Die Fakten, Mythen und Wahrheiten hinter Big DataEin Überblick aus Expertensicht

2

Management Summary

Alles ist mit allem verknüpft, alles hängt voneinander ab. Angesichts der riesigen Daten-

mengen wird es immer schwerer, den Überblick zu behalten. Und die digitale Flut steigt

weiter. Mit der richtigen Technologie jedoch können Organisationen diese überbordende

Datenfülle – auch Big Data genannt – in große Chancen verwandeln. Aber was ist Big Data

eigentlich?

Und wie steht es mit allem anderen, was irgendwie mit Big Data zu tun hat? Was verbirgt

sich hinter In-Memory-Technologie, SAP HANA® oder Hadoop? Vor allem aber: Welchen

Einfluss hat Big Data heute und künftig auf Unternehmen und deren Geschäft? Ziel dieses

White Papers ist es, die aktuelle Entwicklung zu beleuchten. Neben den persönlichen

Perspektiven unserer Fachleute spiegelt es Trends wider, liefert Fakten und wichtige Defini-

tionen, entschleiert weitverbreitete Mythen und räumt mit Fehlinformationen auf.

Über die Autoren

Klaus-Christoph MüllerKlaus -Christoph Müller ist Director Global Business Solutions bei itelligence in Berlin.

Der Schwerpunkt seiner Arbeit liegt auf der Entwicklung von Branchenlösungen. Er

verfügt über langjährige Erfahrung im Business Development, in der Strategieberatung, in

der Lösungsentwicklung und im Presales. Seine Karriere begann Klaus -Christoph Müller in

der Automobilindustrie, wo er bei Volkswagen und DaimlerChrysler Financial Services

(jetzt Daimler AG) verschiedene Fach- und Managementpositionen innehatte. Der Autor

verfügt über Wissen und Erfahrung aus zahlreichen erfolgreichen Projekten mit innova-

tiven Prozesslösungen.

Kontakt: klaus-christoph.mueller@itelligence.de

Christian SchmidtChristian Schmidt ist Global Director Business Analytics für itelligence in München.

Seine Arbeit konzentriert sich auf Technologien zur Geschäftsanalyse, einschließlich

SAP® BusinessObjects™, SAP NetWeaver® Business Warehouse und In-Memory-Tech-

nologie von SAP (SAP HANA) . Er sammelte ausgiebige Industrieerfahrung in verschie-

denen Positionen als Experte und im Management bei der Deloitte GmbH, bei der

Infineon Technologies AG und der Mead Corporation (jetzt MeadWestvaco). Zurzeit

arbeitet Christian Schmidt mit Kunden zusammen und implementiert SAP HANA. Er

ist außerdem ein angesehener Referent, der bei wichtigen Branchenveranstaltungen

in ganz Europa spricht.

Kontakt: christian.schmidt@itelligence.de

3

Inhaltsverzeichnis

Management Summary 2

Über die Autoren 2

Die aktuellen Herausforderungen 4

Geschäftliche Herausforderungen 4

IT-Herausforderungen 4

Was ist Big Data? 5

Mythos 1: „Big Data ist etwas Neues“ 7

Praxisbeispiele für Big Data 8

Mythos 2: „Big Data ist eine Einzeltechnologie“ 9

Was ist In-Memory-Technologie? 9

Mythos 3: „In-Memory ist nur ein Hype von SAP“ 11

Was ist Hadoop? 12

Mythos 4: „Hadoop ist eine Alternative zu In-Memory-Technologie“ 13

Wie Big Data die Business-IT der Zukunft beeinflusst 14

Predictive Analytics – weil die Zeit dafür reif ist! 16

Mythos 5: „In-Memory-Computing ist das Ende von Data Warehousing“ 18

Empfehlungen für Big-Data-Strategien 19

Predictive Analytics wird zum großen Vorteil 19

SAP HANA hat sich als Plattform bewährt 20

Der Business Case weist den Weg 21

Seite

4

Die aktuellen Herausforderungen

Geschäftliche Herausforderungen

Zwei Jahrzehnte im Zeichen einer enormen Internationalisierung gingen für Unternehmen

fast aller Branchen mit einem bislang ungeahnten Ausmaß an Veränderungen einher.

Das stellt große Konzerne und mittelständische Unternehmen gleichermaßen vor vielfältige

Herausforderungen – eröffnet ihnen aber zugleich auch große Chancen: Sie können nun

Märkte erschließen, von denen sie zuvor kaum zu träumen wagten. Andererseits verlangen

der intensivierte Wettbewerb und die höhere Marktdynamik nach:

■ kürzeren Reaktionszeiten,

■ beschleunigten Innovationszyklen,

■ besonders flexiblen und anpassungsfähigen Geschäftsprozessen.

Im gleichen Ausmaß wie der globale Wettbewerb und

ein sich wandelndes Konsumverhalten das Tempo

vorgeben, verbreiten und vervielfältigen sich relevante

Daten explosionsartig: Das Internet, soziale Medien und Mobilgeräte sprengen alle

räumlichen und zeitlichen Grenzen. Daten im Allgemeinen sowie die geschäftsrelevanten

Daten im Besonderen wachsen exponentiell. Das Pro-Kopf-Volumen an technologischer

Speicher kapazität hat sich seit den 1980er Jahren alle 40 Monate nahezu verdoppelt.

2012 wurden beispielsweise 2,5 Exabyte an neuen Daten erstellt – und das an jedem

einzelnen Tag des Jahres.

IT-Herausforderungen

Die neue geschäftliche Realität unserer Welt ist für die IT-Systeme und -Abteilungen in

den Unternehmen eine besondere Herausforderung. Wo es früher relativ stabile Geschäfts-

umgebungen gab, herrscht heute ein Klima ständiger Veränderung. Übernahmen und

Zusammenschlüsse, Umstrukturierungen, Ausgründungen oder neue Produkte verlangen

nach neuen Prozessen und manchmal auch Systemen. Damit die IT mit dieser variablen

Geschäftsumgebung Schritt halten kann, muss sie viel schneller und deutlich flexibler

werden. Ein möglicher Weg zu mehr Agilität führt über die Abkehr von klassischen

Was ser fallmodellen.

Gleichzeitig haben der sogenannte Consumerism, also die veränderte Erwartungshaltung

an die Bedienerfreundlichkeit, und das veränderte Nutzungsverhalten im Zuge der rasanten

Entwicklung bei Smartphones enorm an Bedeutung gewonnen. Big Data ist neben mobilen

Technologien, sozialen Medien und der Cloud nur einer von vier großen, ineinander greif-

enden Trends, denen sich IT-Abteilungen aktuell gegenüber sehen (siehe Abbildung 1).

» Veränderung ist der Prozess, mit dem

die Zukunft unser Leben durchdringt. «

Alvin Toffler

5

Vor dem Hintergrund dieser großen technologischen Fortschrittstreiber scheinen knappe

Budgets so etwas wie die letzte Konstante in einer sich ständig wandelnden Welt zu sein.

Aber es gibt auch gute Neuigkeiten: Datenspeicherung ist inzwischen billiger denn je!

Außerdem wird die Datenverarbeitung über RAM-Module und CPU immer schneller

und kostengünstiger (siehe Abbildung 2).

Dieser erstaunliche Preisverfall geht einher mit neuen In-Memory-Technologien wie SAP

HANA und neuen Analyseanwendungen wie Hadoop. Sie ermöglichen schnelle und

kostengünstige Big-Data-Analysen, und das sowohl konventionell vergangenheitsorientiert

als auch zunehmend zukunftsgerichtet (Predictive Analysis). Was dabei aber noch

wichtiger ist, die IT kann nun ihre bislang vielleicht größte Schwachstelle überwinden –

die schwierige Integration zwischen der transaktionalen (oder operativen) Datenver -

ar beitung und der Datenanalyse.

