Data LakesRaphael Drechsler

HTWK LeipzigFakultät Informatik, Mathematik und Naturwissenschaften

Studiengang Informatik Master - Matrikelnr. 69872

29.05.2018

Zusammenfassung

Der Begriff des Data Lakes ist 2010 entstanden und wurde in den letzten Jahren stark ”gehyped”.[1] [2][3] Es haben sich viele verschiedene Konzepte und Ansichten zum Thema entwickelt. Im Internet findetman bei einer Recherche zum Thema Data Lake von einem existierneden Unternehmen, welches sich ”theData-Lake-Company” nennt[4], bis hin zu einem Blogeintrag, der die Frage ”Are Data Lakes Fake-News?”mit ja beantwortet[5], eine ganze Menge. Dabei wird die Frage danach, was ein Data Lake ist, von denverschiedenen Quellen nicht eindeutig beantwortet. Auch gibt es zum Zeitpunkt des Erstellens diesesDokumentes in der deutschsprachigen Wikipedia noch keinen Eintrag zu diesem Thema. Die Motivationdieses Abstracts besteht also darin, die bestehenden Unklarheiten zu beleuchten; zu klären was ein Data-Lakeist und sich mit der Frage ”Are Data Lakes Fake-News?” auseinanderzusetzen.

I. Definitionsfrage ”Data Lake”

Der Begriff des Data Lakes wurde erstma-lig von James Dixon (CTO von Pentaho 1)

geprägt. Auf seinem Blog [6] und in mehrenauf Youtube veröffentlichten Videos [7] stellteDixon damals eine von Pentaho angebotene,Hadoop-basierte Big-Data-Lösung vor. Im Rah-men dieser Vorstellung stellt er auch das Prin-zip vor, auf welchem die Solution basiert: DenData Lake.Dixon’s Erläuterung des Prinzips beginnen da-mit, dass er aus mehreren, durch Pentaho be-trachtete Big-Data-Szenarien folgende gemein-same Eigenschaften ableitet.

• Es liegt ein großes Datenvolumen vor, wel-ches zu analysieren ist

• Die Daten entspringen einer Quelle• Die Daten liegen in ihrer rohen Form vor

(können also strukturiert, semi-strukturiertund un-strukturiert sein)

• ggf. sind die Daten angereichert (bspw. An-reichern von Weblogs um Geocodes)

1Pentaho gehört seit September 2017 dem UnternehmenHitachi Vantara an

Liegt ein Daten-Volumen vor, auf welches dieseEigenschaften zutreffen, handelt es sich Dixonnach um einen Data Lake. Im Weiteren nenntDixon zusätzliche Eigenschaften eines solchenData Lakes. Im Kern der Betrachtung steht da-bei, dass der Data Lake als Datenvolumen ver-schiedenen Anwendern über verschiedene Un-ternehmensbereiche bekannte und unbekannte(wenn auch kleinere) Fragen beantworten kannund es daher sinnvoll ist, dieses Datenvolumenfür spätere Analysen abzuspeichern.Der folgende, von Dixon ausgeführte bildlicheVergleich macht diesen Umstand und die Vor-stellung davon, was ein Data Lake ist, nochdeutlicher.

Abbildung 1: Data Marts als Wasserflaschen nach [7]

1

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

Die Verbildlichung setzt bei den DataMarts an und stellt diese als fertig abgefüll-te Mineralwasser-Flaschen dar. Das Wasser fürdiese Flaschen wurde aus einer Datenquellegewonnen, bereinigt, aufbereitet und für denfinalen Verwendungszweck abgepackt. Der Teildes Wassers (der Großteil), welcher nicht in dieData Marts eingegangen ist, fließt dabei wiederab. (Siehe Abb. 1)Das Konzept des Data Lakes setzt an dieserStelle an. Unter der Annahme, dass auch derTeil der Daten, welcher abfließt, wertvolle In-formationen enthalten kann, wird das Daten-volumen als Data Lake persistiert. Aus diesemlassen sich die Data Marts beliefern. Zusätzlichist es durch das Speichern möglich, per Ad-Hoc-Query oder Report direkt auf das Daten-volumen zuzugreifen und somit zuvor unbe-kannte Fragen beantworten zu können. Zudemkönnen Data Lakes wiederum als Datenquel-len für Data Warehouses genutzt werden. Esergibt sich das folgende Bild:

Abbildung 2: Verbildlichung des Data Lakes nach [7]

Diesem Prinzip folgend stellt Dixon die fol-gende Architektur der Pentaho-Solution vor.

