Das assoziative Modell von Qlik
Werbung
Whitepaper Das assoziative Modell von Qlik Erkennen Sie, was wirklich in Ihren Daten steckt! Januar 2016 qlik.com Inhalt Einleitung 3 Das assoziative Modell von Qlik 3 Abfragebasierte Visualisierungs-Tools zeigen nur eine Seite der Medaille 4 Die Nachteile abfragebasierter Tools 4 Eine Analogie 5 Das assoziative Modell von A bis Z 6 Assoziationen und Zusammenhänge begreifen 6 Untersuchen und durchsuchen 7 Die wichtigsten Vorteile 8 Das assoziative Modell von Qlik im Vergleich zu abfragebasierten Tools 9 Weitere Informationen 9 Anhang: Ein Blick hinter die Technologie-Kulissen 11 In-Memory: Indizierte und hoch optimierte Daten 11 Dynamische Berechnungen für blitzschnelle Auswertungen 11 Abfragen hinken hinterher 12 Das assoziative Modell von Qlik | 2 Einleitung Dieses Whitepaper beschreibt das assoziative Modell, welches die Basis und Alleinstellungsmerkmal aller Qlik®-Produkte ist. Es bietet einen Überblick über die äußerst interaktive Benutzerumgebung und die Unterschiede zwischen der Qlik-Technologie und abfragebasierten Visualisierungswerkzeugen. Es wird gezeigt, wie man die Durchführung von Analysen von Grund auf verbessern und dadurch noch genauere Einblicke in Daten gewinnen kann. Folgende Fragen werden beantwortet: Was ist das assoziative Modell von Qlik? Was ist daran so anders? und Wie sorgt es für bessere Entscheidungen? Das Whitepaper richtet sich an Entscheider aus Fachbereich und IT, die sich mit der Auswahl und dem Vergleich visueller Analysesoftware beschäftigen. Qlik auf einen Blick 1993 gegründet in Lund, Schweden Rund 37.000 Kunden in über 100 Ländern Lösungen mit Führungsanspruch auf dem Visual-Analytics-Markt: Qlik Sense® Visuelle Analysen der nächsten Generation QlikView® Das assoziative Modell von Qlik Die Analysemöglichkeiten der Qlik-Produkte beruhen auf dem assoziativen Modell. Damit können alle Mitarbeiter eines Unternehmens erkennen was wirklich in ihren Daten steckt – unabhängig von ihren Vorkenntnissen. Unterstützt durch unsere patentierte, In-Memory-Engine zur Datenindizierung (QIX) werden mit den Qlik-Produkten Zusammenhänge in den Daten sichtbar, nach denen die Anwender auch datenquellenübergreifend suchen können. Auswertungen sind uneingeschränkt möglich, beispielsweise auch einfache Suche und Auswahl oder durch Fragen, die in jede beliebige Richtung gehen können. lm Gegensatz zu abfragebasierten Visualisierungs-Tools und traditionellen BI-Lösungen schränken Qlik-Produkte den Anwender nicht ein. Es gibt keine vordefinierten Hierarchien oder Pfade, wie die Daten zueinander in Beziehung stehen könnten. Die Nutzer sind bei ihren Analysen völlig frei und erfahren so, wie alles tatsächlich zusammenhängt. Geführte Analysen und Dashboards Qlik® Cloud Web-basierte Dienste für Analysen und Daten Qlik®-Analyseplattform Entwicklerplattform für visuelle Analyseapplikationen Über 1.700 Technologieanbieter, Systemintegratoren, Lösungs-, OEM-, und Implementierungspartner Mehr als 2.000 Mitarbeiter weltweit Anerkannter Branchenprimus laut Gartner, BARC, Forrester, Butler Analytics, Ventana Research und anderen Erstellen heißt nicht analysieren Hauptsitz in Radnor, PA, USA Bei den meisten abfragebasierten Visualisierungs-Tools können erfahrene Anwender durch das Definieren neuer Visualisierungen und Abfragen ihren Analysespielraum erweitern. Doch selbst wenn dies nach dem „Self-Service-Prinzip“ ganz einfach möglich sein soll, braucht man dafür gute Kenntnisse der zugrundeliegenden Datenmodelle und muss wissen, wie man Analysen