Intelligenz für jedermann - Computerwoche

DIE TRANSFORMATION DER
GESCHÄFTSANALYSE
IM UNTERNEHMEN
Intelligenz für
jedermann
SYBASE®, EIN SAP®-UNTERNEHMEN
1

Intelligenz für jedermann
DIE TRANSFORMATION DER GESCHÄFTSANALYSE
IM UNTERNEHMEN
2 3

Intelligenz für jedermann
Die Transformation der Geschäftsanalyse
im Unternehmen
Veröffentlicht von Sybase, einem SAP®-Unternehmen
.Prinzenallee 13, 40540 Düsseldorf, Deutschland
Der Guide to Analytics ist auf folgender Website bestellbar:
sybase.com/analyticsguide
Copyright © 2011 Sybase, ein SAP®-Unternehmen. Alle Rechte vorbehalten.
Sybase und das Sybase-Logo sind registrierte Marken von Sybase, Inc oder
dessen Tochtergesellschaften. ® verweist auf eine Registrierung in den
Vereinigten Staaten von Amerika. SAP und das SAP-Logo sind Marken oder
eingetragene Marken der SAP AG in Deutschland und anderen Ländern.
Alle anderen Marken sind Eigentum der jeweiligen Inhaber.
Gedruckt in den Vereinigten Staaten.
Sofern dies durch das Urheberrechtsgesetz der Vereinigten Staaten aus
dem Jahr 1976 nicht ausdrücklich gestattet ist, darf kein Teil dieser
Publikation ohne vorherige schriftliche Genehmigung durch den
Herausgeber reproduziert oder verteilt bzw. in irgendeiner Form in einer
Datenbank bzw. auf einem anderweitigen Datenspeichersystem
gespeichert werden.
Design : Boing Design
Irfan Khan,
SVP & Chief Technology Offi cer
Sybase, ein SAP®-Unternehmen
Der Guide to Analytics zeigt anhand von Fakten und Beispielen, dass die in der Analysebranche
weit verbreitete Furcht vor massiven Datenvolumen, stetig steigenden Nutzerzahlen und immer
mehr Datentypen weit überzogen ist. Behauptungen, nach denen das so genannte Big-Data-
Phänomen die Performance und Skalierbarkeit von Analytics Data Warehouses ernsthaft gefährden
könnte, sind in dieser Schärfe schlicht nicht haltbar. Dies heißt nicht, dass die Schaffung eines
reaktionsschnellen, umfassenden und skalierbaren Analytics Data Warehouse ein leichtes
Unterfangen ist. Ganz im Gegenteil. Aber wie die folgenden Beispiele zeigen, lassen sich die
damit verbundenen Herausforderungen durchaus erfolgreich meistern.
Der Guide to Analytics schildert, wie es Unternehmen der verschiedensten Industriezweige
gelungen ist, die Analyse tief in ihre betrieblichen Abläufe einzubetten. Er erörtert Studien,
mit denen der Nutzen der Unternehmensanalyse ermittelt wird, und nennt zahlreiche
Fallbeispiele für den signifikanten ROI, der mit der Analyse erzielbar ist und von dem
besonders Unternehmen profi tieren, die mit wachsenden Datenmengen, steigenden Nutzerzahlen,
vielen verschiedenen Datentypen, zunehmender Auslastung und immer mehr Ad-hoc-Abfragen
zu kämpfen haben.
4 5

8 Kapitel 1: Die Big-Data-Lüge
11 Das Daten-Armageddon: ein Blick in die Vergangenheit
14 Vier Schritte zur Datenqualität
16 Gesucht: mehr Daten
21 Kein Grund zur Panik
22 Kapitel 2: Intelligenz für jedermann
26 EDWs: die Achillesferse des Unternehmens?
29 Eine solide Analytics-Architektur
34 Kapitel 3: Business Analytics in der Praxis
37 Die erfolgreiche Bewältigung der Datenflut
39 Die Ummünzung von Big Data in greifbare Vorteile
42 Weniger Speicherbedarf, mehr Einblicke
43 Analyse-Software in der Cloud
43 Appliances: kleine Lösungen für überschaubare Ansprüche
44 Analytics für mobile Nutzer
45 Mehr Nutzer, weniger Probleme
47 Aussagekräftige Datenstichproben
48 Kapitel 4: Best Practices und der ROI von Analyseprojekten
51 Der Proof of Concept – ein leistungsstarkes Instrument
53 Die Voraussetzungen für ein erfolgreiches Analyseprojekt
54 Jenseits des Proof of Concept
56 Die Berechnung des ROIs von Analyselösungen
58 Von der Theorie zur Praxis
59 Im Fokus: Performance und Profit
60 Quellen
62 Weitere
6 7
1515691///567
1515691///567
INHALT

