Ein analytischer Rundumblick

ITD: Herr Schneider, was verbirgt sich hinter dem Begriff „Continuous Intelligence“?
Steffen Schneider: Continuous Intelligence (CI) kann auf eine ganz einfache Formel gebracht werden: CI ist die Kombination aus Realtime Analytics und Predictive Analytics. Sie ermöglicht die Analyse von historischen Daten aus verschiedensten Datenquellen, von aktuellen Daten aus laufenden Transaktionen und Interaktionen sowie darauf aufsetzend die Erstellung von Prognosen. Daraus ergibt sich ein analytischer Rundumblick auf historische, aktuelle und zukünftig zu erwartenden Daten, die dann in Echtzeit genutzt werden können.

ITD: Welche Vorteile und Möglichkeiten bieten sich Großunternehmen durch Echtzeitdatenanalysen?
Schneider: Continuous Intelligence gestattet es, Analysen direkt in die laufenden Geschäftsprozesse zu integrieren und daraus zielgerichtete Maßnahmen abzuleiten. Datenbanktechnisch gesprochen bedeutet das, Online Analytics Processing (OLAP) auf das Online Transaction Processing (OLTP), also die gerade laufenden Read- und Write-Prozesse in der Datenbank, aufzusetzen und dabei die OLTP-Prozesse selbst nicht zu beeinflussen. Aus der Analyse der Datenströme und den daraus generierten Echtzeitanalysen mit prognostischen Fähigkeiten können Unternehmen schnellere und zielgenauere Entscheidungen treffen und sie zudem dort, wo es sinnvoll ist, sogar automatisieren.

ITD: Worin besteht der Unterschied zu einem Business-Intelligence-Ansatz (BI)?
Schneider: Bei einer BI-Lösungen werden typischerweise die für die Entscheidungsunterstützung benötigten Daten bestimmt, diese über den ETL-Prozess in ein Data Warehouse eingespeist und aus dem dann per Data-Mining-Analysen generiert. Für die Anforderungen moderner Business-Applikationen ist das aber zu aufwendig, zu umständlich, zu langsam und zu unflexibel. Continuous Intelligence verzichtet auf diese lange Prozesskette und die Daten werden direkt an der Quelle analysiert. Klassische BI-Tools oder Big-Data-Plattformen sind damit aber nicht überflüssig. In ihrer Funktion als Abfrage-Layer werden bei Continuous Intelligence die im jeweiligen Tool generierten SQL-Abfragen nicht mehr in ein Data Warehouse, sondern direkt in die Datenbank, z.B. als Select-Statements, geleitet und dort ausgeführt. Als Visualisierungslayer übernehmen sie zudem weiterhin die grafische Darstellung der Daten.

ITD: Was hat Künstliche Intelligenz (KI) mit Continuous Intelligence zu tun?
Schneider: Es geht bei Continuous Intelligence darum, Echtzeitanalysen auf Basis historischer und aktueller Daten mit den laufenden Business-Applikationen zu verknüpfen und für die Entscheidungsunterstützung oder sogar -automatisierung zu nutzen. Dafür werden u. a. Technologien wie Augmented Analytics, Event Stream Processing und Machine Learning (ML) eingesetzt und zusammengeführt. Und hier kommen die zuvor erwähnten BI-Tools wieder ins Spiel. Während Realtime Analytics den analytischen Blick zurück auf historische Daten um den Blick auf aktuelle Daten erweitert, kann KI den Blick nach vorn auf die zu erwartende Zukunft und daraus abgeleitete Prognosen auf zukünftiges Verhalten beisteuern. KI wird also für Predictive Analytics, den elementaren zweiten Baustein von Continuous Intelligence, gebraucht. Und diese Funktionalität wird von den BI- respektive Analytics-Tools beigesteuert, die dafür wiederum die Unterstützung durch die Datenbankplattform benötigen.

Dies ist ein Artikel aus unserer Print-Ausgabe 6/2021. Bestellen Sie ein kostenfreies Probe-Abo.

ITD: Was muss eine Datenbank für diese Lösung letztlich mitbringen?
Schneider: Die Funktionalität der Datenbankplattform muss bei Continuous Intelligence weit über die üblichen Anforderungsprofile von relationalen Datenbank-Management-Systemen (RDBMS) und auch vielen NoSQL- oder Cloud-Datenbanken hinausgehen. In bestimmten dafür geeigneten Datenbanken können für die OLAP-Analyse dedizierte Analytics-Nodes genutzt werden. Sie haben direkten Zugriff auf den Datenstrom und können automatisch sowohl kritische interne Größen identifizieren, aber auch externe Analysedaten einfließen lassen. Als Grenzwertparameter dienen dabei rollierende Vergleichszeiträume. In der Regel sind das die letzten zwölf und die letzten drei Monate, zurückgerechnet vom aktuellen Datum. Der Datenstrom kann dabei aus einer relationalen SQL-Datenbank kommen und in die Analysedatenbank eingespeist werden. Ideal – und technisch möglich – ist jedoch eine Database-Plattform, die die Fähigkeiten von SQL-, NoSQL- und Cloud-Datenbanken unter einem Dach vereint, über die notwendigen Erweiterungen für Edge Computing verfügt und in der die Analysefunktionen nahtlos integriert sind. Das minimiert Schnittstellen, Latenzen und mögliche Übergabefehler.

ITD: Mit welchen Stolpersteinen müssen Unternehmen bei der Umsetzung rechnen?
Schneider: Das ist einzelfallabhängig und deshalb schwer zu prognostizieren. Generell liegt das größte Stolperpotenzial in der Anbindung an die Altsysteme und der Verbindung mit den BI-Tools. Ein Implementierungsprozess für Continuous Intelligence besteht in der Regel aus sechs Schritten: der Generierung der Daten in einem JSON-Dokument, dem Import in das Datenbank-Cluster, der Generierung und dem Test des Datensets, dem Aufsetzen der Verbindung mit dem BI-Tool, dem Import oder besser noch der direkten Verbindung der Daten aus der Datenbank in das BI-Tool und zuletzt dem Aufsetzen der Dashboards und der ML-Unterstützung. Im vierten Schritt gilt es beispielsweise zu beachten, dass das BI-Tool die REST-Calls der Datenbank richtig versteht bzw. via Standardtreiber direkt übersetzt. Andernfalls klappt die Verbindung nicht. Dieses Zusammenspiel ist an vielen Stellen essenziell. Um so wichtiger ist es, von vornherein größte Sorgfalt bei der Wahl der Datenbankplattform und des BI-Tools walten zu lassen.

Bildquelle: Couchbase