erstellt. Was passiert also, nachdem die Experten die Visualisierungen aufgebaut haben? Was passiert, wenn die Mitarbeiter der Fachbereiche, die nicht über diese Kenntnisse verfügen, ihre Daten einfach untersuchen und analysieren wollen? Qlik-Produkte verfügen über eine besonders anwenderfreundliche Umgebung zum Erstellen von Visualisierungen. Während bei vielen anderen Werkzeugen hier schon die Funktionalitäten an Ihre Grenzen stoßen, geht es hier bei Qlik erst richtig los. Das assoziative Modell vereinfacht die Analyse und ermöglicht Anwendern, Zusammenhänge bis ins Detail zu untersuchen, Beziehungen zwischen den Daten zu erkennen und neue Erkenntnisse für informierte Entscheidungen zu gewinnen. NASDAQ: QLIK Abfragebasierte Visualisierungs-Tools zeigen nur eine Seite der Medaille Bei Visualisierungswerkzeugen, die Daten mit SQL abfragen, zusammenführen und analysieren, kann es zu Verständnislücken kommen, weil ein linearer Ansatz verwendet wird. Im Gegensatz dazu steht die freie Auswertung und ungehinderte Suche in allen Daten, wie sie mit dem assoziativen Modell von Qlik® möglich ist. Abfragebasierte Tools versuchen oft, die Qlik-Auswertungsumgebung zu simulieren, stoßen jedoch in puncto Flexibilität und Leistung schnell an ihre Grenzen. Sie bieten quasi nur eine Möglichkeit, Anschlussfragen zu stellen: Man muss neue Visualisierungen und Abfragen erzeugen, was für den „normalen“ Mitarbeiter eines Fachbereichs viel zu ineffizient und schwierig ist. Die Nachteile abfragebasierter Tools Hier einige Mankos abfragebasierter Werkzeuge: Unvollständige Ansichten Bei einer Abfrage wird eine Untermenge aus dem Hauptdatenset extrahiert und in Form eines Ergebnissets zurückgespielt. Dieses Ergebnisset ist mit einer bestimmten Visualisierung verknüpft, aber nicht mit dem Hauptdatenset. Dadurch fällt es schwer, sich einen kompletten Überblick über die Zusammenhänge zwischen den Daten zu verschaffen. Das Ergebnis beinhaltet außerdem nur die verbundenen Werte. Aber gerade die Werte, die in keiner Beziehung zueinander stehen, bringen oft wichtige Erkenntnisse. Eingeschränkte Flexibilität In der Regel müssen Visualisierungen und Abfragen im Vorfeld von Power-Usern definiert werden. Dadurch werden die Anwender auf das beschränkt, was die Entwickler als relevant erachtet haben. Wenn jetzt ein Mitarbeiter neue Fragen stellen oder die Werte nicht nur filtern will, muss eine neue Abfrage oder Visualisierung erstellt werden. Kein Zusammenhang Beim Arbeiten mit Visualisierung bleibt der Zusammenhang mit anderen Visualisierungen und Objekten nicht automatisch erhalten. Das liegt daran, dass jedes Objekt auf einer separaten Abfrage beruht. Einige Tools versuchen, Objekte auf der Anwendungsebene in Dashboards miteinander zu verknüpfen. Mit dieser Methode können allerdings nur wenige Objekte unterstützt werden, sonst leidet die Performance. Datenverluste Beim Laden von Informationen aus unterschiedlichen Datenquellen ist es möglich, dass abfragebasierte Tools nicht das gleiche Ergebnis liefern wie ein vollständiger Outer Join. Bei der Übernahme von einer Quelle in die andere kann es zu Datenverlusten kommen, die dem Anwender oft gar nicht bewusst sind. Falsche Ergebnisse Abfragebasierte Tools setzen voraus, dass sich der Anwender sehr gut mit dem Datenmodell auskennt. Diese Kenntnisse sind Voraussetzung dafür, dass die Ergebnisse korrekt sind. Die Gefahr falscher Berechnungen ist groß, denn bei ungenau definierten Join-Anweisungen kann es passieren, dass Werte doppelt oder sogar dreifach gezählt werden. Schlechte