Was ist Big Data?

Wie so oft bei heißen Themen: Jeder spricht darüber, aber allzu häufig bleiben viele grundle-

gende Definitionen und Fakten im Dunkeln. Stattdessen entsteht umso mehr Raum für die

Bildung von Mythen.

Abbildung 1: Wie Innovationen die Business-IT beeinflussen

Business IT

Sozialweltweite Vernetzung,

„Consumerism“

Mobilimmer und überall

zugänglich

Big Datarasch steigender Umfang, komplex, sehr veränderlich

Cloudskalierbar,

wartungsarm, kosteneffektiv

6

Worum also handelt es sich genau bei Big Data? Grundsätzlich gilt: „Big Data ist ein

Allerweltswort für jede Sammlung von Datensätzen, die so groß und komplex ist, dass

es schwierig wird, sie mit den bisher verfügbaren Datenmanagement-Tools oder herköm-

mlichen Datenverarbeitungsanwendungen zu verarbeiten.“ Nach einer etwas differenzi-

erteren Definition von Gartner lässt sich Big Data im Englischen durch die „3 Vs“ kenn-

zeichnen: Volume (Menge), Velocity (Geschwindigkeit) und Variety (Vielfalt).

Volume (Menge):

■ Immer größere Mengen an Daten werden beispielsweise durch Maschinen produ- ziert – in Petabytes pro Tag: Eine einziges Flugzeugtriebwerk erzeugt alle 30 Minuten

rund 10 TB an Tracking-Daten … und täglich finden etwa 25.000 Flüge statt!

■ Strukturierte Daten erfordern eine hohe Bandbreite und Speicher mit großen Kapazitäten.

Velocity (Geschwindigkeit):

■ Datenströme in sozialen Medien erzeugen beispielsweise einen ständigen Zustrom an Meinungen und Beziehungen, die für das Kundenbeziehungsmanagement wertvoll sind.

■ Selbst bei nur 140 Zeichen pro Tweet erzeugt die hohe Geschwindigkeit (und Frequenz) von Twitter-Daten eine Menge von über 8 TB täglich.

Variety (Vielfalt):

■ Für neue Dienste, neue Sensoren oder neuartige Marktkampagnen werden auch neue Datenarten benötigt, um die entstehende Information zu erfassen.

■ Die größten Herausforderungen liegen darin, die sprichwörtliche Nadel im Heuhaufen zu finden, die relevante Information innerhalb einer großen Datenmenge herauszu-

filtern – und die relevanten Daten dann für weitere Analysen aufzubereiten.

Abbildung 2: Kosteneffizientere Speicherung und beschleunigte Verarbeitung von Daten

Die „3 Vs“ charakterisieren

Big Data

Datenmenge 4 TB

Mehr Speicher und Geschwindigkeit bei erheblich geringeren Kosten!

z. B. 1 Milliarde Textdateien mit je 4 KB

* Abruf und Hochladen aus HD-Speicher

** Lesen aus RAM

Jahr Speicherkosten Verarbeitungszeit

2003

2008

2014

600.000 US $ 33 Std. 20 Min.*

17 Min.**

100.000 US $

20.000 US $

7

Warum ist die Datenmenge in den letzten

Jahren so drastisch gestiegen? Ein Grund

ist in den sinkenden Preisen für Infra-

struktur, beispielsweise für GPS-Sender,

Netz werk verbindungen und Speicherme-

dien zu finden. Entscheidend sind jedoch

die neu en Möglichkeiten der persönlichen und geschäftlichen Kommunikation, welche

z. B. Internet, Mobilgeräte und soziale Netzwerke bieten. Zugleich schafft die explodie-

rende Anzahl an Kommunikationspunkten und Verflechtungen immer mehr Ein- und

Ausgangs punkte für Daten – eine klassische Henne-Ei-Situation!

Und wie wirkt sich das auf die Geschäftsmodelle von Unternehmen aus? Vielleicht nicht

gleich – aber eventuell schon bald. Einige Fälle und Zahlen veranschaulichen es beispielhaft.

Aus den sozialen Medien:

Facebook hat über 1,31 Milliarden Nutzer. Sie teilen sich alle 20 Minuten rund eine Million

Links und tauschen etwa drei Millionen Nachrichten aus. Facebook sammelt dabei geschätzt

etwa 500 TB an Daten täglich. „Wenn man aus Big Data keinen Nutzen zieht, hat man

nicht Big Data, sondern einfach nur Massen an Daten“, sagt Jay Parikh, Vice President

Infra struc ture bei Facebook: „Uns interessiert alles.“ Zum Vergleich: Die gesamte US-Library

of Congress umfasst lediglich 20 TB an Daten.

Aus der klassischen Industrie:

Das „Internet der Dinge“ (in Deutschland häufig auch Industrie 4.0 genannt) hebt die

automatisierte Maschine-zu-Maschine-Kommunikation auf die nächste Ebene. Ein

bekan nter Anwendungsfall ist das „vernetzte Auto“: Viele Fahrzeuge sind bereits mit einem

Internet zugang und einem drahtlosen lokalen Netzwerk (WLAN) ausgerüstet. Autos

warnen sich so gegenseitig oder helfen Dienstleistern und Erstausrüstern dabei, Prob -

leme zu entdecken, ehe sie entstehen. Die neuesten Daten von ABI Research zum „Inter-

net of Everything“ (IoE) gehen heute bereits von über 10 Milliarden drahtlos verbun-

denen Geräten im Markt aus. 2020 sollen es schon über 30 Milliarden sein.

Mythos 1: „Big Data ist etwas Neues“

Big Data ist nicht wirklich neu. Unternehmen beschäftigen sich schon seit Langem mit

großen Datenmengen und führen anspruchsvolle Analysen durch. Denken Sie nur an

die Kaufempfehlungen bei Ebay oder Amazon. Der geschäftliche Wert von Big Data in

diesem Zusammenhang bedarf keines weiteren Nachweises.

» Big Data beschreibt große Mengen an komplexen

und variablen Hochgeschwindigkeitsdaten, für

deren Informationsanalyse fortschrittliche Tech-

niken und Technologien erforderlich sind. «

Big Data

ist nicht neu!

8

Praxisbeispiele für Big Data

1. Medizinforschung Big Data bietet hier völlig neue Möglichkeiten, Erkenntnisse zu gewinnen. Früher ha-

ben Forscher Hypothesen über Beziehungen oder Einflussfaktoren in umfangreichen

statistischen Verfahren nachweisen müssen. Das war sehr zeit- und kosten-intensiv.

Häufig musste deshalb die Anzahl an Variablen auf einige ausgewählte Parameter

beschränkt werden. Und bei einer Falsifizierung der Hypothese war alles umsonst:

Man musste wieder komplett von vorne beginnen.

Mit Big Data können die Forscher nun den umgekehrten Ansatz wählen: von den

Daten hin zur Hypothese. So können z. B. auf der Grundlage zahlloser verfügbarer

Datensätze aus medizinischen Aufzeichnungen gezielt nach neuen Beziehungen

gesucht werden.

