Das assoziative Modell von Qlik

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.