Handel

Feinarbeit im Data Warehouse.

Für moderne industrielle Infrastrukturen wie etwa das Internet of Things benötigen Unternehmen zeitgemäße neue Einzelkomponenten in ihrem Data Warehouse. Doch Vorsicht: Eine technologiegetriebene Radikalkur braucht niemand. Ein Gespräch mit dem Experten Gregor Zeiler.

Die jüngsten Zahlen des renommierten Analystenhauses Dresner Advisory sind eindeutig: Das Internet of Things (IoT) wird auf den Vertrieb, die strategische Planung und die BI-Kompetenzzentren von Unternehmen maximale Auswirkungen haben. Keine überraschende Erkenntnis, schließlich verknüpfen viele Unternehmen damit bereits große Erwartungen hinsichtlich zukunftsträchtiger, neuer Geschäftsmodelle. Und die daran gekoppelten Ziele in Sachen Umsatz sind verständlicherweise auch rekordverdächtig.

Indes erkennen die Anwender, so die Dresner-Fachleute, dass die potentiellen IoT-Erfolge auch mit technologischen Aufwänden verbunden sind. Die Hälfte der vom Institut befragten Unternehmen sagen in der Tat, dass eine Optimierung ihrer Data Warehouses (DWH) deswegen erforderlich bis dringend erforderlich sei.

Doch die Aufwände lassen sich begrenzen, wenn Unternehmen auf die richtige Strategie setzen, die bestehende und innovative Techniken sinnvoll kombiniert. Und wie sollten Unternehmen vorgehen? Wir fragten einen führenden Experten, Gregor Zeiler vom IT-Dienstleister Trivadis, der über mehr als 20 Jahre praktische Erfahrung bei der Entwicklung und Implementierung von Business Intelligence-Lösungen verfügt.  

Wir wollten konkret wissen, wie Unternehmen das Data Warehouse fit für die Digitalisierung und das IoT machen können – und  dabei mit den finanziellen Aufwänden im Rahmen bleiben.

Acht Felder der Modernisierung.
Die Ausgangslage dafür ist die gängige DWH-Struktur, wie sie wohl in den allermeisten Unternehmen vorkommen dürfte. Aus sehr unterschiedlichen Datenquellen (etwa strukturiert/unstrukturiert, Maschinendaten) fließen die Informationen auf verschiedene Art und Weise (beispielsweise inkrementell, Stream, Batch) ein. Anschließend werden sie im Data Management gespeichert, aufgearbeitet oder miteinander verwoben.

Die größte Unterscheidung liegt darin, ob es langfristig zu verarbeitende Daten oder etwa aus einem Stream stammende, bewegte Daten sind. Das Data Warehouse gewährt den Fachanwendern auf diese Daten dann in unterschiedlicher Weise Zugriff, beispielsweise als Service oder über eine Abfrage. Daneben gibt es die Nutzerebene, auf der die Daten über Dashboards oder entsprechende andere Services konsumiert werden.

Eingerahmt wird die Gesamtstruktur noch von der, erstens, Organisation des Ganzen (BI-Kompetenzcenter, IT und Business-Stakeholder) und zweitens von der Governance, unter anderem bestehend aus den Faktoren Sicherheit, Compliance oder Master Data-Management.

Der Clou ist nun, sagt Zeiler, bei der Modernisierung des Gesamtsystems umfassend anzusetzen. Dafür hat er acht potentielle Stoßrichtungen ausgemacht:
• Technologie,
• Funktionen,
• Skalierbarkeit,
• Automation,
• Daten,
• Organisation,
• Kosten,
• Architekturen.
«Es ist ein jeweils sehr unternehmensindividueller Prozess, der an einzelnen oder mehreren dieser Aspekte ansetzen kann. Je nach der Problemstellung des Unternehmens lassen sich gezielt Anwendungsbereiche erweitern und verschiedene Ebenen adressieren», sagt Zeiler.

Das könne beispielsweise das Einbringen von besonders flexiblen Modellierungen sein, sogenannten Data Vault-Architekturen. Eine andere Alternative sei es, dass den Mitarbeiter in den Fachabteilungen mehr Advanced Analytics ermöglicht wird.


Zudem setzten derzeit einige Unternehmen auf Automatisierung, um etwa Entwicklungszyklen zu verkürzen. Einen weiteren Weg können Unternehmen laut Zeiler beschreiten, indem sie die Skalierbarkeit des DWH durch «Elastic Services» vorantreiben.

Dieses Vorgehen vorausgesetzt, ergeben sich konkrete Modernisierungsstrategien, die gewissermaßen zwischen Sanierung und Neubau liegen: Von einer Modifikation des Bestandssystems und einer Performanz-Optimierung über eine partielle Modernisierung – etwa mittels Data Vault – bis hin zu einer komplett neuen Plattform, sozusagen auf der grünen Wiese.


Sukzessive Transformation.
Technologisch bedeutet dies, so der Trivadis-Fachmann, dass entweder das bestehende DWH funktional modernisiert und demgemäß erweitert oder bestehende Funktionalitäten ausgebaut würden. In der Phase des Neubaus kämen dann eher disruptive Modernisierungen zum Einsatz wie beispielsweise neue Bausteine auf der Basis von Hadoop.

