Erfolgreiche Business-Intelligence-Projekte

In Unternehmen gibt es eine Reihe von Gründen für den Ausbau vorhandener oder den Aufbau neuer Business-Intelligence-Applikationen (BI). Mehrere Beispiele machen dies deutlich: Oftmals geht es um das Management der Kundenbeziehungen, um die Verbesserung der Kundenbindung, um den Support und natürlich um die Gewinnung von Neukunden. Die meisten Unternehmen sind nach Produkten und Geschäftsbereichen, nicht aber nach Kundensegmenten organisiert. Als Ergebnis befinden sich Daten zu Kunden weit verstreut in verschiedenen operativen Systemen und Data Warehouses. Darüber hinaus haben vor allem internationale Großunternehmen zusätzlich Software-as-a-Service-Applikationen wie Salesforce.com mit Kundendaten im Einsatz.

Oder immer mehr Verbraucher nutzen via Smartphone auch Location Based Services, die über Cloud-Plattformen gesteuert werden. Die Anbieter solcher Services, z.B. überregional tätige Einzelhandelsketten, analysieren und verwenden die dabei erzeugten Daten für eine Verfeinerung ihrer Marketingtools, die Neukundengenerierung oder die Kundenbindung.

Die genannten Beispiele zeigen: In vielen BI-Anwendungsszenarien benötigen Mitarbeiter aus den Fachabteilungen Informationen aus unterschiedlichen internen und externen Datenquellen, seien es relationale oder wenig strukturierte Daten aus Dokumenten, Bildern, Audiofiles oder Textpassagen aus dem Social-Media-Umfeld.

Komplexe Datenbanklandschaft

Mit den Informationen aus den operativen Systemen, die Data Warehouses und Data Marts beliefern, hat sich BI in Unternehmen etabliert. Statt Trends aus der Vergangenheit nachzuzeichnen liegt heute der Schwerpunkt jedoch oft auf der prognostischen Analytik, um daraus Handlungsanweisungen für künftige Geschäftsperioden und verschiedene Szenarien abzuleiten. Die Analyse strukturierter Daten aus relationalen Datenbanken wie IBM DB2, Microsoft SQL Server, MySQL oder Oracle wird auch weiterhin eine wichtige Rolle spielen.

Ergänzend zu den relationalen Systemen haben sich seit einigen Jahren NoSQL-Datenbanksysteme etabliert. Sie benötigen im Unterschied zu diesen keine festen Tabellenschemata und können gleichzeitig mit sehr vielen Schreib- und Leseanfragen sowie großen Datenmengen umgehen. Die Stärke relationaler Systeme sind häufige, aber kleine Transaktionen sowie umfangreiche Batchtransaktionen mit seltenen Schreibzugriffen. Gleichzeitig zu bearbeitende hohe Datenmengen und häufige Datenänderungen sind das Metier der NoSQL-Systeme wie Cassandra und MongoDB.

Um vernetzte Informationen, etwa die Beziehungen aus sozialen Netzwerken wie Facebook, LinkedIn oder Twitter, darzustellen und zu speichern, kommen sogenannte Graphdatenbanken zum Einsatz. Die zentralen Elemente von Graphen sind Knoten, Verbindungen und Eigenschaften. Weitere Einsatzgebiete neben der Analyse sozialer Netzwerke sind Mustererkennung, Recommendation Engines, Identitäts- und Berechtigungsmanagement oder prognostische Analysen. Zu den wichtigsten Vertretern der Graphdatenbanken zählen Allegrograph, FlockDB, Graphbase, IBM DB2 NoSQL und Neo4J.

Wenn es um die Speicherung und Analyse von wenig strukturierten Daten geht, kommt vielfach die Datenmanagementlösung Hadoop mit seinem Hadoop Distributed File System (HDFS) zum Einsatz. HDFS speichert sehr große Datenmengen kaum unstrukturierter Daten wie Texte, Bilder und Videos verteilt auf mehrere Rechnerknoten. Diese kurze Zusammenfassung möglicher Datenquellen für BI-Anwendungen zeigt eines: Die Datenbanklandschaft hat sich in den letzten Jahren stärker differenziert und ist komplexer geworden. Weil das Spektrum der möglichen BI-Anwendungsszenarien deutlich größer wurde, ist der Erfolg der einzelnen Lösungen in hohem Maße von der Fähigkeit abhängig, möglichst einfach und zuverlässig auf die verschiedenen strukturierten und weniger strukturierten Daten im eigenen Rechenzentrum und in der Cloud zugreifen zu können. In nahezu jedem Unternehmen, das BI-Anwendungen einsetzt oder neue Projekte plant, hat die Qualität der Daten einen hohen Stellenwert. Ob stark oder nur gering strukturiert: Die Informationen müssen erfasst und daraufhin überprüft werden, ob sie aktuell, korrekt und konsistent sind. Falls dies nicht der Fall ist, muss die IT für eine Nachbearbeitung sorgen. Hier sind keine Abweichungen zulässig, denn ansonsten kommen die BI-Anwendungen zu falschen Schlüssen.