2. Politische Meinungsforschung Vor der US-Präsidentenwahl 2012 sammelte die Fachhochschule Ludwigshafen

am Rhein über 50 Millionen Feeds und Posts von Twitter und Facebook als Showcase

für die In-Memory-Datenbank SAP HANA. Etwa 1,5 Millionen Posts täglich (über

18 pro Sekunde) wurden in Bezug auf sinnvolle Meinungen hinsichtlich der Kandi-

daten ausgewertet. Die auf dieser Analyse unstrukturierter Daten basierenden Vorher-

sagen zum Wahlausgang übertrafen die Erwartungen und lagen überraschend

nah an den tatsächlichen Ergebnissen.

3. Einzelhandel 2011 eröffnete der Einzelhandelsriese Tesco einen virtuellen Supermarkt in der

U-Bahn der südkoreanischen Hauptstadt Seoul. Berufspendler können dort einfach

per Smartphone einkaufen. Während Wartezeiten können Kunden über QR-Codes

auf digitalen Werbeanzeigen bestellen und sich die Waren an die Haustür liefern

lassen. Die Online-Umsätze stiegen in der Folge um 130 Prozent. Darüber hinaus op-

timierte Tesco zusätzlich die internen Prozesse mit Big Data: Mehr als 70 Millionen

Datenpunkte von Kühlschränken werden in ein spezielles Data Warehouse einges-

peist und analysiert. Auf diese Weise lässt sich beispielsweise die Geräteleistung

überwachen und erkennen, ob regelmäßige oder präventive Wartungen zur Senkung

der Energiekosten notwendig sind.

4. Lotterie Tipp24 AG, eine Online-Plattform für unterschiedliche europäische Lotterien, ver-

wendet die (kürzlich von SAP erworbene) Software KXEN, um Milliarden von

Transaktionen und Hunderte von Kundenattributen zu analysieren. Tipp24 kann

vorausschauende Modelle für eine optimierte Kundenansprache nach Zielgruppen

und personalisierte Nachrichten für die Verkaufsförderung entwickeln. Zusätzliche

prädiktive Modelle lassen sich so um 90 Prozent schneller erstellen.

Hohe Wertigkeit

von Big-Data-

Technologie

9

Mythos 2: „Big Data ist eine Einzeltechnologie“

Alle Beispiele belegen den hohen Wert von Big-Data-Technologie – vom Wissensmanagement

über Geschäftsanalytik und das betriebliche Berichtwesen bis hin zu Simulationen und

zur Forschung.

Was sie gemeinsam haben, sind besonders intelligente, ganz unterschiedliche Lösungsan-

sätze, die sich auf strukturierte und unstrukturierte Daten aus heterogenen Quellen

stützen. Was sie nicht aufweisen, ist eine einzige, zentrale Big-Data-Technologie – schlicht

deshalb, weil es sie nicht gibt. Big Data steht für den kombinierten Einsatz von unter-

schiedlichsten (alten und neuen) Methoden und Technologien. Sie alle zielen darauf ab,

neue Erkenntnisse zu gewinnen und gleichzeitig riesige Datenmengen effektiv und ohne

Speicherprobleme zu verwalten.

Um es ganz deutlich zu machen: Big Data erfordert vor allem außergewöhnliche Ansätze,

die zum einen die Verarbeitung unterschiedlichster Massendaten aller Art ermöglichen

und zum anderen Endanwender in kürzester Zeit zu neuen Erkenntnissen und Maßnahmen

führen.

Nach diesen grundlegenden Definitionen von Big Data, hat sich der Nebel um weit

verbreitete Mythen vielleicht schon etwas gelichtet. Damit können nun zwei zentrale

Technologien in den Fokus rücken: In-Memory-Technologie und Hadoop.

Was ist In-Memory-Technologie?

Das herkömmliche Modell der relationalen Datenbank mit zeilenorientiertem Zugriff

wurde in datenintensiven Anwendungen wie Business Intelligence früh von Verfahren mit

spaltenorientiertem Zugriff abgelöst. Der Zugriff auf den Datenspeicher, die sogenannte

Input/Output-(I/O-)Rate, blieb jedoch weiterhin der entscheidende Engpass: Moderne

Prozessoren können hochkomplizierte Algorithmen zwar blitzschnell ausführen, herkömm-

liche (relationale) Datenbanken damit jedoch nicht Schritt halten.

Erheblich leistungsfähigere Prozessoren und der große Preisverfall bei den Rechenkapa-

zitäten ermöglichen heute die direkte Datenhaltung im Hauptspeicher (In-Memory).

Dadurch lässt sich der zeitaufwendige Speicherzugriff vollständig vermeiden – so rückt die

In-Memory-Technologie auf die Agenda vieler CIOs.

10

SAP HANA, ein von SAP entwickeltes und vermark-

tetes, spaltenorientiertes, relationales In-Memory-

Datenbank-Managementsystem, ist vielleicht das

bekannteste Beispiel für eine dedizierte In-Memory-

Technologie. Zu ihren Fähigkeiten gehören die Part -

itionierung für Datenbank-Computing (komplexe Abläufe finden direkt auf Datenbanke-

bene statt) sowie der Verzicht auf Aggregatsbildung (flexible Datenmodelle ohne Redun-

danzen). Weitere Merkmale sind die Echtzeitreplikation und schnelle Ladevorgänge für

Daten; die Delta-Eingabe sowie eine Datenkompression von bis zu 80 Prozent. Vor allem

aber führt die spalten- und zeilenorientierte In-Memory-Speicherung zu höheren Reak -

tionsfähigkeit und einer außerordentlichen Beschleunigung (siehe Abbildung 3).

Das ist nicht nur bei geschäftlichen Analysen oder bestimmten Big-Data-Szenarien von

großem Nutzen, sondern alle Transaktionen können viel schneller verarbeitet werden.

Somit lassen sich unmittelbare Erkenntnisse aus Daten gewinnen, die bisher aufgrund

der Leistungsgrenzen relationaler Datenbanken und des „I/O-Engpasses“ ungenutzt

bleiben mussten. Diese Beschleunigung ermöglicht Echtzeitanalysen und generell eine

höhere Wertschöpfung in Geschäftsprozessen und kann sogar zu grundlegenden Veränder-

ungen in Geschäftsmodellen führen.

» In-Memory-Computing leitet einen gravie-

renden Wandel ein, weil es die Total Cost

of Ownership drastisch reduziert. «

Abbildung 3: Herkömmliche Architektur im Vergleich mit SAP HANA

Herkömmlich Mit SAP-HANA-Software

In-Memory

Speicher

Cache

Standard- Festplatten-technologie

Flash

Partitionierung

Keine aggregierten Tabellen

Nur Delta-Eingabe

Kompression

Speichern in Reihen und Spalten&

11

Mythos 3: „In-Memory ist nur ein Hype von SAP“

Man sollte sich nicht von selbsternannten Experten in die Irre führen lassen: In-Memory

ist weder „nur ein Hype von SAP“ noch „eine neue und unerprobte Technologie“: Über

50 Softwareanbieter liefern heute bereits In-Memory-Technologie. Für bestimmte An wen-

dungs arten, insbesondere für analytische Zwecke, steht In-Memory-Computing sogar

schon seit den späten 1990er Jahren bereit. Text- und Semantikanalysen gibt es ebenfalls

seit vielen Jahren. Bei SAP beispielsweise kam diese Technologie erstmals bei SAP

Advanced Planning and Optimization und in der Suchmaschine TREX zum Einsatz.