Performance Abfragebasierte Tools hängen völlig von der/n Datenbank/en ab, die sie unterstützen. Egal wie belastbar die Datenbank ist – das Abarbeiten von Abfragen braucht einfach seine Zeit. Das Problem verstärkt sich, wenn verknüpfte Dashboards mehrere Queries gleichzeitig ausführen. Wenn immer mehr Anwender Informationen zeitgleich Daten untersuchen wollen, können die zugrundeliegenden Datenbanken einfach nicht mehr Schritt halten. Eine Analogie Nehmen wir mal an, Sie möchten wissen, wie ein Verbrennungsmotor funktioniert. Bei einem abfragebasierten Tool würden Sie einige der Bestandteile des Motors losgelöst von den anderen sehen. Sie könnten ein Teil nach dem anderen untersuchen. Sie müssten sich aber selbst zusammenreimen, wie die Teile zusammengehören und wie daraus ein funktionierender Motor wird. Das assoziative Modell von Qlik nimmt Ihnen das ab: Sie können den kompletten, funktionstüchtigen Motor analysieren, bei dem jedes Bauteil in Bezug zu allen anderen Teilen steht. Sie können leicht das Gaspedal betätigen (eine Auswahl treffen) und schauen, wie dadurch die Benzinzufuhr, der Vergaser und die Abgasmenge beeinflusst werden. Sie können beobachten, wie sich die Kolben auf und nieder bewegen und die Kurbelwelle antreiben. Sie sind in der Lage, den Motor nach Belieben auseinanderzunehmen und sich anzuschauen, wie jedes Bauteil mit den danebenliegenden zusammenarbeitet. Diese Möglichkeiten zeichnen das assoziative Modell von Qlik aus. Wenn die Anwender sich Informationen anschauen, wissen sie genau, wie diese zusammenhängen. Wenn sie durch bestimmte Auswahlkriterien den Kontext einschränken, sehen sie sofort, wie die restlichen Daten des Datensets darauf reagieren. Der Blick der Nutzer geht also über das von einer Abfrage erzeugte Subset und die darin enthaltenen Datenbeziehungen hinaus. Das assoziative Modell von A bis Z Bei Qlik® können Auswertungen überall beginnen und lassen sich beliebig weit verfolgen. Bei jedem Mausklick reagiert die QIX Engine sofort und berechnet dynamisch alle auf den Eingaben basierenden Analysen. Dabei werden Zusammenhänge in den Daten dimensions- und quellenübergreifend markiert. Das sofortige Feedback animiert die Anwender, neue Fragen zu stellen und ihren eigenen Analysepfaden zu folgen. Dabei gibt es keine Grenzen, wenn die Antworten neue Fragen aufwerfen. Assoziationen und Zusammenhänge interpretieren Wenn wir über Zusammenhänge in den Daten reden, meinen wir damit die Beziehung, in der ein Wert in einem Feld zu einem Wert in einem anderen Feld steht. Ein Produkt wird beispielsweise nur in einem Land verkauft. Dieses Produkt hängt also mit diesem Land zusammen, während zu anderen Ländern keine Beziehung besteht. Wenn Sie in Qlik dieses Produkt auswählen, wird es in grün dargestellt. Das damit verbundene Land erscheint in weiß und die anderen, nicht damit zusammenhängenden Länder in grau. Zusammenhänge können positiv sein, wenn zwischen Werten eine Beziehung besteht – oder negativ, wenn dies nicht der Fall ist. Apropos: Die negativen grauen Werte sind manchmal noch interessanter sind als die weißen positiven. Oft verbergen sich dahinter neue Chancen oder potentielle Risiken. In einem Datenset kann jeder Wert mit vielen anderen zusammenhängen. Zusätzlich zu den Ländern, in denen es angeboten wird, kann ein Produkt noch über viele weitere Verbindungen verfügen. Da wären die Kunden, die es bestellt haben, der Vertriebsweg, über den es verkauft wurde und individuelle Transaktionen, in denen es enthalten war. Zusammenhänge in den Daten können in jede