Business Intelligence & Big Data
Ist aufgrund von Big Data das Ende des klassischen, technisch zu unflexiblen Data Warehouse gekommen?
Typische Anforderungen an Big-Data-Analytics-Umgebungen sind die Datenaktualisierung in Echtzeit/Near Realtime/Batch, verbunden mit der hochparallelen Datenverarbeitung auch großer Datenmengen gegebenenfalls per „Streaming“ sowie die für Analytics typischen „fortgeschrittenen“ Analysen (statistische Verfahren, Methoden des Data Mining, Textmining).
Business-Intelligence-Umgebungen sind hierfür nicht geeignet, aber auch nie konzipiert worden. Ihre Domäne sind Szenarien, für die tägliche oder mehrfach am Tag erfolgende Datenaktualisierungen genügen und in denen es vor allem um das Beladen vergleichsweise überschaubarer, historisierter Datenmengen und die Abfrage auf neuen (transaktionalen, strukturierten/modellierten) Daten geht. Typische Anwendungen fallen in den Bereich des bisherigen Reportings und der Analyse (OLAP) in Fachbereichen wie Finanzen, Vertrieb, Personal, Marketing, IT oder Einkauf sowie der Unternehmensplanung.
Angesichts der unterschiedlichen Anforderungen wird Business-Intelligence-Software auch künftig in vielen bisherigen Anwendungsgebieten ihre Rolle behalten. Dies nicht zuletzt auch deshalb, weil hohe Investitionen in die bisherige BI-Infrastruktur getätigt wurden und dabei Standardprozesse etabliert und viel Know-how aufgebaut wurde. Zudem zeigt sich schon heute im Markt, wie traditionelle BI-Software-Anbieter ihre Plattformen um zusätzliche Schnittstellen und funktionale Erweiterungen anreichern, um im Segment der Advanced Analytics mitspielen zu können.
Business-Intelligence-Umgebungen können zugleich durch die Analysen von Big Data erheblich profitieren. Gerade im Finanzbereich besteht die Notwendigkeit, zusätzliche Geschäfts- und Marktinformationen in die Planung und Risikoanalyse einzubeziehen. Marketing und Vertrieb können durch die Anreicherung ihrer Kunden- und Auftragsdaten beispielsweise durch Churn-Analysen, eine Kundensegmentierung oder Analysen von Web-Logs um wichtige Informationen anreichern, um Portfolio und Preise zu optimieren.
Damit solche und viele andere Szenarien möglich werden, muss die bisherige Datenmanagementinfrastruktur „agiler“ werden und mehr Prozesse und Datenquellen integrieren können. Beginnend beim Datenmanagement bis hin zu den BI-Frontends muss eine Architektur entstehen, die eine breite Nutzung und Bereitstellung unterschiedlichster Daten unterstützt. Hierbei wird es oftmals auch nötig sein, die bisherige Datenmanagementarchitektur um Bestandteile wie „Sandboxes“, explorative Big-Data-Umgebungen (35 Prozent) und Virtualisierungsschichten zu erweitern. Nur durch die Integration klassischer BI-und Datenmanagementumgebungen mit neuen, explorativen und operationalisierten Big-Data-Anwendungen kann letztlich der von vielen Marktakteuren prognostizierte Wandel hin zu einer datengetriebenen Organisation gelingen. Dazu bedarf es auch einer zentralen Datenstrategie, die Daten konsistent sowie Architekturen stabil und zugleich flexibel hält.
QUNIS ACADEMY &
WEBINARE
ACADEMY
Investieren Sie in die Zukunft: Durch unternehmensinternes Big Data-Wissen sichern Sie den nachhaltigen Erfolg Ihres Projektes.
WEBINARE
In unseren einstündigen Webinaren informieren wir Sie völlig kostenfrei zu den aktuellen Themen der Big-Data-Branche.