Die Big-Data-Lüge
KAPITEL 1: DIE BIG-DATA-LÜGE
8 9

Einmal mehr wird ein Katastrophenszenario
an die Wand gemalt.
Dieses Mal heißt das Stichwort „Big Data“ – enorme
Datenmengen, die IT-Abteilungen unter sich zu begraben drohen. Seien Sie also gewarnt,
und wappnen Sie sich für die nächste große Katastrophe!
Aber wie Rotkäppchen und der böse Wolf oder die Mär
vom drohenden Weltuntergang ist auch das Big-Data-
Phänomen eine Fiktion. Eine Erfindung.
In den einschlägigen Medien, allen voran den
US-Publikationen, ist Big Data das Thema. Wenn man
danach googelt, erhält man drei Millionen Treffer
weltweit. Big Data ist aber nicht nur Gegenstand
zahlreicher Artikel der IT-Presse, sondern findet sich
auch in allgemeinen Publikationen wie der New York
Times oder dem Christian Science Monitor. Sogar
einen eigenen (englischsprachigen) Wikipedia-Eintrag
gibt es schon. Nicht zu vergessen die zahlreichen
Veranstaltungen auf großen Konferenzen, die sich
mit dem Thema Big Data befassen. GigaOm hat 2011
sogar eine jährliche Konferenz lanciert, die sich ausschließlich
mit Big Data beschäftigt und nun online
verfügbar ist. 1 In Deutschland widmet sich die Konferenz
“Big Data und Analytische Datenbanken” in Neuss
diesem Thema. Diese Flut von Daten und Informationen
hat viele Beobachter dazu verführt zu glauben, dass
die IT-Welt in der Big-Data-Welle untergehen wird.
Eine bekannte Analystenfirma bezeichnet das Datenwachstum
gar als die „schwierigste Herausforderung für
die Data-Center-Infrastruktur großer Unternehmen“ 2 .
Angesichts dieses Hypes verwundert es nicht,
dass IT-Leiter weltweit nervös auf ihre Analytics-
Infrastruktur blicken und sich fragen, ob sie dem Druck
der furchteinflößenden, massiven Datenmengen
gewachsen sein wird. Hier mein Rat: Entspannen Sie
sich. Big Data ist halb so schlimm, wie uns momentan
weisgemacht wird.
Das heißt nicht, dass die Datenmenge in den
Unternehmen nicht anwachsen wird. Selbstverständlich
tut sie das. Zwischen jetzt und 2020 wird sich das
Datenvolumen in den meisten Unternehmen um das
35-Fache aufblähen, prognostizieren die Analyseexperten
von IDC. 3 Allerdings ist Big Data keineswegs ein neues
Phänomen. Es kam nur nicht immer unter einem so
griffigen Namen daher, mit dem Journalisten, Analysten
und Experten machen können, was sie wollen.
Das
Daten-Armageddon:
ein Blick in die
Vergangenheit
KAPITEL 1: DIE BIG-DATA-LÜGE
10 11