Abbildung 3: Architektur Pentaho-Solution 2010 [8]

Dabei finden sich die Elemente des Prinzipsin den drei Schichten der Architektur (Load,Optimize und Visualize) wieder.[7][8]Im weiteren Verlauf der Video-Strecke zur So-lution geht Dixon auf die einzelnen Kompo-nenten und deren Funktionsweisen ein. Im We-sentlichen ist die Definition des Data Lakesdurch Dixon bzw. Pentaho an diesem Punktabgeschlossen.Da die Definition einigen Raum für Interpre-tation lässt, wurde der Begriff im Laufe derfolgenden Jahre von verschiedenen Seiten un-terschiedlich aufgefasst und teilweise neu in-terpretiert. Heute gibt es keinen einheitlichenBegriff des Data Lakes mehr.[9]

II. Wie funktioniert ein Data

Lake?

Über die verschiedenen Lösungen und Kon-zepte, die zu Data-Lake-Solutions existieren,gibt es einige Gemeinsamkeiten. Diese sollenim folgenden betrachtet werden.

Aufbau und Workflow Der Aufbau einerData-Lake-Solution ist zu der von Dixon dar-gestellten Architektur analog. Die Architekturbesteht aus den folgenden drei Schichten.[10][11]

• Data Sources: Umfasst die Quell-Systemebzw. Data-Streams inkl. der Daten, die dasDaten-Volumen (den Data Lake) bilden

• Processing and Storage-Layer: Schicht zumSpeichern und Weiterverarbeiten des Daten-Volumens/Data Lakes

• Visualisation-Layer: Schicht in welcher dieDaten aus dem DWH visualisiert werdenoder/und eine Oberfläche für das Abfragen vonAd-Queries bereitgestellt wird. Weitere Kom-ponenten und Formen der Visualisierung sindhierbei denkbar.

Die Processing and Storage-Layer wirdgelegentlich als der Data Lake bezeichnet (vgl.bspw. [12]), was von Dixons Definition desData Lakes als Datenvolumen (und nicht alsSpeicherort) abweicht.

2

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

Der Workflow in einer Data-Lake-Solutionlässt sich wie folgt skizzieren. Dabei könnendie der Processing and Storage-Layer nachge-lagerten Komponenten je nach betrachteter So-lution variieren.

Abbildung 4: Data-Lake Workflow nach [11]

Die Daten durchlaufen in diesem Prozess diefolgenden Schritte.

• Ingestion: (engl. für Aufnehmen). Die Datenwerden aus den Quell-Systemen bzw. Data-Streams in die Processing and Storage-Layergeladen.

• Processing: Das persistierte Datenvolumenwird so weit aufbereitet, dass es für Analysen,Abfragen und schließlich Reports verwendetwerden kann. Diese Aufbereitung obliegt derRolle des sogenannten Data Scientist.[10]

• Bereitstellung für konsumierende Syste-me: Die aufbereiteten Daten werden nun dennachgelagerten Systemen bereitgestellt.

Wie sich an diesen Prozess die Visualisierunganschließt variiert - je nach eingesetztenKomponenten - von Solution zu Solution.

Im Folgenden sollen einige Detailfragen, diedie Beschaffenheit der Komponenten einerData-Lake-Solution und deren Zusammenspielbetreffen, näher beleuchtet werden.