Die Zugriffsmethoden

BI-Applikationen sind heute darauf angewiesen, Informationen aus unterschiedlichen Datenquellen zusammenzuführen. Nach dem Import in ein traditionelles Data Warehouse werden die Rohdaten in drei Schritten aufbereitet und mit einer tabellarischen Datenstruktur versehen: Extract, Transform, Load (ETL). Hadoop wandelt diesen Prozess leicht ab in die Abfolge Extract, Load, Transform (ELT). Rohdaten werden ohne Struktur abgelegt und erst zum Zeitpunkt der Analyse erfolgt eine Transformation in die benötigte Struktur. Bei den Echtzeitdaten, die beispielsweise von Sensoren einer Fertigungsstraße stammen, verarbeiten vorgelagerte Messaging- oder Event-Processing-Systeme die eingehenden Datenströme, und leiten sie dann zur Weiterverarbeitung an NoSQL-Datenbanken oder Hadoop weiter. Konnektoren machen die Daten aus den verschiedenen Datenquellen zugänglich. Für den Zugriff auf relationale Datenbanken kommen standardbasierte Schnittstellen Ado.NET und JDBC sowie zum Teil auch heute noch ODBC zum Einsatz wie sie etwa Progress Data Direct bietet.

Interessant wird es, wenn neben den relationalen Datenbanken auch Informationen aus nicht-relationalen System und den unterschiedlichen Social-Media-Kanälen berücksichtigt werden sollen. Mit einer Punkt-zu-Punkt-Verbindung, bei der für jede Datenquelle deren proprietären APIs in einer BI-Applikation genutzt werden müssen, lässt sich das Problem kaum lösen. Denn dann würde man jeweils die herstellerspezifischen Schnittstellen zu Big-Data-Quellen wie dem Hadoop Distributed File System, der Data-Warehouse-Lösung Hive, dem CRM-System Salesforce.com oder sugarCRM, Facebook und Twitter sowie NoSQL-Datenbanken wie Cassandra und MongoDB etc. nutzen müssen. Hier gibt es zu viele unterschiedliche APIs und Versionsstände der APIs, die ein Entwickler in einer Applikation berücksichtigen müsste. Zusätzlich verschärft wird die Situation, wenn die externen mit den internen Datenquellen zu kombinieren sind.

Mit Data Direct Cloud bietet Progress Software eine Lösung für das Connection Management in der Cloud, das auch die Datenbankquellen vor Ort mit einbezieht. Als Connectivity-as-a-Service stellt die Lösung einen auf Standards basierten SQL-Zugang zu Daten aus den verschiedenen Quellen bereit. Die Entwickler von BI-Applikationen müssen dazu keine Schnittstellen anpassen oder neue Libraries hinzuziehen. Darüber hinaus kann DataDirect Cloud auch JDBC-Code nutzen.

Die Anforderungen an BI-Anwendungen sind in den letzten Jahren angestiegen. Eine der Herausforderungen besteht darin, dass heute deutlich mehr und vielfältigere Datenquellen zu berücksichtigen sind. Das reicht von den bewährten relationalen Systemen über NoSQL-Datenbanken und Big-Data-Plattformen wie Hadoop bis zu Cloud- und Social-Media-Plattformen. BI-Basistechnologien müssen Konnektoren zu allen bedeutenden Datenquellen bereitstellen, um die Daten anschließend mit den dazu geeigneten Integrationstools zusammenfassen und aufbereiten zu können. Je leistungsfähiger die Werkzeuge sind, desto eher sind IT-Abteilungen auch in der Lage, die Anforderungen der Fachabteilungen nach Self-Service-BI-Applikationen zu erfüllen.

((Kasten))
Definition: Graphdatenbanken

Graphdatenbanken sind auf die Darstellung und Speicherung vernetzter Informationen spezialisiert. Typische Einsatzgebiete sind die Relationen zwischen Objekten oder Menschen: Wer-kennt-wen-Beziehungen in einem sozialen Netzwerk, eine Wege(-Fluss)-Optimierung in komplexen Transportsystemen, Verkehrsleitsysteme, die Bedeutung von Seiten in Suchmaschinen (Page Ranking) usw. Im Vergleich zu relationalen Datenbanken ermöglichen Graphdatenbanken schnellere Abfragen, etwa dann, wenn es um Herausforderungen wie die Ermittlung des kürzesten Pfades oder die Tiefensuche geht.
www.progress.de

Bildquelle: Thinkstock/iStock