Alle Datenquellen optimal für Business-Intelligence-Anwendungen erschließen

Der einfache Zugriff auf Daten und die nahtlose Integration sind Schlüsselfaktoren für eine erfolgreiche Business-Intelligence (BI)-Implementierung. Entscheidend ist der komfortable Zugang zu relationalen wie zu NoSQL-Datenbeständen im eigenen Rechenzentrum und in der Cloud. [...]

In Unternehmen gibt es eine Reihe von Gründen für den Ausbau vorhandener und den Aufbau neuer BI-Applikationen. Bei vielen geht es um das Management der Kundenbeziehungen, um die Verbesserung der Kundenbindung, um den Kundensupport und natürlich um die Gewinnung von Neukunden. Die allermeisten Unternehmen sind nach Produkten und Geschäftsbereichen, nicht aber nach Kundensegmenten organisiert. Als Ergebnis befinden sich Daten zu Kunden weit verstreut in den verschiedenen operativen Systemen und Data-Warehouses. Darüber hinaus haben vor allem international tätige Mittelständler und Großunternehmen zusätzlich SaaS-Applikationen wie Salesforce.com mit Kundendaten im Einsatz.

Um Kosten zu reduzieren und die Effizienz zu steigern, messen Unternehmen aus dem produzierenden Gewerbe ausgewählte Abläufe in ihren Geschäftsprozessen. So werden beispielsweise aus Gründen der Qualitätskontrolle und -verbesserung in bestimmten Produktionslinien Prozess- und Prüfdaten mit Sensoren erfasst und oft sofort ausgewertet.

Immer mehr Verbraucher nutzen mit ihren Smartphones Location Based Services, die über Cloud-Plattformen gesteuert werden. Die Anbieter solcher Services, beispielsweise überregional tätige Einzelhandelsketten, analysieren und verwenden die dabei erzeugten Daten für eine Verfeinerung ihrer Marketing-Tools, die Neukundengenerierung oder die Kundenbindung. Diese Beispiele verdeutlichen eines: In vielen BI-Anwendungsszenarien benötigen Mitarbeiter aus den Fachabteilungen Informationen aus den unterschiedlichsten internen und externen Datenquellen, seien es relationale oder wenig strukturierte Daten aus Dokumenten, Bildern, Audiofiles oder Textpassagen aus dem Social-Media-Umfeld.

DATENBANKLANDSCHAFT IMMER KOMPLEXER
Mit den Informationen aus den operativen Systemen, die Data-Warehouses und Data-Marts beliefern, hat BI seinen Siegeszug in den Unternehmen gestartet. Statt Trends aus der Vergangenheit nachzuzeichnen liegt heute der Schwerpunkt oft auf der prognostischen Analytik, um daraus Handlungsanweisungen für künftige Geschäftsperioden und verschiedene Szenarien abzuleiten. Die Analyse strukturierter Daten aus relationalen Datenbanken wie IBM DB2, Microsoft SQL Server, MySQL oder Oracle wird auch weiterhin eine wichtige Rolle spielen.

Ergänzend zu den relationalen Systemen haben sich seit einigen Jahren NoSQL-Datenbanksysteme etabliert. Sie benötigen im Unterschied zu relationalen Systemen keine festen Tabellenschemata und können gleichzeitig mit sehr vielen Schreib- und Leseanfragen sowie großen Datenmengen umgehen. Die Stärke relationaler Systeme sind häufige, aber kleine Transaktionen sowie umfangreiche Batch-Transaktionen mit seltenen Schreibzugriffen. Gleichzeitig zu bearbeitende hohe Datenmengen und häufige Datenänderungen sind das Metier der NoSQL-Systeme wie Cassandra und MongoDB.

Um vernetzte Informationen, etwa die Beziehungen aus sozialen Netzwerken wie Facebook, LinkedIn oder Twitter, darzustellen und zu speichern, kommen sogenannte Graphdatenbanken zum Einsatz. Die zentralen Elemente von Graphen sind Knoten, Verbindungen und Eigenschaften. Weitere Einsatzgebiete neben der Analyse sozialer Netzwerke sind Mustererkennung, Recommendation Engines, Identitäts- und Berechtigungs-Management oder prognostische Analysen. Zu den wichtigsten Vertretern der Graphdatenbanken zählen AllegroGraph, FlockDB, GraphBase, IBM DB2 NoSQL und Neo4J.