Storage Für das Speichern des Data Lakes(Datenvolumens) bestehen die Anforderungen,dass zum Einen alle Daten gespeichert wer-den und dass zum Anderen die Daten getreuDixons Definition in Rohform abgelegt wer-den müssen. Da daher sowohl strukturierte,semi-strukturierte und un-strukturierte Datengespeichert werden müssen, ist eine sinnvolleSpeicherung der Daten in einem RDBMS, wel-ches vor dem Schreiben von Daten in die DB

ein Schema voraussetzt (”Sceama on Write”),nicht ohne Weiteres möglich. Eine Lösung hier-bei bietet der ”Sceama on Read”-Ansatz, beidem jegliche Daten ohne definiertes Schemagespeichert werden und das Schema erst beimLesen aus der DB über die Querys definiertwird.Apache Hadoop folgt diesem Ansatz und hatsich als On-Premise-Speicher für Data-Lake-Solutions durchgesetzt. Es existieren auchOnline-Speicher für Data-Lakes, welche auf Ha-doop basieren (Google Cloud Platform, Ama-zon S3, Azure Data Lake). [10]

Ingestion Für das Aufnehmen der Daten indie Processing and Storage-Layer ist es erfor-derlich, dass Daten auf jede Art (also per Batchund per Streaming) aufgenommen werden kön-nen. Apache bietet für beide Arten der Daten-aufnahme entsprechende Processing-Systemean. Als Beispiele seien hier Apache MapRe-duce, Squoop und Spark als Batch-Processing-Systeme und Apache Flink, Storm und Flumeals Streaming-Systeme genannt.[10]Für den Fall, dass im Rahmen der Informa-tionsgewinnung aus dem Data Lake Echtzei-teinsichten bezüglich Streams gewünscht sind,gilt es einen Konflikt zu lösen, der zwischenVerfügbarkeit und Konsistenz der Daten be-steht. Die Stream-Daten müssen für spätereAuswertungen im Data-Lake persistiert wer-den, was jedoch Zeit kostet und somit die Mög-lichkeit auf Echtzeiteinsichten verwehrt. Durchden Einsatz einer Lambda-Architektur lässtsich dieser Konflikt dadurch auflösen, dass einBatch-Processing-Tool (die Batch-Layer) eineServing-Layer mit Daten beliefert. EingehendeAnfragen werden zu großen Teilen aus dieserServing-Layer beantwortet. Das Delta zur Echt-zeitinformation wird durch ein zweites, paral-lel laufendes Streaming-Tool (der Speed-Layer)aufgefüllt. Somit ist sowohl das Persistierender Daten als auch eine Echtzeitauswertungmöglich. (Siehe Abbildung 5) [13]

Eine Alternative zur Lambda-Architekturbietet die Kappa-Architektur. In dieser wirdlediglich ein Stream-basiertes Processing-Tool

3

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

Abbildung 5: Lambda-Architektur [14]

eingesetzt. Dieses ist im Fall einer fehlerhaftenVerarbeitung in der Lage mit teilweise persi-stierte Daten einen sogenannten ”Replay” aus-zuführen. Dabei wird ein paralleler Streaming-Job gestartet, bis der Fehler ausgeglichen ist.Dies bietet den Vorteil, dass die entsprechedenJobs für die Verarbeitung nur noch mit einemTool implementiert werden müssen.[15]Die Tools für die Datenaufnahme sowie dieLambda- bzw. Kappa-Architektur finden auchin den späteren Prozessen des Workflows (ins-besondere Process und ggf. Consumption) An-wendung.

Process Sind die Daten in den Data-Lake ge-langt, muss der Datensee für die Verwendungaufbereitet werden. Die entsprechenden Arbei-ten werden von einer Rolle ausgeführt, die imKonzept des Data-Lakes als Data-Scientist be-zeichnet wird. Der Data-Scientist muss die Da-ten zunächst im Schritt der Daten-Vorbereitunguntersuchen. Er führt ein Profiling der Datendurch und hält seine Ergebnisse sinnvollerwei-se in einem Metadaten-Katalog fest. Hierbeiist es wichtig zu verstehen, worum es sich beiden vorliegenden Daten handelt und wie ihrursprüngliches Schema definiert war. Darüberlässt sich erkennen, wie Daten verschiedenerQuellen integriert werden können. Diese Vorbe-reitung ist notwendig, um getreu dem ”Schemaon Read”-Ansatz ein sinnvolles Schema für dasLesen der Daten definieren zu können.Anschließend kann die Analyse der eigentli-chen Daten und daraufhin die Bereitstellungder Daten für das Konsumieren erfolgen. Da-

bei können über den gesamten Arbeitsschrittdes Processings mehrere Iterationen notwen-dig sein, um einen Mehrwert in Form einesInformationsgewinnes zu erzeugen.Ist ein Mehrwert erzeugt worden, ist es imHinblick auf die sich ändernden oder hinzu-kommenden Daten sinnvoll, die auf die Da-ten angewandten Operationen als sogenanntenWorkFlow zu arrangieren und diesen Work-Flow periodisch oder Ereignis-gesteuert aufdie Daten anzuwenden.Ebenfalls kann es dem Data-Scientist von Nut-zen sein, wiederkehrende, zusammenhängen-de Operationen als sogenannten DataFlow zuarrangieren und diesen DataFlow künftig alsTools für das Vorbereiten und die Analyse derDaten zu nutzen.[10][16]

Consumption Für diesen Abschnitt desWorkflows ist zu überlegen, welche Tools aufwelche Daten des Data-Lakes zugreifen sollen.Fertig aufbereitete Daten können beispielswei-se an nachgelagerte Systeme wie Data Marts,Data-Warehouses (via ETL-Prozess) und an Da-tenbanken von Unternehmensanwendungenweitergeleitet werden. Für die Visualisierungvon Daten des DWHs bzw. von Data Martslassen sich dann beispielsweise BI-Selfservice-Tools einsetzen.Für den Zugriff auf die unaufbereiteten odernur teilweise aufbereiteten Daten beispielswei-se per Web-Oberfläche besteht eine Designfra-ge darin, welchen Anwendern man hierbei wel-chen Zugriff ermöglicht und welchen Mehr-wert das bietet. Die Antworten auf diese Fra-ge bedingen stark die Beschaffenheit der ent-sprechenden Web-Oberfläche für etwaige Self-Service Analysen. [10][16]

Monitoring Der Einsatz von Monitoring-Tools ermöglicht einen Überblick über die Vi-taldaten der einzelnen Komponenten innerhalbder Systemlandschaft. Daher ist der Einsatz ei-nes entsprechenden Tools (wie beispielsweiseApache Ambari) eine sinnvolle Maßnahme.[10]

4

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

Data Governance Diese Detailfrage ist fürden Erfolg einer Data-Lake-Solution entschei-dend. Der folgende Abschnitt soll erläuternweshalb.

III. Data Swamps: Kritik am Data

Lake

Welche Kritikpunkte am Data-Lake-Konzeptbzw. an Data-Lake-Solutions bestehen, wirddeutlich, wenn man die existierenden Verbild-lichungen von pathologischen Data Lakes be-trachtet.

• Der Data Lake als Sumpf: Der gespeicherteData Lake ist nicht zu durchschauen und dieAufbereitung zu abgepackten Mineralwasser-flaschen ist unverhältnismäßig aufwendig bisunmöglich.[3]

• Der Data Lake als Finnische Seenplatte:Der Data Lake ist stark heterogen. Die ausmehreren Quellen im Data Lake vereinigtenDatenmengen bilden mehrere voneinander ab-getrennte Teil-Seen die nur schwer oder nichtzu integrieren sind[17]

• Der Data Lake als Flohmarkt: Hier findetman alles. Es stellt sich jedoch die Frage, wieman effizient sucht und welche Qualität dieangebotenen Waren (Daten) haben.[16]

Gartner 2 beschreibt den Hype von Data La-kes darin begründet, dass das Konzept schein-bar eine Antwort auf die Frage nach mehr Agi-lität und Verfügbarkeit von Datenanalysen dar-stellt. Jedoch sei das Konzept lückenhaft. So kri-tisiert Gartner im Bericht ”The Data Lake Fallacy:All Water and Little Substance.”, dass das Auf-nehmen sämtlicher Daten aus mehreren Quel-len zu einem Data Lake führt, für den sich diebenötigten Metadaten nicht ohne Weiteres er-stellen oder gewinnen lassen, wodurch die ge-sammelten Daten ihren Wert verlieren. Zudemführt Gartner als wesentlichen Kritikpunkt an,dass das Konzept Data Lake keine Vorgabenzum Thema Data Governance macht.[3]

James Dixon bezieht 2014 zu dieser KritikStellung. Hierbei wird besonders ersichtlich,

2Gartner Inc. - Marktforschung und Analyse von IT-Entwicklungen

dass das von Gartner kritisierte Konzept ei-ner Data-Lake-Solution von seiner ursprüngli-chen Definition aus dem Jahre 2010 abweicht.[18] So weist Dixon insbesondere darauf hin,dass der Data Lake nach seiner ursprüngli-chen Definition exakt eine Daten-Quellen ak-zeptiert und verweist für eine Solution, diemehrere Datenquellen aufnimmt, auf den soge-nannten Wassergarten und die entsprechendeWassergartenarchitektur.[19] Bezüglich der feh-lenden Metadaten merkt Dixon an, dass zumData Lake nicht zwingend keine Metadatenvorliegen müssen. Genauer geht Dixon an die-ser Stelle nicht auf die kritisierten Punkte ein,weswegen sich sie Kritik an einer ungenauen,lückenhaften Definition hält.

Sean Martin (Cambridge Semantics3) be-schreibt, dass viele Firmen sämtliche Daten,in der Hoffnung sie später nutzen zu können,in Hadoop speichern. Jedoch verlieren Sie an-schließend den Überblick darüber, was allesgespeichert ist. Bei einem Blick in die Praxisist festzustellen, dass diese Gefahr einen Data-Swamp zu erzeugen bekannt geworden ist undsich daher ein Trend etabliert hat: Vorsichti-ger werden. Primäre Aufgabe einer Data-Lake-Solution ist es nicht mehr alle Daten in Ha-doop zu speichern. Stattdessen liegt der Fokusnun drauf, aus der gespeicherten Datenmen-ge einen Mehrwert zu erzeugen und nicht inder Datenmenge unterzugehen. [1] Diese Ent-wicklung kann als Paradigmenwechsel aufge-fasst werden, da die neue Herangehenswei-se vom ursprünglichen Konzept (Alle Daten-wenn auch von nur einer Quelle- speichern)abweicht.

In jedem Fall rücken Data Governance undinsbesondere die Beachtung der Metadatenals Schlüssel zu einer erfolgreichen Data-Lake-Solution in den Fokus. Dabei sind Data-Catalogue-Tools (Beispielsweise Smart Data Ca-talog von Waterline und AWS Glue) und spezielleTools für Data Governance (wie Apache Atlasund Cloudera Navigator) sinnvolle Tools, um diefür Data Governance relevanten Themen wieData Lineage, Meatadaten-Suche, Datenquali-

3Firma für Big-Data-Management und explorative Da-tenanalyse mit Sitz in Boston, Massachusetts

5

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

tät, Data Lifecycle-Management, Data Securityund Data Integration anzugehen.[10]

IV. Fake-News! Existieren Data

Lakes überhaupt?

Uli Bethke (CEO von Sonra4) stellte August2017 in einem Blogeintrag[5] die Frage ”AreData Lakes Fake-News?” und beantwortetesie mit ja. Das soll für diesen Abstract alsMotivation dienen, um abschließend die Fragezu untersuchen, ob Data Lakes überhauptexistieren.