Richtung gehen, mehrere Beziehungen umfassen und auf eine Kombination von Werten angewendet werden. Anwender wissen vorher oft nicht, welche Zusammenhänge bestehen oder ob diese wichtig sind. Ein abfragebasiertes Werkzeug kann ganz einfach darüber informieren, dass ein Produkt in mehreren Regionen verkauft wurde. Aber erfährt man daraus, dass besagtes Produkt in der Region nicht über alle Vertriebskanäle verkauft wurde? Das ist nicht so einfach. Wenn wichtige Einblicke wie diese fehlen, können die Anwender nicht erkennen, was wirklich in ihren Daten steckt. Alle Ihre Daten Mit dem assoziativen Modell von Qlik lassen sich Daten aus unterschiedlichen Quellen ohne Verlust durch falsche Zuordnungen oder Ladefilter integrieren. Die QIX Engine verfügt über alle Daten und kann Zusammenhänge dynamisch anzeigen. Der Anwender gewinnt einen kompletten Überblick und wird nicht durch fehlende oder falsche Informationen zu Fehleinschätzungen verleitet. Details zur Integration von Daten aus unterschiedlichen Quellen finden Sie im Qlik-Blog im Beitrag „Equal Rights For Your Data“. Untersuchen und durchsuchen Beim assoziativen Modell von Qlik® erfolgt die Analyse Schritt für Schritt: Der Anwender stellt eine Frage, wertet die erhaltene Antwort aus und entscheidet dann, ob er mit dem Ergebnis zufrieden ist oder weiterer Informationsbedarf besteht. Er kann offene Fragen stellen, den Antworten intuitiv folgen und so seinen eigenen Analysepfad einschlagen. Jede Frage kann eine weitere nach sich ziehen und bei jedem Schritt wird der Anwender besser informiert. 1 2 3 Eine Frage stellen ‒ Einfache Selektionen und natürliche Sprachsuchen nutzen ‒ Jede beliebige Fragen stellen – nicht nur vordefinierte ‒ Mit jeder Visualisierung oder Grafik arbeiten Sofortiges Feedback ‒ Zusammenhänge werden erkennbar (grün, weiß, grau) ‒ Dynamische Neuberechnung aller Analysen und KPIs ‒ Neuer Kontext (Auswahlstadium) gilt anwendungsweit Ergebnisse auswerten, Erkenntnisse gewinnen und ‚die nächste Frage’ stellen ‒ Neue Erkenntnisse in allen Visualisierungen und Objekten einer Applikation entdecken ‒ Die Beziehung der Daten zur aktuellen Auswahl erkennen ‒ Anschlussfragen auf Basis dieser Erkenntnisse formulieren Daten suchen und untersuchen - Ein Beispiel In diesem Beispiel beginnt ein Mitarbeiter mit einer offenen Frage und endet mit einer Reihe von Anschlussfragen, die ihm einen besseren Überblick über das Geschäft vermitteln. Er gewinnt eine wichtige Erkenntnis zu einem Kundensegment in einer Region und leitet sofort Maßnahmen ein. Ein anderer Mitarbeiter kann mit einer ganz anderen Frage beginnen und einen anderen Pfad einschlagen, wichtig ist, dass alle Fragen beantwortet werden, ohne dass dazu weitere Abfragen oder Visualisierungen nötig werden. Je mehr Mitarbeiter auf diese Weise neue Erkenntnisse gewinnen, desto mehr profitiert das Unternehmen. Smart Search: Die intelligente Suche Wenn man nicht weiß, wo sich Informationen befinden, bietet sich Smart Search an. Anwender können alle ihre Daten anhand von Schlagwörtern durchsuchen und erhalten sofort eine Hitliste, in der die Übereinstimmungen nach Relevanz angeordnet sind. Bei der Eingabe von mehreren Werten enthalten die Ergebnisse außerdem die passenden Dimensionen und die Zusammenhänge zwischen den Werten werden sortiert nach der Stärke ihrer Beziehung angezeigt. Diese leistungsfähige Funktion erleichtert das Fragenstellen und sorgt für schnelle Erkenntnisse. Die wichtigsten Vorteile Zu den wichtigsten Vorteilen des assoziativen Modells von Qlik® gehören: Grau ist mehr Bei der assoziativen Datenanalyse sehen die Anwender nicht nur die miteinander zusammenhängenden Werte ihrer Auswahl, sondern auch die Daten ohne Verbindung. Diese Werte werden in grau dargestellt und eröffnen nicht selten völlig neue Einblicke rund um Chancen und Risiken. So lässt sich beispielsweise erkennen, dass ein Produktset an bestimmte Kundensegmente nicht verkauft wird. Diese Funktionalität ist ein Alleinstellungsmerkmal von Qlik und ideal, um das Potential der Daten bis ins Detail auszuschöpfen. Kontext ist wichtig Das assoziative Modell von Qlik stellt alle Analysen einer Anwendung in einen Zusammenhang. Wenn ein Anwender mit einem Objekt arbeitet, eine Auswahl trifft oder eine Suche startet, werden alle Analysen und Datenbeziehungen sofort aktualisiert und spiegeln diesen neuen Kontext wider. Dadurch können visualisierungsübergreifende Auswertungen unterschiedlichster Detaillierung blitzschnell ausgeführt werden. Der Anwender kann potentiell interessante Informationen erkennen und ein Gespür dafür entwickeln, wo sich ein Nachfassen lohnen könnte. Keine Einschränkungen Beim assoziativen Modell von Qlik genießen die Anwender absolute Analysefreiheit. Sie können alle ihre Daten völlig flexibel auswerten. Es gibt keine vorgegebenen Analysepfade. Jeder entscheidet selbst über die Richtung, in die er Zusammenhänge oder Abweichungen untersuchen will. Diese Flexibilität ist entscheidend, wenn man Informationen aus unterschiedlichen Blickwinkeln und auf verschiedenen Ebenen betrachten möchte, um sich so ein komplettes Bild einer Situation zu machen. Das assoziative Modell von Qlik im Vergleich zu abfragebasierten Tools Die folgende Tabelle zeigt die wichtigsten Unterschiede zwischen dem assoziativen Modell von Qlik und abfragebasierten Visualisierungswerkzeugen: Abfragebasierte Tools Das assoziative Modell von Qlik Untersuchung Begrenztes Drill-down/Filtern in einer Visualisierung und Abfrage Unbegrenzte datenquellen- und objektübergreifende Untersuchung Interaktivität Visualisierungen unterstützen nur vordefinierte Drill-Downs/Filter Alle Objekte sind komplett interaktiv Reaktivität Eine Visualisierung reagiert auf die dort angewendeten Filter Alle Objekte reagieren und zeigen überall die Auswirkungen einer Interaktion Neue Fragen stellen Für Anschlussfragen müssen Visualisierungen und Abfragen neue erstellt oder geändert werden Neue Fragen lassen sich jederzeit durch einfache Auswahl oder Suche stellen Fragerichtung Nur eingeschränkte Untersuchung innerhalb eines Abfrageergebnisses Keinerlei Einschränkungen, weder für den Ausgangspunkt noch die Richtung Datenbeziehungen Nicht oder nur sehr begrenzt verfügbar, Abfragen liefern nur verbundene Werte Alle Zusammenhänge nach jedem Klick, auch nicht verbundene Daten Schlagwortsuche Schlagwortsuche gewöhnlich nicht oder nur sehr begrenzt möglich Suche in allen Daten mithilfe von Schlagwortkombinationen Kontext Objekte sind auf der Anwendungsebene in Dashboards verknüpft Die Engine hält alle Visualisierungen und Objekte automatisch im Kontext Dynamische Berechnungen Berechnung eines einzelnen Objekts bei Einsatz eines Filters Berechnung aller Visualisierungen und Objekte nach jedem Mausklick Tabellenzuordnungen Werden auf Anwendungsebene definiert, beim Laden ausgeführt Der Engine bekannt, werden nur bei Bedarf auf Klick ausgeführt Unterschiedliche Datenquellen Begrenzte Datenintegration, SQLJoins beim Laden können zu Datenverlust führen Robuste Integration verschiedener Quellen ohne Datenverlust Genauigkeit Genauigkeit nur sicher, wenn