KAPITEL 1: DIE BIG-DATA-LÜGE
EREITS IN DEN 1950ER Jahren beobachteten die
Unternehmen mit Sorge das Ansteigen der
Datenmengen. So erkannte IBM schon sehr
früh, dass sein aufblühendes Mainframe-Geschäft
ohne einen bedeutenden technologischen Durchbruch
sehr schnell an seine Grenzen stoßen würde, da die
Menge der Transaktionsdaten in einem Tempo zunahm,
mit dem die damaligen Speichertechnologien nicht
mithalten konnten.
Prompt präsentierte das Unternehmen 1956 das
weltweit erste magnetische Festplattenlaufwerk,
mit dem Daten auch außerhalb des Computerhauptspeichers
abgelegt werden konnten.
12 13
4 Mit
Kosten von rund 7.000 Euro pro Megabyte galt das
riesige 4,4-MByte-Laufwerk von IBM aus insgesamt
50 Platten mit einem Durchmesser von circa 60
Zentimetern, die in einer mehr als kühlschrankgroßen
Einheit untergebracht waren, als die Antwort auf die
Skalierbarkeitsprobleme der Zeit. Ein Irrtum, wie sich
bald herausstellen sollte.
Denn mehr Kapazität ermöglichte immer mehr
Daten. Und mehr Daten erforderten immer mehr
Computer zu ihrer Verarbeitung. Entsprechend rasant
stieg die weltweite Zahl der Computer von 600 im
Jahr 1956 auf 30.000 in 1966 und 400.000 in 1976,
um 1984 mit Einführung der Personal Computer
schließlich auf 6 Millionen anzuschwellen. 5 Heutzutage
verteilen sich rund 3 Milliarden Computer rund um
den Erdball, wobei allein 2010 ganze 352 Millionen
Geräte ausgeliefert wurden. 6 überwältigen. In seinem 1970 erschienenen Bestseller
„Der Zukunftsschock“ prägte Alvin Toffler den Begriff
der Informationsüberfütterung, um zu erklären,
warum es Individuen und Unternehmen angesichts
der Überfülle an Daten so schwerfällt, Entscheidungen
zu treffen. 1986 schrieb der Technologiekritiker
Theodore Roszak: „Ein Übermaß an Informationen
kann Ideen regelrecht verdrängen und dazu führen,
dass der Geist durch sterile, unzusammenhängende
Fakten abgelenkt wird, ja orientierungslos zwischen
Bergen von Daten hin und her irrt.“
Die Datenflut, die
von all diesen Computern hervorgebracht wird, ist
schwindelerregend. Nach Schätzung von IDC wurden
2009 weltweit 800.000 Petabyte an Daten erzeugt
und gespeichert; bis 2020 soll das Datenvolumen auf
runde 35 Zettabyte ansteigen.
Auf jedem Abschnitt dieses langen Wegs gab
es Befürchtungen, die von all den Computern
erzeugten Daten könnten Nutzer und Unternehmen
7 Dabei erfüllte die
Informationsflut nicht nur populärwissenschaftliche
Autoren, sondern auch Technologieexperten mit Sorge.
So stand bereits 1990 eine IEEE-Konferenzveranstaltung
unter dem Motto „Massenspeicher in der Krise“.
Große Datenmengen sind also nichts Neues.
Trotzdem wird uns gesagt, die aktuelle Big-Data-Krise
bewegt sich auf einem völlig anderen Niveau. Ein
Bericht formuliert es folgendermaßen: „Big Data
bringt Änderungen in einem nie da gewesenen,
kritischen Ausmaß mit sich, das weiter eskalieren
wird, wenn neueste Technologietrends zusätzlichen
Schwung erhalten und zusammengeführt werden.“ 8
Menge der erzeugten Daten deutlich über der Speicherkapazität liegen wird.
Eine andere Studie geht davon aus, dass 2020 die
Abb. 1 Eine Kluft entsteht
erzeugte Information > verfügbarer Speicherplatz
Petabytes
40.000.000
erzeugte digitale Information
verfügbarer digitaler Speicherplatz
35.000.000
30.000.000
25.000.000
20.000.000
15.000.000
10.000.000
5.000.000
9
Trotz der immer wieder an die Wand gemalten Weltuntergangsszenarien ist es der Computerindustrie
bisher stets gelungen, die anschwellende Datenflut zu bewältigen – durch eine IT-Infrastruktur, die besser
und schneller ist, mehr Daten aufnehmen kann, weniger kostet und weniger Raum einnimmt. Anhand der
Entwicklung der Festplattenlaufwerke lässt sich sehr gut erkennen, wie die Branche das Big-Data-Problem
in den vergangenen Jahrzehnten erfolgreich gemeistert hat:
Die Festplattenkapazität stieg
von 3,75 Megabyte auf über 1 Terabyte und ist mehr als 270.000-mal so
groß wie früher.
Die Festplattengröße sank
von 2,5 Kubikmetern (dem Format eines großen Kühlschranks) auf ganze 0,05
Kubikzentimeter (2,5-Zoll-Formfaktor mit Plattenstapel) und ist damit nur noch
ein 44.000stel so groß wie früher.
Die Speicherkosten sanken
von 10.600 Euro pro Megabyte auf weniger als 0,0001 Euro pro Megabyte
(70 Euro pro Terabyte), was einem Preissturz um das 150.000.000-Fache entspricht.
2010 2020
Die durchschnittliche Zugriffszeit reduzierte
sich von über 0,1 Sekunden auf wenige Tausendstel einer Sekunde und damit um
mehr als das 40-Fache.
Zusätzlich zur beeindruckenden Weiterentwicklung der Festplatte arbeitete die Computerindustrie erfolgreich
und mit Hochdruck an anderen Hardware-Verbesserungen wie der Mikroprozessorleistung oder der
Geschwindigkeit der internen Busse. Allerdings war und ist Hardware nur ein Aspekt zur Bewältigung der
Big-Data-Krise, insbesondere im Bereich der Unternehmensanalyse.
Quelle: IDC Studie “The Digital Universe Decade: Are You Ready?”,
mit Unterstützung von EMC, Mai 2010
10
B
Die Kluft im
digitalen
Universum