Vergleichsweise neu ist jedoch, dass sich

der Einsatz von In-Memory-Technologie

nicht mehr auf zweckbestimmte oder

einzelne, spezialisierte Anwendungen

beschränkt. Seit 2013 kann SAP HANA

vorhandene relationale Datenbanken vollständig ersetzen und lässt sich als zentrale

Platt form für die komplette SAP Business Suite nutzen – auch für SAP BW/BI/BO und als

unabhängige Plattform für neue Anwen dungen. Da SAP nun die gesamte SAP Business

Suite auf SAP-HANA-Datenbanken anbietet, lassen sich die Vorteile der In-Memory-

Technologie auch für transaktionale Abläufe erschließen.

Gartner prognostiziert, dass die meisten IT-Organisationen bis 2025 dem Weg von SAP

folgen und ihre gesamte Infrastruktur auf In-Memory-Datenbanken und Flash-Speicher

umstellen werden. Die Tage von Tape und HDD sind also gezählt.

» Bis 2025 werden die meisten IT-Organisationen

dem Weg von SAP folgen und ihre gesamte Infra-

struktur auf In-Memory-Datenbanken betreiben. «

Auf einen Blick: Die Vorteile der In-Memory-Technologie

■ Geringere Betriebskosten für Anwendungen (durch Auslagerung von Datenbanken und Legacy-Anwendungen)

■ Leistungsfähigere transaktionale Anwendungen

■ Mehr horizontale Skalierbarkeit (Scale-up/Scale-down)

■ Schnellere Reaktionszeiten bei Analyseanwendungen

■ Geringe Latenzzeit der Anwendungsprotokolle (<1 Mikrosekunde)

■ Drastisch schnellere Ausführung von Batch-Prozessen

■ Business Intelligence als Selfservice inklusive freier Daten-Explorationen

■ Korrelationen/Muster in Millionen von Abläufen lassen sich „in null Komma nichts“ erkennen

■ Unterstützung von Big Data (Big Data ist speicherintensiv)

■ Hybrid Transactional Analytical Processing (HTAP) – Transaktions- und Analyse- anwendungen lassen sich mit der gleichen physischen Datenbank betreiben

12

Was ist Hadoop?

Eines vorab: Das von der Apache Foundation entwickelte Hadoop ist keine Datenbank!

Es ist vielmehr ein auf Java basierendes Software-Framework für skalierbare, dezentrale

Softwareanwendungen, welches eine einfache Handhabung und Analyse großer Daten -

mengen unterstützt.

Wie bereits zuvor erwähnt, sind die „3 Vs“ – Volume (Menge), Velocity (Geschwindigkeit)

und Variety (Vielfalt) von Big Data die wichtigsten Herausforderungen für plattenbasierte,

relationale Datenbanken. Und genau hier setzt Hadoop an.

■ Volume: Hadoop bewältigt Datenmengen durch die Aufteilung von Daten und deren Verarbeitung auf mehrere „Datenknotenpunkte“. Falls Datenmenge oder

Verarbeitungspensum an einem einzelnen Datenknotenpunkt steigen, lassen sich die Daten von einem Knotenpunkt auf weitere verteilen.

■ Velocity: Hadoop sorgt für Datengeschwindigkeit, indem es die Trägheit vermeidet (oder zumindest verzögert), die mit der Eingabe von Daten in ein herkömmliches

relationales Datenbankmanagementsystem einhergehen.

■ Variety: Hadoop bewältigt unterschiedliche Daten, indem es sie als Linux-Betriebs - system-Dateien abspeichert – ohne sie vorab zu überprüfen oder zu verarbeiten.

So lässt sich absolut jede Art von Daten speichern, ohne vorher die Datenstruktur zu kennen oder zu definieren.

Hadoop läuft auf Hunderten oder Tausenden

von kostengünstigen Commodity-Servern,

sogenannten DataNodes (Datenknotenpunkte).

Jeder speichert nur einen Teil der Daten. Durch

die Aufteilung eines Verarbeitungsschritts in

Tausende parallel laufende, kleinere Schritte auf

einzelnen Maschinen kann Hadoop problem los

Petabytes oder mehr verarbeiten. Es werden einfach weitere DataNode-Server hin zu gefügt.

Hadoop folgt dem Map-Reduce-Programmiermodell von Google, und kann so Analyse-

und Verarbeitungstätigkeiten parallel ausführen (siehe Abbildung 4). Ein weiteres zentrales

Merkmal der Hadoop-Softwarearchitektur ist es, dass Datenspeicherung und Datenver -

arbeitung getrennt voneinander erfolgen.

Viele Grundprinzipien von Hadoop sind schon lange bekannt. Sie erinnern stark an

Methoden wie Stored Procedures und Batchläufe. Einen zentralen Unterschied stellen

aber die erheblich einfacheren Benutzerdialoge dar. Die Antworten erscheinen, ähnlich

wie bei Google oder anderen Suchmaschinenanbietern, quasi schon während der Ein -

g abe. Beeindruckend – insbesondere, wenn man die riesige Zahl der zugrunde liegenden

Datensätze kennt.

» Mit Hadoop lassen sich größere, granulare

Datenmengen kostengünstiger speichern. Auch

der Zugriff ist einfacher möglich. Man kann

mehr in die Tiefe gehen und Geschäftsdaten auf

unterschiedlichsten Wegen eingeben. «

13

Obwohl sich Hadoop und ähnliche Ansätze noch im Frühstadium befinden, sind sie

jetzt schon eine Überlegung wert. Relationale Datenbanken sind nicht in der Lage,

den aufgezeigten Anforderungen von Big Data gerecht zu werden. Und auch In-Memory-

Technologie allein kann unter Umständen nicht alle Anforderungen bedienen. Das

führt zur nächsten Frage: Wie verhält sich Hadoop eigentlich zu In-Memory-Technologie?

Mythos 4: „Hadoop ist eine Alternative zu In-Memory-Technologie“

Angesichts der genannten Fakten ist klar, dass Hadoop keine Alternative oder Konkurrenz

für In-Memory-Computing darstellt. Im Gegenteil: In-Memory ist vielmehr die technische

Grundlage und eine ideale Plattform für Hadoop.

Hadoop und In-Memory-Technologie ermöglichen in Echtzeit eine einfache Integration

von großen Datenvolumen aus unterschiedlichen Quellen. Big Data lässt sich so ohne

Beeinträchtigung durch vorhandene Business-Analytics- und Data-Warehouse-Strukturen

analysieren.

Das ist auch einer der Gründe für die Kooperation von SAP mit dem Hadoop-Framework.

Daraus resultierte bereits ein dediziertes Toolset für eine einfache Integration in SAP-

BW-Systeme. Weitere Kooperationsvereinbarungen gibt es mit Hadoop-Anbietern wie

Cloudera, Hitachi Data Systems, Hortonworks, HP und IBM –

alle auf Basis der In-Memory-Datenbank SAP HANA.

Abbildung 4: Cluster von Commodity-Servern und das Map-Reduce-Programmiermodell bei Hadoop

Hadoop

Datenknotenpunkte

NamensknotenpunktJob Manager

Endergebnis

Job 1 Job 2

Ergebnis Ergebnis

Job 1 Job 2

Job n

Ergebnis

Job n

Mapping-phase

Reduktions-phase

14

Wie Big Data die Business IT der Zukunft beeinflusst

Tendenziell werden geschäftliche Entscheidungen immer noch auf der Grundlage histo-

rischer Daten getroffen, und das obwohl schon seit vielen Jahren von „Echtzeit-

systemen“ gesprochen wird. So stand beispielsweise SAP R/3® für die dritte Genera -

tion des Realtime-(also Echtzeit-)Systems. Bei genauerer Betrachtung galt diese Vor -

aussetzung bislang aber nur für den transaktionalen Bereich von Geschäftssystemen. Aus

Leistungsgründen wurde der analytische Teil entkoppelt: sowohl technisch – schließlich

gab es unterschiedliche Systeme – als auch logisch, weil die Analyse immer auf Basis

aggregierter historischer Daten durchgeführt wurde.

