dem Einzug von Big Data stehen Unternehmen heute vor einem technologischen
Paradigmenwechsel. Die effiziente Nutzung dieser massiven Datenmengen liefert neue
Erkenntnisse zu Geschäftschancen (und -risiken). Big Data bietet große Chancen, bringt aber
auch erhebliche Herausforderungen mit sich. Es umfasst eine Reihe relativ neuer
Technologien, die recht komplex zu erlernen sind. Dabei gibt es weder Tools, um die
Verbreitung und Entwicklung voranzutreiben, noch ausreichend qualifizierte Fachkräfte. Mit
dem Open-Source-Ansatz und der flexiblen Integrationsplattform für Big Data unterstützt
Talend die Benutzer dabei, Daten problemlos aus verschiedenen Systemen zu verbinden und
zu analysieren, um den geschäftlichen Erfolg ihres Unternehmens zu steigern
16
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Anhang: Technologie-Überblick
Das MapReduce-Framework
MapReduce bildet die Grundlage für Big-Data-Technologien wie Hadoop. Das Hadoop
Distributed File System (HDFS) beispielsweise verwendet diese Komponenten, um Daten zu
persistieren, Funktionen auszuführen und Ergebnisse zu ermitteln. NoSQL-Datenbanken wie
MongoDB und Cassandra setzen die Funktionen ein, um Daten zu speichern und für die
entsprechenden Services abzurufen. Hive nutzt das Framework als Basis für ein DataWarehouse.
So funktioniert Hadoop
Hadoop wurde entwickelt, weil die bestehenden Ansätze nicht für die Verarbeitung großer
Datenmengen geeignet waren. Konkret sollte Hadoop dazu dienen, täglich das gesamte
World Wide Web zu indexieren. 2004 entwickelte Google das Paradigma MapReduce. Yahoo!
startete Hadoop 2005 als Implementierung von MapReduce und veröffentlichte es 2007 als
Open-Source-Projekt. Prinzipiell verfügt Hadoop wie jedes andere Betriebssystem auch über
die grundlegenden Konstrukte, die erforderlich sind, um Rechenaufgaben auszuführen. Es hat
ein Dateisystem, eine Sprache zum Schreiben von Programmcode, einen Mechanismus, um
die Verteilung dieses Programmcodes über ein verteiltes Cluster zu verwalten, und eine
Methode, um die Ergebnisse dieses Programmcodes zusammenzutragen. Letzten Endes
besteht das Ziel darin, einen einzigen Ergebnissatz zu erhalten.
Mit Hadoop werden große Datenmengen in mehrere Teile zerlegt und auf eine Reihe von
Nodes verteilt, die auf handelsüblicher Hardware laufen. Zum Schutz vor Node-Ausfällen
werden die Informationen in dieser Struktur mehrfach auf verschiedene Nodes repliziert. Die
Daten sind nicht in relationalen Zeilen und Spalten organisiert, wie man es in der klassischen
Persistenz erwarten würde. Auf diese Weise lassen sich strukturierte, halbstrukturierte und
unstrukturierte Inhalte speichern.
Das HDFS arbeitet mit vier verschiedenen Arten von Nodes:
•
Der „Name Node“ liefert Informationen zum Standort der Daten. Er weiß, welche
Nodes verfügbar sind, wo genau im Cluster sich bestimmte Daten befinden und
welche Nodes ausgefallen sind.
•
Der „Secondary Node“ fungiert als Backup für den „Name Node“.
17
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
•
Der „JobTracker“ koordiniert die Datenverarbeitung mittels MapReduce.
•
Die „Slave Nodes“ speichern Daten und befolgen die Anweisungen des „JobTracker“.
Ein JobTracker bildet den Einsprungspunkt für einen „Map-Job“ oder einen Prozess, der auf
die Daten angewendet werden soll. Ein Map-Job ist in der Regel eine in Java geschriebene
Abfrage und bildet den ersten Schritt im MapReduce-Prozess. Der JobTracker fordert den
Name Node auf, die erforderlichen Daten für die Ausführung des Jobs zu identifizieren und zu
lokalisieren. Sobald er über diese Informationen verfügt, sendet er die Abfrage an die
entsprechenden Nodes. Die nötige Datenverarbeitung erfolgt innerhalb der dafür
vorgesehenen Nodes. Diese massiv-parallele Vorgehensweise ist charakteristisch für
MapReduce.
Sobald die Nodes mit der Verarbeitung fertig sind, speichern sie die Ergebnisse. Der Client
initiiert anschließend einen „Reduce-Job“. In einem nächsten Schritt werden die Ergebnisse
zusammengeführt, um die „Antwort“ für die ursprüngliche Abfrage festzulegen. Der Client
kann schließlich auf diese Ergebnisse auf dem Dateisystem zugreifen und für seine Zwecke
verwenden.
Pig
Beim Apache Pig-Projekt handelt es sich um eine höhere Datenfluss-Programmiersprache
und ein Execution-Framework für die Erstellung von MapReduce-Programmcode, der mit
Hadoop verwendet wird. Die abstrakte Sprache für diese Plattform heißt Pig Latin. Sie
abstrahiert den Programmiercode in eine Notation, sodass der MapReduce-Programmiercode
dem Code von SQL-Systemen für relationale Datenbankmanagementsysteme (RDBMS)
ähnelt. Pig Latin lässt sich mittels UDF (User Defined Functions) erweitern, die der Nutzer in
Java schreiben und direkt von der Sprache abrufen kann.
Hive
Apache Hive, eine (ursprünglich von Facebook) entwickelte Data-Warehouse-Infrastruktur auf
Basis von Hadoop, ermöglicht Datenzusammenfassungen, Ad-hoc-Abfragen und die Analyse
großer Datensätze. Sie bietet einen Mechanismus, um eine Struktur auf diese Daten zu
projizieren und die Daten mittels HiveQL, einer SQL-ähnlichen Sprache, abzufragen. Zudem
vereinfacht Hive die Integration mit Business Intelligence- und Visualisierungstools.
18
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
HBase
HBase ist eine nicht relationale, spaltenorientierte Datenbank, die auf das Hadoop Distributed
File System (HDFS) aufsetzt. Sie bietet einen fehlertoleranten Speicher und einen schnellen
Zugriff auf große Mengen an Sparse Data. Zudem erweitert sie Hadoop um
Transaktionsfunktionen, sodass der Nutzer die Möglichkeit zum Aktualisieren, Einfügen und
Löschen hat. HBase wurde ursprünglich von Facebook für dessen Messaging-Systeme
entwickelt und wird auch von eBay intensiv genutzt.
HCatalog
HCatalog ist ein Tabellen- und Speicher-Management-Service für Daten, die mittels Apache
Hadoop erstellt werden. Dieser Service gewährleistet die Interoperabilität zwischen
Datenverarbeitungstools wie Pig, MapReduce, Streaming und Hive und ermöglicht die
gemeinsame Nutzung von Schemata und Datentyp-Mechanismen.
Flume
Flume ist ein System von Agents, die sich in einem Hadoop-Cluster befinden. Diese Agents
sind innerhalb der gesamten IT-Infrastruktur implementiert, sammeln Daten und integrieren
sie dann wieder in Hadoop.
Oozie
Oozie ist ein Workflow-System, das Jobs koordiniert, die in verschiedenen Sprachen wie etwa
MapReduce, Pig und Hive geschrieben wurden. Es stellt Verbindungen zwischen diesen Jobs
her und erlaubt es, die Reihenfolge bzw. Abhängigkeiten untereinander festzulegen.
Mahout
Mahout ist eine Data-Mining-Bibliothek, die gängige Algorithmen für das Clustering und für die
statistische Modellierung in MapReduce implementiert.
19
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Sqoop
Bei Sqoop handelt es sich um einen Satz an Datenintegrationstools, mit denen Nicht-HadoopDatenspeicher mit herkömmlichen relationalen Datenbanken und Data-Warehouses
interagieren können.
NoSQL (Nicht „nur“ SQL)
NoSQL bezieht sich auf eine große Gruppe von Datenspeicher-Mechanismen, die sich
erheblich von den bekannten, herkömmlichen relationalen Datenbanken (RDBMS)
unterscheiden. Diese Technologien implementieren ihre eigene Abfragesprache und basieren
in der Regel auf erweiterten Programmierstrukturen für Schlüssel-/Wert-Beziehungen,
definierte Objekte, Tabellenmethoden oder Tupel. Der Begriff wird oft verwendet, um die
große Vielfalt an Datenspeichern zu beschreiben, die als Big Data klassifiziert sind. Einige der
größten Namen in der Big-Data-Welt sind u.a. Cassandra, MongoDB, NuoDB, Couchbase
und VoltDB.
20
WHITEPAPER Die vier zentralen Säulen einer Big-Data-Management-Lösung
Über Talend
Talend ist einer der größten Pure-Play-Anbieter von Open-Source-Software und bietet ein
vielfältiges Portfolio an Middleware-Lösungen für das Datenmanagement und die
Anwendungsintegration. Weitere Informationen erhalten Sie unter www.talend.com.
Kontaktieren Sie uns
http://de.talend.com/contact
[email protected]
[email protected]
[email protected]
© Talend 2013
WP158-DE
21
Herunterladen