Software: Business-Intelligence trifft Big Data

Business-Intelligence-Systeme (BI) sind in vielen Unternehmen vorhanden. Neue Big-Data-Ansätze bieten zusätzliche Auswertungsmöglichkeiten. Christian Löhnert, Sales ­Engineer bei Consol, spricht sich für einen kombinierten Einsatz der Technologien aus.

Business-Intelligence-Systeme, Consol Bildquelle: © Consol

Herr Löhnert, viele Unternehmen setzen bereits mit BI-Systemen auf die Datenaus­wertung. Warum reichen aber herkömm­liche Systeme im Big-Data-Zeitalter nicht mehr aus?
Löhnert: Unternehmen sollten ihr gesamtes Daten-Ökosystem nutzen. Und genau dabei helfen Big-Data-Technologien – die aber BI-Systeme ergänzen und nicht ersetzen sollten. Klassische BI-Systeme haben sich bewährt und liefern wertvolle Erkenntnisse, die durch über Jahre optimierte Datenanalysen generiert werden. Diese bewährten Analysen mit einer Big-Data-Lösung nachzubauen, um die gleichen Ergebnisse zu erhalten, ist kostenintensiv und in vielen Fällen unwirtschaftlich, da zumindest gegenwärtig kein Mehrwert gegenüber der BI-Lösung generiert wird.

Was unterscheidet die BI-Technologie von Big Data?
Löhnert: BI-Systeme bieten Analysen für strukturierte, konsistente Datenbestände. Big-Data-Systeme hingegen werden häufig dafür genutzt, neue, bisher ungenutzte Daten zu analysieren, die durch klassische BI-Systeme nicht verarbeitet werden können, weil sie zu groß, zu unstrukturiert oder nahezu in Echtzeit vorliegen. Oft geht es also um das Erschließen neuer Datenquellen, auch wenn Big-Data-Systeme hierauf nicht begrenzt sind.

Christian Löhnert, Sales Engineer bei Consol Bildquelle: © Consol

"In meinen Augen liegt im komplementären Einsatz von klassischen BI-Systemen und neuen Big-Data-Technologien ein zentraler Schlüssel für den künftigen Unternehmenserfolg."

Welche Möglichkeiten gibt es für die Analyse von Big Data?
Löhnert: Der Data-Hub-Ansatz verfolgt das Ziel, ein zentrales, hochverfügbares und skalierbares System zur Verfügung zu stellen, das alle Daten des Ökosystems speichert. Dabei ist ein Data-Lake der zentrale Ort für Datenspeicherung, -zugriff und -analysen. Der Data Hub bietet zusätzlich Funktionen wie Management, Sicherheit und Nachvollziehbarkeit der Daten. Es ist der ursprüngliche Ansatz im Big-Data-Bereich, der allerdings noch längst nicht veraltet ist. Data-Hub-Anbieter verbessern und optimieren ihre Lösungen bereits seit Jahren und ergänzen sie um viele unternehmensrelevante Features, die eine langfristige Datenstrategie auf ein stabiles Fundament stellen.

Wo liegt ein Data Hub? 
Löhnert: Hier setzen viele Unternehmen auf eine Lösung im eigenen Rechenzen­trum. Allerdings verfügen mittlerweile viele Anbieter der Data-Hub-Lösungen über Tools, die die einfache Verteilung auf die Cloud sicherstellen und eine dynamische Skalierung ermöglichen. Auch ein Umzug von einem Anbieter zum anderen oder in die eigene Umgebung ist möglich. Alternativ können hybride Ansätze verfolgt werden, bei denen besonders sensible Daten nach wie vor on-premise gehostet werden, während weniger sensible Daten in den Cloud-Data-Hub wandern. 

Zum anderen ist zu berücksichtigen, dass auch die Cloud-Anbieter auf den Big-Data-Zug aufgesprungen sind und Alternativen zum Data Hub anbieten. Sie verfügen zum Beispiel über ein Portfolio an Services, mit deren Hilfe Batch- und Streaming-Analytics durchgeführt und die Daten an einen Cloud-Speicher oder an ein Visualisierungstool weitergeleitet werden können. Ziel ist die Bereitstellung einer flexiblen Architektur, auf der sich Unternehmen Data-Pipelines nach dem Baukasten-Prinzip zusammenstellen können, ohne sich umfassend mit der Infrastruktur befassen zu müssen. Data-Pipelines oder einzelne Cloud-Services laufen nur nach Bedarf und skalieren mit dem Unternehmen und dessen wechselnden Anforderungen.

Wie bewerkstelligt sich der Aufbau einer kombinierten BI- und Big-Data Umgebung?
Löhnert: BI-Umgebungen sind in den meisten Unternehmen schon vorhanden. In einem solchen Fall kann das BI-System unter Nutzung von Transfertechnologien wie Apache Sqoop mit einem Data Hub verbunden werden, um Daten auszutauschen. Im Vorfeld der Implementierung muss ein Unternehmen aber zunächst einige grundlegende Fragen klären. So ist abhängig von den konkreten Anforderungen und Zielen des Unternehmens das Service- und Betriebsmodell zu definieren: on-premise, Cloud, Data Hub, services-basiert oder hybrid. 
Welchen Ansatz ein Unternehmen verfolgt, hängt letztlich von den konkreten Bedürfnissen und Anwendungsfällen ab; hier ist eine Einzelfallbetrachtung unerlässlich. Je nach Compliance-Vorgaben sind zudem Security- und Data-Governance-Richtlinien festzulegen und umzusetzen. Nicht zuletzt muss ein Unternehmen die interaktiven Zugriffsmöglichkeiten auf Daten sowohl für den Data-Scientist als auch Business-Analyst bestimmen. Der konkrete Aufbau einer kombinierten BI- und Big-Data -Umgebung sollte schließlich schrittweise erfolgen, das heißt, nach und nach sollten weitere Datenquellen und zusätzliche Analysen ergänzt werden.

Und was bringt die Kombination?
Löhnert: Durch die Kombination ist es möglich, die Stärken beider Systeme zu nutzen. Die Lösungskombination bietet damit die Möglichkeit, BI-basierte Analysen mit neuen aggregierten Ergebnissen aus den Big-Data-Systemen anzureichern und damit zu optimieren und zu verbessern. 

Welche Möglichkeiten bietet eine BI/Big-Data-Umgebung etwa für die Produktion?
Löhnert: Ein typisches Beispiel liefern IoT-Szenarien. Durch die Nutzung der Sensordaten von Maschinen, der Daten anderer relevanter Stellen in der Produktion wie Temperaturen oder sekundärer Einflussfaktoren wie Wetterdaten können Produktionsprozesse, Maschinen und Produkte überwacht und optimiert werden. Alle gesammelten Informationen können zudem beispielsweise mit vorhandenen betriebswirtschaftlichen Kennzahlen korreliert werden, um die Unternehmenseffizienz insgesamt zu steigern.