Mehr Leistungsfähigkeit durch Big-Data-Technologien wie In-Memory und Hadoop

ermöglichen Analysen in Echtzeit, die aber auch umgehend wieder für den operativen

Betrieb zur Verfügung gestellt werden können. In anderen Worten: Unternehmen können

nun zum einen viel schneller reagieren und zum anderen auch zunehmend proaktiv

handeln. Der Fokus rückt immer mehr darauf, was als nächstes passieren wird und welche

strategischen Handlungsoptionen bestehen, anstatt wie bisher nur auf historische Daten

zu reagieren.

Bislang konnten viele Firmen aus ihren wertvollen Daten einfach noch keinen Nutzen

ziehen, selbst wenn sie eigentlich verfügbar waren. Der Grund dafür? Seit dem Beginn

des ERP-Zeitalters hatten Unternehmen prinzipiell nur zwei Optionen für Reporting

und Business Intelligence. Alternative 1: Sie konnten unternehmensinterne Auswertungen

„stricken“ oder zusätzliche Programme entwickeln. Das führte in der Regel zu kompli-

zierten und starren Lösungen, die es dem Business User nicht ermöglichten, selbst

Berichtstrukturen und Anfragen zu verändern. Demzufolge veralteten vorabdefinierte

Berichte und deren Ergebnisse schnell. Aber selbst wenn dies nicht der Fall war, ließ die

mangelnde Performanz keine weitreichenderen Schlussfolgerungen oder gar schnelle

Entscheidungen auf Grundlage fundierter Informationen zu.

Viele Unternehmen entschieden sich daher für Alternative 2: ein Data Warehouse. Diese

wurden im Laufe der Zeit aufgrund ihrer größeren Flexibilität immer beliebter. Allerdings

hatte diese Flexibilität ihren Preis: Es musste ein zusätzliches System aufgebaut werden

und für das Erstellen von Auswertungen waren Experten und spezielle Extraktoren

erforderlich. Diese „Datenlager“ sind daher Spezialwerkzeuge für geschulte Mitarbeiter

bestimmter Geschäftsbereiche.

Aber selbst wenn geeignete Berichte verfügbar sind, bleiben Performance und Reaktionszeit

ebenso ein Problem wie mobile Zugriffsmöglichkeiten für die Sales- und Servicemitarbeiter

im Außendienst. Die mangelnde Leistungsfähigkeit lag hauptsächlich an der Trennung

zwischen Online Transaction Processing (OLTP) und Online Analytical Processing (OLAP),

die wiederum durch den hohen Preis für Datenspeicher bedingt war.

Mehr Leistung

durch Big Data

15

Mit der In-Memory-Technologie wird die Trennung von Transaktionen und Analyse

aufgehoben. Es sind keine zusätzlichen Beschleunigungsprozesse mehr nötig. Das

operative Reporting kann also dahin zurückkehren, wo es hingehört: In das zentrale,

operative bzw. transaktionale System! Diese Konvergenz von OLTP- und OLAP-

Aufgaben wird als Hybrid Transactional Analytical Processing (HTAP) bezeichnet. Der

Ausdruck beschreibt die technische Fähigkeit, Anwendungen und Analysen in einer

einzigen Umgebung durchzuführen – und das mit deutlichen Vorteilen in der Perfor-

mance und Verarbeitungsgeschwindigkeit durch die SAP-HANA-Datenplattform, der

ersten „echten“ Echtzeit-Datenbankplattform.

Im Zusammenhang mit „Echtzeit“ sind Datenqualität, Steuerung und Kontrolle des

Quellsystems wichtiger denn je. Ansonsten wird SAP HANA zwar schnelle, jedoch

unzureichende oder falsche Informationen liefern. Durch HTAP entfallen nämlich

bislang vorhandene, zusätzliche Ebenen. Die Datenqualität muss also schon direkt

an der Quelle „stimmen“. Folglich muss sich die Qualitätssicherung von einem nach-

gelagerten, latenzgesteuerten Bereinigungsprozess in einen parallelen Echtzeitprozess

am Ausgangs punkt wandeln. Ähnlich dem Paradigma des umfassenden Qualitäts-

managements im Lean Manufacturing gilt nun: Es muss von Anfang an Qualität

produziert werden, um (teure) Prüfungen und nachträgliche Korrekturen zu vermeiden.

Abbildung 5: Die Entwicklung der Analysefähigkeiten in Unternehmen

Geschäftliche Herausforderung

Historisch Echtzeit Prädiktiv

Technologie

Daten

Mit VerzögerungEchtzeit nur für TransaktionsszenarienBeschreibendDiagnostisch

Strukturierte Daten aus Geschäftsanwendung

Beschränkung durch RAMSchichtenarchitekturTrennung OLTP/OLAPETL/Data Warehouse

In-MemoryGemischte Szenarien möglichJetzt bereit für Enterprise- Computing

Hadoop/Map Reduce/ kein SQL/RFrühe Entwicklungsstadien

Überwiegend strukturierte Daten aus Geschäftsan-wendungenUnstrukturierte Daten teilweise möglichViele Datenquellen

Strukturierte DatenUnstrukturierte DatenSpeicherung undIndexierungSofort-AbfragenViele verschiedene Datenquellen

Direkte Integration von betrieblichem Reporting in den AblaufKürzere/proaktive ReaktionszeitenSimulationen

Sehen, was als Nächstes passiertGegensteuern möglich, z. B. gegen AbwanderungVorausschauendeMaßnahmenSelfservice-Analysen

16

Aber Vorsicht: Die Plattform allein schafft noch kein Echtzeitunternehmen. Nur wenn es

mit Hilfe von mobilen Lösungen und modernsten Benutzeroberflächen gleichzeitig

gelingt, die Datenmenge und damit die Komplexität für den Anwender zu reduzieren

wird Big Data überschaubar.

Das Grundprinzip: Nur das liefern, was erforderlich ist – zum richtigen Ort, zur

richtigen Person, zur richtigen Zeit! (Eine Leseempfehlung hierzu ist das Whitepaper

„Changes in Order”: Die neue Aufgabe des CIO, insbesondere das Kapitel „Warum nur der

Anwendernutzen zählt“.)

Predictive Analytics – weil die Zeit dafür reif ist!

Prädiktive Analysen sind – wie jede Art der Prognose – von Natur aus unsicher. Das

ändert sich auch durch Big Data nicht, allerdings lassen sich viele Wissenslücken

schließen und die geschäftliche „Terra Incognita“ erheblich reduzieren. Das Aufstellen

von Hypothesen ist der Anfangspunkt. Im Folgenden helfen dann Tools für Predictive

Analytics alle Zweifel, Einschätzungen und Möglichkeiten zu verifizieren und entspre-

chende Nachweise zu liefern.

Der Ansatz setzt dabei auf bewährte statistische Verfahren wie lineare und nicht lineare

Verteilungsmodelle, Regressionstests, Zeitreihenanalyse oder Klassifizierung und Cluster-

bildung. Für die meisten Anwendungsfälle stehen dabei umfangreiche Open-Source-Code-

Bibliotheken zur Verfügung.

Nur das liefern, was

erforderlich ist!