Vier Schritte
zur Datenqualität
4.
3.
2.
1.
AUF DEM WEG ZUR BEREITSTELLUNG EINES ANALYTICS DATA WAREHOUSE KOMMT DER DATENQUALITÄT HÖCHSTE
BEDEUTUNG ZU. DABEI GIBT ES FÜR DIE SICHERSTELLUNG DER DATENQUALITÄT BEWÄHRTE METHODEN – VON DER
DATENBEREINIGUNG BIS ZUM MASTER DATA MANAGEMENT. ALLERDINGS SOLLTE DAS STREBEN NACH GRÖSSTMÖGLICHER
DATENQUALITÄT AUCH DIE INTERNE PRÜFUNG DER FOLGENDEN FAKTOREN UMFASSEN:
Datenlatenz: Betrachten Sie alle drei Dimensionen der Datenlatenz im Unternehmen: das zeitliche
Auftreten der Daten, die Dauer des Ereignisses und die Zeitspanne für die Entscheidung.
Datenkorrelation: Ermitteln Sie gemeinsam mit Geschäftsanwendern den Kontext der Daten und definieren
Sie Beziehungen zwischen den verschiedenen verwendeten Datensätzen unter Berücksichtigung von
Wachstumsraten und doppelt vorhandenen Quellen.
Self-Service: Legen Sie fest, wie Power-User die Daten für ihre Abfragen nutzen können, ohne IT- und andere
Ressourcen über Gebühr zu belasten.
Chief Data Officer: Übertragen Sie die Aufgaben eines Chief Data Officer an einen erfahrenen Mitarbeiter
um sicherzustellen, dass sowohl die operative Qualität der Daten als auch die Unternehmensführung
und -kontrolle gewährleistet sind. (Ob der Mitarbeiter den Titel eines CDO führt, ist dabei zweitrangig.)
Die Wichtigkeit der Datenqualität kann gar nicht hoch genug gestellt werden. So zeigte eine Untersuchung der
University of Texas, dass die Qualität bzw. Effektivität der Daten sowohl den Umsatz als auch den Gewinn der
Unternehmen beeinflusst. Maßgebliche Einflussfaktoren sind dabei:
Finanzielle Auswirkungen auf
Bereiche wie Mitarbeiterproduktivität,
Eigenkapitalrendite (ROE), Rendite
auf das investierte Kapital (ROIC)
und Gesamtkapitalrendite (ROA)
Kundenfokussierte Auswirkungen
auf Bereiche wie Innovationsfähigkeit
und Umsatzerwirtschaftung
aus neuen Produkten sowie die
Fähigkeit zur Erweiterung der
bestehenden Kundenbasis
KAPITEL 1: DIE BIG-DATA-LÜGE
Operative Auswirkungen auf
Bereiche wie Kapazitätsauslastung,
Planungs- und Prognosegenauigkeit,
zeitgerechte Produktlieferung
bzw. Servicebereitstellung 11
14 15