Mittels dieser Strategien können Unternehmen anschließend Punkt für Punkt die für sie passende Vorgehensweise auswählen. Wenn sie etwa auf die Variante Sanierung setzen, könnte dies ein Anpassen auf Ebene des Data Marts sein, «beispielsweise durch moderne In-Memory-Technologien in der Datenbank, mit denen sich die Leistung steigern lässt», erläutert Zeiler diese mit überschaubaren Aufwänden realisierbare Lösung.

Einen großen Schritt weiter geht es, wenn Unternehmen ihr DWH sowohl erweitern als auch partiell modernisieren. Dieser Weg geht einher mit mehr Technologie, einem Plus an Daten und Automatisierung und wirkt sich stärker auf Kosten und Architekturen aus.

Ein Anlass könnte sein, dass ein Unternehmen neue Datenstrukturen in sein bestehendes Warehouse implementiert. Dabei wird die neue Architektur parallel zur bestehenden aufgebaut, wodurch auch eine Kosteneinsparung im DWH-Betrieb und bei Change Management-Lösungen erzielt werden kann. Anschließend lässt sich die Bestandslösung sukzessive in diese neue Welt überführen. Das kann auf einem Austausch von ETL- durch ELT-Lösungen basieren oder indem das DWH automatisiert wird (DWA).

Eine tiefergehende Modernisierung beginnt, sobald Unternehmen funktionale Änderungen an ihrem DWH vornehmen und zugleich disruptive Elemente einbauen. Etwa dadurch, dass das DWH mit analytischen Funktionen angereichert wird – einer Analytical Sandbox auf Hadoop-Basis beispielsweise. Darauf wird eine Datenvirtualisierungsschicht aufgesetzt, die das klassische DWH mit der Sandbox verbindet.

Auf diese Weise kann der Anwender seinen tradierten Operational Data Store (ODS) auf die dann moderne, Hadoop-basierte Ebene verschieben. «Damit befreien sich DWH-Nutzer oftmals von enormen Kosten. Denn meistens liegen diese historischen Daten in kostspieligen Infrastrukturen. Somit bietet dieses Vorgehen eine Chance, hier auch Dinge neu zu strukturieren und die teure Hardware anders zu nutzen», sagt BI-Experte Zeiler.


Einbindung klassischer Komponenten.
Einmal modernisiert, bietet diese Struktur ebenfalls die Chance, auch klassische Data Warehouse-Komponenten darin einzubauen. Diese müssen aber von der Architektur und der Modellierung derart eingefügt sein, dass sie modernen Ansprüchen genügen.

Somit hat dieser zeitgemäße Ansatz den Vorteil, dass sich Datenquellen, etwa auf der Basis von Streaming Data, sowohl in der klassischen als auch in der modernen Architektur speichern lassen.

Und in der Tat: Die von Gregor Zeiler geschilderten Modernisierungsstrategien finden bei den Anwendern immer mehr Zuspruch. Laut den Fachleuten des TDWI-Instituts plant die Mehrheit der DWH-Nutzer, auch bei der Digitalisierung und im IoT weiterhin auf ein einziges, zentrales Data Warehouse zu setzen, und will es nur um wenige beziehungsweise mehrere moderne Daten-Plattformen ergänzen.

Sowohl die Zahl der Modernisierungsverweigerer als auch derjenigen, die ihr zentrales DWH komplett ablösen wollen, ist deutlich geringer. «Zwar ist die Zahl der Hadoop-Nutzer momentan noch gering, aber sie wird in absehbarer Zeit steigen, denn die DWH-Anwender möchten ihre Bestandssysteme aufpeppen», interpretiert Zeiler die Erhebungen des TDWI und ergänzt: «Das deckt sich mit unseren Erfahrungen: Die Mehrheit sieht es als notwendig an, ihr bestehendes DWH vor allem mit analytischen Funktionen auszustatten. Die komplette Neuausrichtung verwirklicht aber niemand.»


Strategie auf Pain Points aufbauen.
Wie aber weiß ein Unternehmen, welche Bereiche des klassischen DWH gegebenenfalls wie ausgetauscht werden müssen und an welcher Stelle die analytischen Komponenten angebunden werden sollen? Dazu gibt der Trivadis-Fachmann eine klare Empfehlung: «Die Strategie muss auf den aktuellen Pain Points und Bedarfen aufbauen und darf nicht vorrangig technologiegetrieben sein.»

Darüber hinaus sei es wichtig, dass die Anwender bedenken, welche weiteren Anforderungen durch das IoT und die Digitalisierung auf das Unternehmen zukommen könnten. Erst dann sollten sie nach den passenden Architekturen recherchieren. Die Vision entwickelt sich also möglichst immer ausgehend von der bestehenden Lösung und nicht von den zur Verfügung stehenden Technologien.

Ist eine Vision entwickelt worden, gilt es nach den Erfahrungen von Zeiler, sich auf ganzheitliche Datenmanagement-Lösungen zu fokussieren. Alles andere würde den Anforderungen der modernen digitalen Welt nicht mehr entsprechen.
Das Fazit des erfahrenen BI-Experten lautet: «Wenn die unternehmensindividuelle Strategie für die DWH-Modernisierung gefunden ist, sollen Unternehmen diese couragiert umsetzen. Technologiegetriebene Hauruckverfahren, die das ganze DWH auf den Kopf stellen und die nicht auf einer sehr konkreten Vision basieren, bringen niemanden weiter.»

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net
© ProfilePublishing Germany GmbH 2017. Alle Rechte vorbehalten.
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite