Big Data
Erschwingliche Business Intelligence
Fortsetzung des Artikels von Teil 1
Vereinfachung durch höhere Speicherdichten
Mit Einführung der In-Memory-Technik hat sich das Bild nun aber etwas geändert. Das Prinzip ist immer noch das gleiche, man definiert benutzerspezifische, mehrdimensionale Sichten (Cubes), aber diese werden nur im Hauptspeicher gehalten. Früher war ein so großer Hauptspeicher aus technischen und Kostengründen nicht möglich.
In den letzten Jahren sind die Speicherpreise aber dramatisch gefallen und daher sind Standard-Server-Systeme mit 64 GB oder 128 GB für überschaubare Beträge zu kaufen. Der große Vorteil ist, dass keine aufwendige, optimierte Speicherung der Cubes auf der Festplatte mehr nötig ist. Einziger Wermutstropfen: Bei einem Server-Ausfall sind die Cube-Daten im Hauptspeicher verloren und die Cubes müssen wieder neu geladen werden (was einige Stunden dauern kann). Idealerweise sollten Benutzer eigene Würfel auf Basis der im Data Warehouse definierten Metadaten erstellen und laden können, so wie es z.B. mit dem JReport Designer möglich ist. Allerdings benötigt man auch hier eine gewisse Disziplin, da sonst selbst große Hauptspeicher binnen kurzer Zeit bis zum Anschlag gefüllt bzw. zugemüllt würden. Entsprechende Quotas für die In-Memory Cubes sind daher sinnvoll. Auch eine Nutzungsstatistik hilft zu entscheiden, welche Cubes wirklich genutzt werden. Die Cubes müssen regelmäßig aktualisiert werden. Daher sollte es möglich sein, den Refresh per Scheduler zu beauftragen. Allerdings sollte hier eine gewisse Reihenfolge eingehalten werden, denn solange das Data Warehouse nicht erfolgreich aktualisiert wurde, ist es nicht sinnvoll, die Cubes neu aufzubauen. Ob vollständiger Neuaufbau oder inkrementelle Ergänzung, das hängt von mehreren Faktoren ab, unter anderem, ob die Daten eine eindeutige Zuordnung (ID) erlauben.
Schnelle Reaktionszeiten
Jobangebote+ passend zum Thema
Die Arbeit mit einem auf In-Memory-Technik basierenden Business-Intelligence-System (Bild 2) wie dem JReport Server Live zeichnet sich durch sehr schnelle Reaktionszeiten aus. So war OLAP ja auch definiert: Fast Analysis of Shared Multidimensional Information (FASMI). Durch den Wegfall eines teuren OLAP-Systems kann ein solches System zu einem Bruchteil der früher nötigen Kosten implementiert werden.
Zunehmend werden auch Daten aus anderen Quellen als den internen Datenbanken relevant, Stichwort Big Data. Hier kommen Daten aus sozialen Netzwerken, Web Tracking, Traffic-Analysen usw. zusammen, die nicht mehr in relationaler Form abgelegt werden, sondern häufig in sog. NOSQL-Datenbanken wie Hadoop, MongoDB oder Cassandra. Daher sollten moderne BI-Systeme auch den Zugriff auf diese Datenquellen ermöglichen, auch hier kann JReport punkten.
Fazit: Dank In-Memory-Technik kann Business Intelligence heute wesentlich günstiger als vor wenigen Jahren implementiert werden. Einfache und intuitive Bedienung sind wichtig für die Akzeptanz bei Benutzern, mobile Nutzung ist eigentlich schon ein Muss. Als Datenquellen müssen neben dem unverzichtbaren Data Warehouse auch Daten des „Big Data“ berücksichtigt werden. Aber auch die Betreibbarkeit und die Integration in die Unternehmens-Infrastruktur müssen beachtet werden.
Nach Unterlagen von Thomas Kestler (Objective Software GmbH)
- Erschwingliche Business Intelligence
- Vereinfachung durch höhere Speicherdichten
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
Deutscher Energieeffizienz-Index
Große Unternehmen sind energieeffizienter als kleine
Mikroprozessor-Entwicklungstools
Neues Analysewerkzeug für Hardware/Software-Debugging
Mikroprozessor-Entwicklungstools
Mehr Sicherheit und Zuverlässigkeit für Echtzeit-Software
Visualisierung in der Automation
Künftig nur noch reine Webtechnik?
Kommunikation
Der Embedded Wireless-Report