die Anwender das Datenmodell kennen Die Engine stellt sicher, dass mit den richtigen Daten gerechnet wird Skalierbarkeit und Performance Abhängig von der Datenbank, viele gleichzeitige Nutzer beeinträchtigen die Performance Gleichbleibend hohe Flexibilität und Performance auch bei vielen gleichzeitigen Nutzern und großen Datensets Weitere Informationen Weitere Informationen und eine Download-Möglichkeit der Qlik®-Produkte finden Sie auf qlik.de. Wenn Sie das assoziative Modell in Aktion erleben möchten, empfehlen wir Ihnen unsere OnlineDemos. Sie möchten Ihre eigenen Analysen in der Cloud erstellen? Hier können Sie sich für Ihren kostenfreien Zugang zu Qlik® Sense® Cloud anmelden. Anhang: Ein Blick hinter die Technologie-Kulissen Die QIX Associative Data Indexing Engine ist für das assoziative Modell in den Qlik®-Produkten verantwortlich. Auf dieser leistungsfähigen Rechen- und Datenindizierungs-Engine basieren Qlik-Produkte seit fünfzehn Jahren. Sie wurde speziell für blitzschnelle Reaktionszeiten, dynamische Berechnungen in Hochgeschwindigkeit und das sofortige Anpassen an jeden Anwenderklick entwickelt. In diesem Anhang stellen wir die wichtigsten Aspekte der Engine vor und erläutern, wie diese funktioniert und warum sie sich von anderen Systemen unterscheidet. In-Memory: Indizierte und hoch optimierte Daten Robuste Datenintegration Die QIX Engine integriert Datensätze aus mehreren Quellen in ihrem Rechenkern im Arbeitsspeicher. Datenübernahme- und Transformationsfunktionen sorgen für die zuverlässige Datenintegration aus unterschiedlichen Quellen. Dazu gehören Schnittstellen zum Laden der Daten, zum Profiling von Datenbeziehungen und leistungsfähiges Scripting für komplexe Bearbeitungen. Da die Tabellenzuordnungen erst nach Anwenderaktion erfolgen, werden alle Daten aus allen Quellen behalten. Mit der QIX Engine erreicht dabei eine mit einem Outer Join vergleichbare Datenzuordnung. Datenverluste, wie man sie von einseitigen SQL-Joins beim Laden kennt, gibt es nicht. Details zur Datenintegration aus unterschiedlichen Quellen finden Sie im Qlik-Blog unter dem Beitrag "Equal Rights For Your Data". Komprimierte binäre Speicherung Daten werden in einem besonders optimierten und komprimierten binären Format im Memory gespeichert. Das sorgt für bestmögliche Performance und unterstützt das assoziative Modell bei der Datenauswertung. Zusammenhänge in den Daten sind der Engine bekannt. Sie werden durch gemeinsame Spaltennamen im Multi-Tabellen-Modell definiert. Anstatt Werte wiederholt zu speichern erzeugt die Engine binäre "Lesezeichen" für jeden eindeutigen Wert und speichert die tatsächlichen Werte nur einmal. Analysen werden nicht vorab berechnet. Das bedeutet, dass jede Berechnung auf Abruf erfolgen kann und somit eine fast grenzenlose Flexibilität ermöglicht. Da die Engine die Beziehungen zwischen den Daten verwaltet, werden alle Rechenoperationen immer in den richtigen Tabellen ausgeführt. Falsche Ergebnisse können so gar nicht erst entstehen. Diese einzigartige spaltenbasierte binäre Indizierung ist die Grundlage der QIX Engine und unterstützt sowohl interaktive, assoziative Datenauswertungen als auch On-Demand-Berechnungen unabhängig von der Anzahl der gleichzeitigen Nutzer und der Größe der Datensets. Dynamische Berechnungen für blitzschnelle Auswertungen Wenn viele Anwender Daten auswerten, ist es eine Herausforderung, jedem die Flexibilität und schnellen Antwortzeiten zu ermöglichen, die er benötigt. Die Anwender sind ständig in Aktion, treffen spontan eine Auswahl, suchen