In-Memory-Computing im Fokus

Nun sprengt „Big Data“ natürlich bei weitem die Dimensionen von Excel-Tabellen. Hier geht es um maschinell erzeugte Daten oder  Informationen aus Sozialen Netzwerken, um Verbrauchsdaten, Finanztransaktionen und Börsendaten oder Protokolle von Datenzugriffen (Logdateien), aber auch um automatische Erfassungen von RFID-Lesern und sonstigen Sensoren – riesige Datenmengen aus unterschiedlichsten Quellen in Petabyte- und Exabyte-Dimensionen, die mithilfe neuentwickelter Methoden und Technologien quasi auf Verdacht gesammelt, gespeichert, in Sekundenschnelle analysiert und auch visualisiert werden.

Tagtäglich werden nach IBM-Schätzungen weltweit rund 2,5 Trillionen Bytes neuer Daten unterschiedlichster Herkunft generiert, angefangen von Klima- und Social-Media-Daten bis hin zu medizinischen Informationen oder Audio- und Video-Inhalten. Damit entstehen alle zwei Tage so viele neue Daten wie die Summe aller Daten, die bis 2003 insgesamt produziert wurde. Inzwischen kennen wir das Wort Yottabyte für 1024 Bytes – die Datenmenge, für die angeblich die NSA das neue Utah Data Center in Bluffdale ausbaut.

Dieser schnell wachsende Datenberg ist ein Rohstoff, von dessen Abbau man sich Milliardenprofite verspricht. Die „Datenwissenschaftler“ von heute verstehen sich dabei längst nicht mehr als simple Vollzugsgehilfen der Marketingstrategen, sondern engagieren sich auch für medizinische Diagnostik, intelligente Energieverbrauchssteuerung oder Risikominimierung durch die Früherkennung von Unregelmäßigkeiten. Wir haben zwei Experten befragt, welche Relevanz diese Datenwissenschaft für den Mittelstand hat.

ITM: Fragen Mittelständler schon nach In-Memory Computing?
Stefan Sexl: Wir können sogar großes Interesse verzeichnen. Wie bei vielen anderen Innovationsthemen sind es oft Mittelständler, die schneller bereit sind, neue Technologien einzusetzen. Wissenswert ist, dass die Hersteller derzeit massiv daran arbeiten, Einstiegshürden zu minimieren. Beispielsweise integriert Microsoft die In-Memory-Fähigkeiten in seinen breit verfügbaren SQL-Server, was gerade Mittelständler zu Experimenten befähigt.

Experimentieren ist an dieser Stelle ein zutreffender Begriff: Da ROI-Betrachtungen für Big-Data-Initiativen mit In-Memory-Technologie von komplexer Natur sind, können wir ein sehr inkrementelles Vorgehen feststellen. Ein typisches Szenario ist alles, was hilft, den Kunden besser zu verstehen. Je nach Branche und Vertriebskanal stehen hier Absatzanalysen, CRM-Analytics oder Social-Media-Initiativen im Fokus.

Harald Frühwacht: In-Memory ist zunächst eine Technologie, mit der Daten flexibler, schneller und mit besseren Antwortzeiten gemanagt werden können. Einzug in den Mittelstand gehalten hat sie schon längst. Das Einsatzfeld schlechthin bildet derzeit der analytische Bereich, vor allem bei Self-Service-BI-Szenarien.

In den Markt getragen wird die Technologie vor allem indirekt über die entsprechenden BI-Anbieter. Mit deren Lösungen haben Power-User die Möglichkeit, Daten selbstständig aus unterschiedlichen Quellen zusammenzuziehen und darauf Ad-hoc-Analysen bzw. Ad-hoc-Reporting durchzuführen. Dies ist zum einen interessant für schnelles, individuelles Arbeiten, zum anderen, wenn keine Managed-BI-Umgebungen oder Data-Warehouse-Anwendungen mit entsprechender Datenbasis vorhanden sind.

In-Memory-Computing dringt aber auch sukzessive in den transaktionalen Bereich vor. So erweitert etwa Microsoft seinen SQL-Server in der Version 2014 um eine transaktionale In-Memory-Engine – und SAP will seine ERP-Systeme auf Basis von Hana betreiben, um für alle operativen und analytischen Anforderungen nur einen Datentopf zu nutzen. Neben den klassischen Geschäftsanwendungen wie ERP und CRM eröffnet diese Entwicklung auch anderen, heute noch transaktional basierten Spezialanwendungen wie Konsolidierung und Planung aus dem Finanzbereich, mit immer mehr Daten noch flexibler, performanter und integrierter umzugehen.