Nach einer kurzen Recherche im Internetlassen sich einige Firmen finden, welche So-lutions anbieten, die den Gegenstand ”Da-ta Lake” im Titel tragen. Unter anderem zunennen sind: HVR, Podium Data, Snowflake,Zaloni[20], Hitachi[21] und Hortonworks[22].

Auch eine Suche nach erfolgreich umgesetz-ten Data-Lake-Solutions liefert Ergebnisse. Zunennen sind hierbei beispielsweise die Success-Storys der Unternehmen Nissan[23], UC IrvineHealth[24] und Pinsight Media[25] als Kundenvon Hortonworks. Auch auf der Website vonZaloni - ”the Data Lake Company” findensich kurze, positive Statements der KundenCDS Global und Enterprise Strategy Groupbezüglich der umgesetzten Lösungen.[26].

Die wesentliche Frage ist jedoch, ob alldiese umgesetzten und angebotenen Lösungendas Label einer Data-Lake-Solution tragensollten. Inwiefern folgen die Lösungen demursprünglichen Konzept von Dixon bzw.Pentaho? Inwiefern weichen Sie davon ab?Und ist das ausschlaggebend dafür, dasseine Solution als Data-Lake-Solution gilt?Kurzum: Ohne genaue Definition der BegriffeData-Lake und Data-Lake-Solution ist es nichtzweifelsfrei möglich Solutions diesen Begriffenunterzuordnen.Zu einem ähnlichen Schluss kommt auch derBlogeintrag ”Are Data Lakes Fake-News?”.Hier heißt es, dass der Begriff ”Data Lake”

4Unternehmen für IT und Services mit Sitz in Dublin

einige nützliche Konzepte (Data Reservoirund self-service analytics) fasst, jedoch let-zenendes zu einer ”cath-all-phrase” für alleLösungen geworden ist, die nicht zum ThemaData-Warehousing gehören.[5]

Es ist also festzuhalten, dass Lösungen, dieder grundlegenden Idee des Data Lakes folgen,existieren. Ob eine solche Solution aus diesemGrund das Label Data-Lake-Solution tragensollte und welcher Mehrwert sich daraus ergibtobliegt der Einschätzung des Betrachters.

Literatur

[1] Alan Morrison Brian Stein. Data lakes andthe promise of unsiloed data. Technicalreport, PricewaterhouseCooper, 2014.

[2] James Ovenden. Say goodbye toyour data lake in 2017. https://channels.theinnovationenterprise.com/articles/say-goodbye-to-your-data-lake-in-2017. Veröffentlicht: 10.01.2017,Zugriff: 29.04.2018.

[3] Rob van der Meulen Janessa Rivera.Gartner says beware of the data la-ke fallacy. https://www.gartner.com/newsroom/id/2809117. Veröffentlicht:28.07.2014, Zugriff: 29.04.2018.

[4] Zaloni. Zaloni homepage. https://www.zaloni.com. Zugriff: 30.04.2018.

[5] Uli Bethke. Are data lakes fakenews? https://sonra.io/2017/08/08/are-data-lakes-fake-news/. Veröffent-licht: 08.08.2017, Zugriff: 29.04.2018.

[6] James Dixon. James dixon’s blog: Pen-taho, hadoop, and data lakes. https://jamesdixon.wordpress.com/2010/10/14/pentaho-hadoop-and-data-lakes/.Veröffentlicht: 14.10.2010, Zugriff:29.04.2018.

[7] James Dixon. Pentaho hadoop se-ries part 1: Big data architecture.https://www.youtube.com/watch?v=

6

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

tR_yLsr87Uk. Upload: 24.10.2012, Zugriff:29.04.2018.

[8] James Dixon. Pentaho hadoop series part3: Overview. https://www.youtube.com/watch?v=_lCyXUA1iag&t=6s. Upload:24.10.2012, Zugriff: 30.04.2018.

[9] Lance Weaver. Why compa-nies are jumping into data lakes.https://blog.equinix.com/blog/2016/11/10/why-companies-are-jumping-into-data-lakes/. Veröffentlicht:10.11.2016, Zugriff: 29.04.2018.