nach neuen Informationen und führen komplexe Berechnungen auf verschiedenen Subsets der Daten aus, die man nicht vorhersehen kann. Die QIX Engine erledigt diese schwierige Aufgabe durch einen zweiphasigen Prozess, der jedes Mal angestoßen wird, wenn ein Nutzer in der Anwendung aktiv wird. Logische Inferenz Die erste Phase ist eine logische Schlussfolgerung, was im Prinzip bedeutet, dass Datenbeziehungen festgelegt werden. Bevor ein Anwender eine Auswahl trifft, gilt die Annahme, dass alle Daten im Spiel sind. Immer wenn der Nutzer etwas auswählt, berechnet die Engine welche eindeutigen Werte in allen damit verbundenen Tabellen mit dem neuen Kontext zusammenhängen. Dadurch kann die Engine die wichtigen Beziehungen in den Daten für den Anwender markieren und negative wie positive Verbindungen sichtbar machen. Außerdem ermöglicht dieser Prozess der Engine, die Menge der für nachfolgende Berechnungen nötigen Daten zu minimieren und dadurch die Performance zu maximieren. Logische Inferenz heißt, dass die QIX Engine immer weiß, welche Daten aus welchen Tabellen benutzt werden müssen und immer den schnellsten Weg zu den richtigen Daten nimmt. Dynamische Berechnungen Die zweite Phase ist die dynamische Berechnung. Sobald das verbundene Datenset durch logische Schlussfolgerung bestimmt ist, führt die QIX Engine alle Berechnungen und Aggregationen On Demand aus. Die Ergebnisse werden in einem Hypercube im Cache gespeichert. Damit die Performance stets optimal bleibt, werden Berechnungen fragmentiert und bei Bedarf in den einzelnen Tabellen ausgeführt. Jede Aktion des Anwenders führt dazu, dass die Engine die im Hypercube gespeicherten Werte neu berechnet und ihm so die Antworten auf seine speziellen Fragen liefert. Da sich die Daten außerdem hochkomprimiert und optimiert im Arbeitsspeicher befinden und Datensets durch logische Inferenz auf ein Minimum beschränkt werden, können die Berechnungen im Handumdrehen ausgeführt werden. Mehr Informationen über die patentierte Engine-Technologie von Qlik finden Sie im Whitepaper „Interactive Data Exploration With An In-Memory Analytics Engine“ von Mike Ferguson, Intelligent Business Strategies. Abfragen hinken hinterher Es ist extrem schwer, wenn nicht gar unmöglich, dass abfragebasierte Tools diesen Grad an Flexibilität und Performance erreichen können. Schnelle Antworten für eine hohe Anzahl von Anwendern, die gleichzeitig große, komplexe Datensets analysieren und nicht vordefinierte Fragen stellen, sind schlichtweg nicht realisierbar. Selbst abfragebasierte Tools, die für sich in Anspruch nehmen, In-Memory-Technologien zur Unterstützung von Ad-hoc-Anfragen einzusetzen, sind immer noch auf dieselbe Query-Struktur beschränkt, auf der sie aufbauen. Nur durch die besondere Kombination von komprimierter binärer Datenspeicherung, logischer Inferenz und dynamischer Berechnung kann die QIX Engine eine hochkomplexe Aufgabe für die Anwender so unglaublich einfach und transparent machen. Wir haben in den letzten fünfzehn Jahren viel Zeit, Geld und Kreativität in die Entwicklung unserer Engine investiert, um über 37.000 Kunden einen überzeugenden Mehrwert zu bieten. © 2015 QlikTech International AB. Alle Rechte vorbehalten.Qlik®, Qlik® Sense, QlikView®, QlikTech®, Qlik® Cloud, Qlik® DataMa rket, Qlik® Analytics Platform und die QlikTech-Logos sind Warenzeichen oder eingetragene Warenzeichen von QlikTech International AB in verschiedenen Ländern. Alle anderen hier genannten Marken und Logos sind Warenzeichen oder eingetragene Warenzeichen der jeweiligen Unternehmen.