Ein weiterer Treiber ist die Cloud, denn die On-premise-Bereitstellung komplexer Anwendungen mit all ihren IT-technischen Konsequenzen ist gerade für den kleinen Mittelstand oft viel zu kostenintensiv. Viele SaaS-Angebote basieren bereits heute auf In-Memory-Computing, wobei der Anwender nur noch den Service für seinen Anwendungsfall bezieht, die dahinterliegende Technologie aber völlig unsichtbar bleibt.

ITM: Worauf kommt es an, damit die für die Analysen und Prognosen bereitgestellten Daten möglichst akkurat, konsistent und vollständig sind?
Frühwacht: Um eine möglichst hochwertige Datenbasis bereitstellen zu können, gilt es, den Spagat zu schaffen zwischen den Anforderungen von Self-Service-BI – also den mit vielen Freiheitsgraden versehenen Anwendungen – und Data Warehouses mit durchgängiger Datenqualität, dem ehrgeizigen Ziel des „Single Point of Truth“.

Unerlässlich ist es, die Personal- bzw. Workgroup-Umgebungen zu analysieren. Daraus lassen sich Projekte für die Überführung in eine „Managed“-BI-Umgebung ableiten – der einzig sinnvolle Weg zu einer durchgängigen Datenbasis.

Sexl: In Bezug auf interne Datenquellen sind es diegleichen Themen, die uns seit 20 Jahren bei Data-Warehouse- und MIS-Systemen begleiten, also Strukturbrüche wie Umorganisationen und Akquisitionen, die typischerweise die größte Herausforderung darstellen. Hier wird sich trotz neuer Analysetechnologien wenig ändern.

Der Klassiker Datenqualität beschäftigt jeden IT-Leiter. Spannend wird es bei externen Daten wie Social Media oder Web Analytics, wo sich die Herausforderung umdreht: Konsistenz und Vollständigkeit sind hier nicht zu erreichen, weshalb wir uns mit einer gewissen Unschärfe abfinden müssen. Dadurch rückt das Plausibilisieren der Ergebnisse und ihrer Werthaltigkeit in den Vordergrund, sozusagen eine Art nachträgliche Analyse der Datenqualität.

ITM: Welche Einführungsstrategie ist empfehlenswert, damit die In-Memory-Lösung möglichst „nahtlos" in die vorhandene IT-Infrastruktur eingepasst werden kann?
Frühwacht: Man muss sich Gedanken zu Themen wie der Entwicklung von Datenmengen, Verfügbarkeit oder administrativen Anforderungen machen. Auch sollte man abwägen, inwiefern man sich selbst mit Technologiethemen befassen will oder ob man eine Cloud-Strategie verfolgt. Ist die prinzipielle Strategie definiert, muss man den konkreten Anwendungsfall betrachten und sich speziell bei BI-Lösungen – ob mit oder ohne In-Memory – bewusst sein, dass dies kein reines IT-Thema ist.

Es geht nicht nur darum, Anwendern die richtigen Werkzeuge bereitzustellen oder eine durchgängige Unternehmensplattform zu schaffen. Es ist vielmehr auch ein prozessuales Thema, das in Zusammenarbeit mit den Fachabteilungen erarbeitet und idealerweise in der Organisationsstruktur, etwa in einem BI Competence Center, abgebildet werden sollte. Das Hinzuziehen externer Experten schließlich bringt von Konzeption und Organisation bis hin zu Implementierung und Betreuung einen nicht zu vernachlässigenden Nutzen.

Sexl: Die Integration sollte zunächst nicht überbewertet werden. In-Memory-Technologien eignen sich gut für ein schnelles, kreatives und schrittweises Prototyping, mit dem fachabteilungsnah neue Themen ausgetestet werden können. Hat es z.B. einen Nutzen, Facebook- und Twitter-Meldungen über das Unternehmen systematisch zu analysieren? Oft findet sich die Antwort erst im konkreten Versuch.

Meine Empfehlung lautet, Abteilungen, die sich an derartige Themen heranwagen, viel Freiheit zu gewähren – ohne dabei auf eine grobe Vorstellung zu verzichten, wie ein späterer Dauerbetrieb aussehen kann. Auch die Hersteller reagieren zunehmend auf diese Herangehensweise. Microsoft bietet die Option, individuell in Excel modellierte In-Memory-Analysen später in einen zentral gewarteten Betrieb zu übernehmen. Hier übernimmt Sharepoint eine Schlüsselrolle und trägt wesentlich zur Erleichterung des Zusammenspiels mit der zentralen IT oder den in größeren Unternehmen oft installierten BI Competence Centern bei.

www.idl.eu

www.pmone.com