[10] Christian Mathis. Data lakes. Datenbank-Spektrum, 17(3):289–293, 2017.

[11] Bhushan Satpute. Enterprise data la-ke: Architecture using big data tech-nologies. https://www.youtube.com/watch?v=hsq4s_l9ZDM&t=380s. Upload:28.03.2016, Zugriff: 29.04.2018.

[12] Matt Kalan. The future of big dataarchitecture. https://www.mongodb.com/blog/post/the-future-of-big-data-architecture. Veröffentlicht: 13.01.2017,Zugriff: 30.04.2018.

[13] Nathan Marz. How to beat the cap theo-rem. http://nathanmarz.com/blog/how-to-beat-the-cap-theorem.html. Veröf-fentlicht: 13.10.2011, Zugriff: 29.04.2018.

[14] Satyam Rai. Big data lambda ar-chitecture. https://www.youtube.com/watch?v=1CG01JmKp2Y&t=2s. Upload:30.09.2015, Zugriff: 04.05.2018.

[15] Jay Kreps. Questioning the lambda archi-tecture. https://www.oreilly.com/ideas/questioning-the-lambda-architecture. Veröffentlicht: 02.07.2014,Zugriff: 29.04.2018.

[16] Alex Gorelik. How to build a suc-cessful data lake: Talk at hadoop sum-mit 2016. https://www.youtube.com/watch?v=zHokpz3qNJ8&t=610s. Upload:29.06.2016, Zugriff: 29.04.2018.

[17] Martin Willcox. What is a data la-ke, anyway. https://www.youtube.com/watch?v=NO0r452uQM0&t=835s. Upload:10.02.2015, Zugriff: 29.04.2018.

[18] James Dixon. James dixon’sblog: Data lakes revisited. https://jamesdixon.wordpress.com/2014/09/25/data-lakes-revisited/. Veröffent-licht: 25.09.2014, Zugriff: 29.04.2018.

[19] James Dixon. Pentaho hadoop se-ries part 5: Big data and data ware-houses. https://www.youtube.com/watch?v=1CG01JmKp2Y&t=2s. Upload:24.10.2012, Zugriff: 29.04.2018.

[20] Timothy King. 4 data laketools vendors to watch in 2018.https://solutionsreview.com/data-management/4-data-lake-tools-vendors-to-watch-in-2018/. Veröf-fentlicht: 17.04.2018, Zugriff: 02.05.2018.

[21] Hitachi Vantara. Hitachi websi-te: Enterprise data lake. https://www.hitachivantara.com/de-de/solutions/data-analytics/enterprise-data-lake.html. Zugriff:02.05.2018.

[22] Shaun Connolly. Enterprise hadoop andthe journey to a data lake. https://de.hortonworks.com/blog/enterprise-hadoop-journey-data-lake/. Veröffent-licht: 15.03.2014, Zugriff: 02.05.2018.

[23] Matt Spillar. How nissan is harnessingbig data to provide value to custo-mers. https://de.hortonworks.com/blog/nissan-harnessing-big-data-provide-value-customers/. Veröffent-licht: 13.11.2017, Zugriff: 03.05.2018.

[24] Hortonworks. Hortonworks kun-den: Uc irvine health. https://de.hortonworks.com/customers/uc-irvine-health/. Zugriff: 03.05.2018.

[25] Tom Hastain. Pinsight mediaconnects brands to audiences to be

7

Raphael Drechsler Oberseminar Datenbanksysteme Sommersemester 2018

first fueling intelligent ad decisi-ons. https://de.hortonworks.com/blog/pinsight-media-connects-brands-audiences-first-fueling-intelligent-ad-decisions/. Veröffent-licht: 03.04.2017, Zugriff: 03.05.2018.

[26] Zaloni. Zaloni homepage: Solutions: Datalake in a box. https://www.zaloni.com/analytics-ready-data-lake/. Zugriff:03.05.2018.

8