Abbildung 6: In-Memory-Technologie wie SAP HANA vereinigt und beschleunigt Transaktionen und Analyse

Betriebliche Daten

OLTP-System in Echtzeit

Abwickeln Analysieren Beschleunigen Transaktionen + Analyse direkt im Arbeitsspeicher (In-Memory)

im Vergleich zu

OLAP-System im Batch-Modus

Data Marts

ETL aus verschie-denen Quellen

Data Warehouse

Report

EinordnungAnsammlung

SAP In-Memory

17

Für statistische Berechnungen und grafische Visualisierungen

kommen in den meisten Softwareanwendungen sogenannte

R-Libraries zum Einsatz, so beispielsweise auch in SAP Predic-

tive Analysis. Open Source R bildet ein solides Fundament für

prädiktive Analysen auf Basis großer Datensätze. Es gibt über 3.500 AddOns, mit deren

Hilfe sich individuelle Funktionalitäten erstellen lassen.

Die entsprechenden Algorithmen und Funktionalitäten sind ebenfalls nicht neu. Statis -

tische Verfahren und Tools stehen schon lange auf den Lehrplänen von Wirtschaftshoch-

schulen und Universitäten. Dennoch haben sich Vorhersagemodelle bislang nicht richtig

durchsetzen können. Hauptsächlich lag es am Mangel relevanter Daten oder am schwi e-

rigen Zugriff auf die Daten und/oder an Performance-Beschränkungen der Systeme.

Daher haben bislang nur Firmen mit einem sehr dringenden geschäftlichen Interesse

eigene prädiktive Anwendungen entwickelt.

Big-Data-Technologie bietet nun endlich beste Voraussetzungen, um die größten

Hindernisse in der Datenaggregation aus dem Weg zu räumen – mangelnde Perfor-

mance und resultierende Latenz. Weitere wichtige Faktoren sind:

■ maximale Benutzerfreundlichkeit für Geschäftsanwender,

■ sicherer, interaktiver Echtzeitzugriff auf Daten aus unterschiedlichen Quellen,

■ fähige und kompetente Mitarbeiter, die die richtigen Fragen stellen und die richtigen Hypothesen aufstellen – und so von der agnostischen (nicht-wahrnehmenden) Analyse zur vorhersagenden Analyse gelangen.

Abbildung 7: Geschäftlicher Wert von Predictive Analysis

» Big Data schließt Wissenslücken und

reduziert die geschäftliche „Terra

Incognita“ erheblich. «

Wet

tbew

erbs

vort

eil

Analytische Reife

Vorhersagen und handelnWahrnehmen und reagieren

Roh-daten

Bereinigte Daten

Standard-Berichte

Ad-hoc-Berichte + Analyse

Allgemein vorhersagende

Analysen

Vorhersage-modelle

Optimierung

Was ist passiert? Warum ist es passiert?

Was wird passieren?

Welches ist der günstigste Fall?

18

Eine hochinteressante Lösung ist in diesem Zusammenhang SAP InfiniteInsight®: Es

handelt sich dabei um eine mächtige Lösung für vorhersagende Analysen, die sich

ohne Expertenwissen sehr einfach einsetzen lässt – und das nicht nur von Statistikern. Die

Software liefert Optionen zur automatisierten Modellierung und ermöglicht einen vollen

Zugriff auf die Datenberge, die sich in den Data Warehouses und CRM-Systemen von

Unternehmen auftürmen. Es bedarf keiner manuellen Vorbereitung, wie etwa einer

Datenvorauswahl. So lassen sich zwei Fliegen mit einer Klappe schlagen: Ein effektiver

Datenzugang für den Durchschnittsanwender und ein Schutz vor dem Ausschluss

wertvoller Informationen durch eine falsche Datenvorauswahl sind gewährleistet. Auf

diese Weise können Kunden beispielsweise immer die richtigen Vorschläge unterbreitet

werden – binnen Sekunden und immer dann, wenn sie benötigt werden.

Mythos 5: „In-Memory-Computing ist das Ende von Data Warehousing“

Wenn also ein separater Speicher für geschäftliche Analyse operationaler Daten über-

flüssig ist, welche Aufgaben bleiben da künftig noch für Data Warehousing? Der Einsatz

von In-Memory-Technologie wie SAP HANA verringert die Notwendigkeit von soge-

nannten ETL-Szenarien, also die Extraktion, Umwandlung und das Laden von Betriebs-

daten, in und aus Data Warehouses ganz erheblich. Data Marts sind ebenfalls nicht

mehr erforderlich. Außerdem gibt es keine Aggregate mehr. Die Daten sind entweder

direkt zugänglich (in jedem Detail!) oder werden einfach auf der Stelle repliziert (im

sog. Sidecar Scenario). Folglich macht In-Memory-Computing das Data Warehousing

überflüssig. Richtig?

Nein, absolut nicht. Data Warehouses haben weiter ihre Daseinsberechtigung, die

Anwendungsfälle und Implementierungen werden sich jedoch tiefgreifend ändern. Data

Warehouses werden künftig hauptsächlich für agnostische und taktische Business

Intelligence (BI) verwendet, etwa zum Vergleich unterschiedlicher Geschäftsszenarien

und deren Eintrittswahrscheinlichkeiten, beispielsweise bei Unternehmensübernahmen

oder zur Beurteilung von Geschäftsstrategien.

Auch in Hinblick auf die Implementierung selbst werden sich Veränderungen ergeben.

Man muss künftig nicht mehr alles in einer einzigen Datenbank speichern und es dann

„denormalisieren“. Trotz der Vorteile der In-Memory-Technologie macht es keinen Sinn,

alle Arten von Daten dauerhaft in einer einzigen Datenbank zu speichern – womöglich

Petabytes an unstrukturierten Daten, Social-Media-Daten, Internetprotokollen und

anderen Streaming-Daten, die eventuell für Entscheidungen wichtig sein könnten.

Statt dessen können sich Unternehmen für Business-Process-Orchestration-Modelle

entscheiden, die es Anwendern ermöglichen, diese Fragen direkt zu beantworten;

beispielsweise kann SAP HANA in Verbindung mit Hadoop die jeweils geeignete Quelle

für relevante Daten festlegen.

19

Empfehlungen für Big-Data-Strategien

Es sind nun also prinzipiell alle Voraussetzungen da, um das operative Reporting dahin

zurückzuholen, wo es hingehört. Der vergleichsweise unzweckmäßige Einsatz von

Business Intelligence für operatives Reporting muss nicht mehr sein. Gleiches gilt für

die Nutzung von Echtzeitanalytik für agnostische und strategische Szenarien. Aber

welche strategischen Rückschlüsse lassen sich daraus ziehen?

Predictive Analytics wird zum großen Vorteil

„Seherische“ Fähigkeiten erfüllen ein offenkundiges Bedürfnis vieler Firmen. Eine präzi -

sere Vorhersage des Bedarfs ermöglicht es beispielsweise, hohe Abschreibungskosten für

unverkäufliche Überbestände zu vermeiden. Bislang war das aufgrund fehlender Daten -

grundlagen oder von Performance-Problemen unumgänglich. In-Memory-Technologie

bereitet diesem andauernden Missstand ein Ende. Es ist daher mit einer enorm steigenden

Nachfrage nach prädiktiven Analysen zu rechnen – selbst von kleinen und mittleren

Unternehmen.

Die Erfolgschancen von In-Memory hängen jedoch stark von der Fähigkeit eines Unter -

nehmens ab, auch seine Mitarbeiter entsprechend fachlich weiterzuentwickeln. Das

Er fassen von Daten und die Bereitstellung von relevanten Informationen ist nur die Grund-

voraussetzung für präzise Vorhersagen. Darüber hinaus sind entsprechendes Fachwissen

und eine gewisse Erfahrung (!) erforderlich, um auch die richtigen Schlussfolgerungen

ziehen zu können. Es besteht ein großer Bedarf an „tiefgehenden analytischen Talenten“

qualifizierter Analysten und Manager, um Big-Data-Analysen gut genug verstehen und die

richtigen Entscheidungen zu treffen.

Je nach individuellem Handlungsdruck und Business Cases sind die meisten Firmen gut

beraten, sich zunächst die grundlegenden Echtzeitfähigkeiten ins Haus zu holen, ehe sie

auf dieser Basis den Sprung in die Zukunft wagen. Letztlich lohnt sich die Investition in

eine Echtzeitplattform aber auf jeden Fall, wie die Vorteile im Überblick zeigen:

■ Mehr Effizienz: Eine minimierte Anzahl an Systemen und Datenbanken – in Verbindung mit konsolidierten Prozessen auf einer einzigen Plattform – reduzieren die Komplexität und die Kosten ganz erheblich (die vollständige SAP Business Suite kann beispielsweise komplett auf einer einzigen SAP-HANA-Instanz laufen).

■ Schnelles, nachvollziehbares Reporting: Bislang schleppend laufende Prozesse wie die Materialbedarfsplanung, Wirtschaftlichkeitsanalysen und andere komplizierte

Berichte werden zu „Schnellabfragen“.

■ Fortschrittlichste Echtzeit-Analytik: Vorhersagen, Simulationen, „Was-wäre- wenn“-Szenarien und Drill-downs ohne Latenzzeit werden ganz einfach.

■ Kontinuierliche Prozessverbesserung: Eine fokussierte Entscheidungsfindung sorgt für mehr Profitabilität und Kundenzufriedenheit.

20

Unter diesen Vorzeichen prognostizieren wir für die nächsten zwei bis drei Jahre einen

starken Trend zur In-Memory-Technologie.

SAP HANA hat sich als Plattform bewährt

Wir empfehlen, neue Implementierungsprojekte nach Möglichkeit gleich auf Basis von

SAP HANA anzugehen. Alle künftigen Systemerweiterungen und neuen Produkte des

Weltmarktführers für Geschäftslösungen werden auf SAP HANA beruhen. Die bewährten

SAP-Funktionalitäten sind bereits für SAP HANA vorbereitet und für viele Rechenzentren

ist die SAP-HANA-Plattform schon jetzt Routine.

Aber natürlich gibt es nicht nur „die eine richtige“ Strategie. Für viele Entscheidungsträger

kommt es sicher darauf an, bisherige Investitionen soweit wie möglich zu schützen,

unabhängig vom gewählten Migrationspfad und Geschäftsszenario. Eine sichere Mi gration

in die neue Technologie lässt sich in jedem Fall gewährleisten, ganz gleich ob unter

Beibehaltung bestehender Systemkonfigurationen oder mithilfe maßgeschneiderter

Migrations-Tools.

Damit stellt sich die Frage nach dem optimalen Zeitpunkt: Hat die Konkurrenz schon

Big-Data-Initiativen, besteht ohne Echtzeitinformationen die Gefahr, im Wettbewerb den

Anschluss zu verlieren. Falls nicht, haben Unternehmen jetzt noch die Chance, sich

mit Big-Data-Initiativen einen Vorsprung zu verschaffen.

Allgemeine Vorhersagen für einzelne Branchen sind schwierig. Diejenigen, die unter

hohem Margendruck stehen, wie etwa der Handel oder Einzelhandel, könnten den

größten Wettbewerbsvorteil erlangen. Zu den sogenannten Early Adopters von Big-Data-

Technologien zählen aber vor allem Telekommunikationsanbieter (z. B. für Vorhersagen

zur Kundenfluktuation) und Finanzdienstleister (zur Aufdeckung von Betrug und Manipu-

lation).

Die Auswertung bisheriger Anwendungsfälle für Echtzeit- und Predictive-Szenarien haben

gezeigt, dass es eher sinnvoll ist, Cluster nach Funktionsbereichen oder Prozessen zu

bilden anstatt sich branchenspezifisch zu orientieren. Schwerpunkte unserer Kunden

und Ansprechpartner sind bislang folgende Funktionsbereiche:

■ Financial-Performance-Analyse, Risikoanalyse, Sicherheit, Betrugserkennung und Compliance.

■ Vertrieb und Marketing – Tracking des Kundenverhaltens, Optimierung der Vertriebs-kanäle, Kundenwertanalyse, soziale Medien, Analyse der Kundenstimmung.

■ Operatives Reporting für Logistik und Beschaffung, Root-Cause-Analysen, strategische Szenarien.

21

Diese Beispiele dienen jedoch nur zur allgemeinen Orientierung. Entscheidend sind die

spezifische Situation und die Anforderungen eines Unternehmens. Diese bestimmen, ob

es sinnvoll ist, sich a) zunächst darauf zu konzentrieren, das betriebliche Reporting in

das Kernsystem zurückzuholen, oder b) neue Einblicke zu gewinnen, indem struktu-

rierte und unstrukturierte Informationen in einem Big-Data-Business-Intelligence-Pro-

jekt gebündelt werden. Ein Unternehmen sollte mehr Wert auf die richtigen Informa-

tionen für die richtige Person zur richtigen Zeit legen, um betriebliche Abläufe zu be schleu -

nigen. Für ein anderes macht es vielleicht mehr Sinn, über gezielte Big-Data-Analysen

neue Geschäftsfelder zu ermitteln.

Der Business Case weist den Weg

Wie so oft verweist der individuelle Business Case auf die idealen Ausgangspunkte und

zeigt den Weg zu nachhaltigem Geschäftswert durch Big Data. Statt altbekannte Fakten

zur Berechnung des Business Case zu wiederholen, sollen wenige Hinweise zusätzliche

Orientierung geben.

1. Die Verfügbarkeit vorhandener Informationen prüfen Wo befinden sich Informationen im Unternehmen und worin könnte deren möglicher

geschäftlicher Nutzen liegen? Lassen sich irgendwo schnell Vorteile erreichen?

Manchmal reicht es schon, den Zugriff auf hilfreiche Informationen zu vereinfachen,

getreu dem Motto „Oh, wenn ich das vorher gewusst hätte …“. Big Data muss nicht

immer gleich „ganz groß“ gedacht werden. Studien zeigen, dass die meisten Unter-

nehmen, die Big Data nutzen, oft schon lange über entsprechende Informationen

verfügten, es ihnen jedoch bislang an den richtigen Fragen und der richtigen Unter-

stützung zu deren Beantwortung fehlte. Das globale Logistikunternehmen DHL

beispielsweise verfolgt seine Sendungen schon immer minutiös, konnte diese

Informationen aber erst nach einer Überarbeitung der Analytics-Systeme auch

sinnvoll nutzen.

2. Das passende Betriebsmodell zum Business Case wählen Eine vollständige Implementierung im Unternehmen oder ein „Sidecar“-Modell

mit zusätzlichem Cloud-Service? Was ist die bessere Option? Die individuell

richtige Antwort hängt maßgeblich davon ab, wie viel Aufwand und welche Kosten

damit einhergehen.

3. Die Gesamtinvestitionskosten im Auge behalten Die Gesamtbetriebskosten unterscheiden sich erheblich von den Gesamtanschaffungs-

kosten. Beide sind wichtig, aber leicht entsteht ein irreführender Eindruck. Zu

beachten ist vor allem der Unterschied zwischen den Disk- und den RAM-Preisen.

Auf den ersten Blick ist RAM weitaus teurer als Disk, aber wenn man die Leistung

pro Sekunde berücksichtigt, ist RAM weitaus wirtschaftlicher.

22

Außerdem wichtig: die laufenden Betriebskosten, denn eine geringere Anzahl an

Systemen verursacht auch weniger Kosten und Aufwand für Strom, Kühlung, Grund-

fläche, Wartung …

4. Und zuletzt: Nicht nur auf die Kosten achten, sondern auch die Vorteile im Blick behalten Obwohl es einige sehr eindrucksvolle Beispiele für Big-Data-Analysen gibt, ist der

Business Case oft noch nicht nachgewiesen. Das sollte jedoch niemanden davon

abhalten, über die Zukunft und Wettbewerbsvorteile für sein Unternehmen nach-

zudenken.

Abbildung 8: Nicht für alle Informationen ist ein Big-Data-Ansatz notwendig

Allgemein sind zur Aufzeichnung bestimmte Informationen weniger volatil und lassen

sich deshalb in einem einzigen System speichern (oder besser: konsolidieren). Es kann

sehr hilfreich sein, sich die für Big Data maßgeblichen „drei Vs“ in Erinnerung zu rufen:

Volume (Menge), Velocity (Geschwindigkeit) und Variety (Vielfalt). Aber selbst wenn

diese Kriterien erfüllt sind, fehlt noch ein konkreter Nachweis ihres Werts.

Stamm-daten

Social-Media-Daten

Finanzielle Konsolidierungs-

daten

Informationen zur Aufzeichnung

Informationen zur Differenzierung

Flüssigkeit, Veränderlichkeit, Anzahl an Systemen

Allg

emei

ner

Wer

t, L

angl

ebig

keit

Informationen für Innovation

Prozess-daten

Management-informationen

Stamm-daten

Interaktionen mit Kunden

23

Als Faustregel zur Datenklassifizierung gilt:

Strukturiert/Bereits erfasst » Worauf warten Sie noch?

Strukturiert/Noch nicht erfasst » Zeitnah auf die Agenda setzen.

Unstrukturiert/Noch nicht verfügbar » Abwarten, im Auge behalten und loslegen, wenn sich die Chance bietet.

Mindestens zwei dieser Szenarien lassen sich bereits gut mit In-Memory-Technologie

abbilden. SAP als Technologieführer hält mit SAP HANA alles bereit: Geschäftsprozesse

lassen sich optimieren, indem relationale Datenbanken entweder komplett ersetzt werden

oder neben konventionellen Datenbanken zum Einsatz kommen, um bestimmte Funk -

tionalitäten zu beschleunigen. Egal wie Sie sich entscheiden, es steht eine um fassen de

Auswahl an zusätzlichen Tools und Hilfsmitteln für den sicheren und schnellen Zugriff

auf In-Memory-Technologie bereit. Seien Sie also vorbereitet und idealerweise von Anfang

an dabei: 2014 bedeutet den Durchbruch für In-Memory-Technologie.

Die Zukunft besser vorhersagen zu können, bleibt kein Wunschdenken mehr. Die Fähigkeit

entwickelt sich vielmehr künftig zur Schlüsselkompetenz für viele IT-Fachleute. Diese

können ihren Unternehmen damit einen großen geschäftlichen Mehrwert eröffnen und

viel bewegen.

Lesen Sie mehr …

… über zukunftsorientierte Strategien und Softwarelösungen in unserer White-Paper-

Reihe. Wenn Sie mehr über Big Data wissen möchten, wenden Sie sich bitte an die

Autoren oder besuchen Sie uns im Internet unter: www.itelligencegroup.com

Daten-

klassifizierung

24

Quellen

Hilbert, Martin; López, Priscila (2011). “The World‘s Technological Capacity to Store, Communicate,

and Compute Information“. Science 332 (6025): 60–65

http://en.wikipedia.org/wiki/Exabyte

“IBM What is big data? – Bringing big data to the enterprise“. http://www-01.ibm.com/software/

data/bigdata/what-is-big-data.html. Retrieved 2014-05-06

http://en.wikipedia.org/wiki/Big_data

TechAmerica Foundation, Demystifying big data: A Practical Guide to Transforming the Business of

Government. www.techamerica.org/Docs/fileManager.cfm?f=techamerica-bigdatareport-final.pdf

http://www.statisticbrain.com/facebook-statistics Retrieved 2014-05-12

http://gigaom.com/2012/08/22/facebook-is-collecting-your-data-500-terabytes-a-day

http://en.wikipedia.org/wiki/Internet_of_Things

https://www.abiresearch.com/press/more-than-30-billion-devices-will-wirelessly-conne Retrieved

2014-05-12

http://en.wikipedia.org/wiki/SAP_HANA

https://www.gartner.com/doc/2657815/hybrid-transactionanalytical-processing-foster-opportunities

http://www.sap.com/bin/sapcom/en_us/downloadasset.2013-08-aug-23-23.Architecture%20Mat-

ters-Thought%20Leadership%20Whitepaper%20on%20Enterprise%20Data%20Warehousing%20

by%20Claudia%20Imhoff-pdf.html

www.mckinsey.com/features/big_data

http://www.forbes.com/sites/gilpress/2013/12/12/16-1-billion-big-data-market-2014-pre-

dictions-from-idc-and-iia/

Über itelligenceitelligence ist einer der international führenden IT-Komplettdienstleister für SAP®-Lösungen

und mit mehr als 3.800 hoch qualifizierten Mitarbeitern in 22 Ländern vertreten.

Wir haben unsere SAP-Expertise in den letzten 25 Jahren stetig weiterentwickelt. Heute

unterstützen wir mehr als 5.000 Kunden weltweit mit maßgeschneiderten, integrierten

Geschäftslösungen. Das Service-Portfolio umfasst SAP-Strategie-Beratung, SAP-Lizenzver-

trieb, Implementierung und Prozessberatung, Outsourcing sowie Application-Manage-

ment-Services. Unsere Experten leisten Pionierarbeit in der Entwicklung neuer Lösungen

für unterschiedliche Branchen. Außerdem erarbeiten wir gemeinsam mit SAP weg -

weisende Einsatzszenarien und Lösungen in den Bereichen Business Analytics, In-Memory-

Computing und SAP HANA®, Cloud-Computing und Mobile. Im Jahr 2013 erzielte

itelligence einen Gesamtumsatz von 457,1 Millionen Euro.

www.itelligencegroup.com

Imprint/Contact

itelligence AG Königsbreede 1 D-33605 Bielefeld www.itelligencegroup.com

Austria

Belgium

Canada

China

Czech Republic

Denmark

France

Germany

Hungary

India

Malaysia

Netherlands

Norway

Poland

Russia

Slovak Republic

Spain

Switzerland

Turkey

Ukraine

United Kingdom

United States of America

2014

This white paper outlines our general product direction and must not be relied on in

making a purchase decision, as it is not subject to your license agreement or any

other agreement with itelligence. itelligence has no obligation to pursue any course

of business outlined in this white paper or to develop or release any functionality

mentioned herein. This white paper and itelligence‘s strategy for possible future devel-

opments are subject to change and may be changed by itelligence at any time for any

reason without notice. This document disclaims any and all expressed or implied war-

ranties, including but not limited to, the implied warranties of merchantability, fitness

for a particular purpose, or non-infringement. itelligence assumes no responsibility

for errors or omissions in this document, except if such damages were intentionally

caused by itelligence or its gross negligence.