Gesucht:
mehr Daten
995 FAND die erste internationale Konferenz zum
Thema Knowledge Discovery und Data Mining
in Montreal statt. Das Symposium beschäftigte
sich mit der vorherrschenden Ansicht, dass das
Potenzial der großen Datenmengen für Gesellschaft
und Unternehmen nicht ausreichend ausgeschöpft
würde, da der einzelne Anwender mit ihrer Analyse
schlicht überfordert sei.
In der Konferenzbroschüre schrieben die Veranstalter:
„Datenbanken und Datensätze haben eine Größe
erreicht, die menschlichen Nutzern selbst eine
Teilanalyse unmöglich macht, und ersticken die
Nutzer damit regelrecht. Dieses Phänomen, bei
dem Daten wie aus einem Feuerwehrschlauch auf
den Nutzer niederprasseln, findet sich in vielen
Bereichen, z. B. in der wissenschaftlichen Datenanalyse,
im Medizinsektor und Gesundheitswesen, auf
Unternehmens- und Marketingebene sowie in den
Finanzmärkten.“ 12 1
Eines der Kernziele der Konferenz
bestand darin, sich über neueste Methoden,
statistische Modelle, Technologien für maschinelles
Lernen und andere nicht Hardware-gestützte
Ansätze auszutauschen, mit denen ein Überblick
über die wachsende Datenflut erreicht werden
sollte. Die Konferenzteilnehmer diskutierten
Themen wie die Nutzung umfangreicher Datenmengen
zur Erkennung von Betrugsdelikten oder
die Rolle von Big Data bei der Entwicklung neuer
Medikamente gegen HIV. In beiden Fällen hat die
Kombination großer Datenvolumen mit modernsten
KAPITEL 1: DIE BIG-DATA-LÜGE
Analyseverfahren immense Fortschritte gebracht.
1995 war auch das Jahr, in dem spaltenorientierte
oder Column-Store-Datenbanken auf den Markt
kamen. Dieser Ansatz, der sich vom klassischen
Einheitskonzept der relationalen Datenbanken
grundlegend unterschied, war bahnbrechend für
die Schaffung eines Analytics Data Warehouse
(siehe Kapitel 2).
Dank einer spaltenorientierten Analyseinfrastruktur
brauchen sich die Unternehmen heute keine
Sorgen über Big Data zu machen und können sich
stattdessen voll auf die Vorteile dieses Phänomens
konzentrieren. Massive Datenmengen, selbst wenn
sie so heterogen sein sollten wie unstrukturierte
Daten, können in spaltenorientierten Data Warehouses
problemlos analysiert werden. Spaltenorientierte
Data Warehouses punkten zudem durch ihre hohe
Verarbeitungsgeschwindigkeit und ausgezeichnete
Skalierbarkeit, dank der Sie so viele Anwender und
Daten hinzufügen können, wie zur Erledigung der
jeweiligen Aufgabe vonnöten sind.
Dabei geht es nicht etwa um Funktionalitäten
und Performance-Gewinne, die für die Zukunft
erwartet oder prognostiziert werden. Es geht
nicht darum, Big Data in handlichere Brocken
aufzusplitten und auf Data Marts zu verteilen.
Es geht weder um die Beschränkung von Nutzergruppen
noch um die strikte Kontrolle von Workloads
oder die Vermeidung von Ad-hoc-Abfragen. Und es
geht erst recht nicht darum, die Analysefähigkeit Ihres
16 17

Vier zentrale Faktoren
für Enterprise Analytics
BIG DATA ALS UNERBITTLICHES
PHÄNOMEN
-Datenmengen werden
Speicherkapazität überschreiten
EXPLOSION DER BENUTZERZAHLEN
- Millionen von Data Minern
befinden sich in Wartestellung
NEULAND BEI UNSTRUKTURIERTEN
DATEN
- Heterogenität der Daten wird
zum Standard
NEUE DIMENSION DER GESCHWINDIGKEIT
- Datenzufluss erfolgt immer
schneller
Unternehmens von Big Data beschneiden zu lassen.
Vielmehr geht es darum, Big Data innerhalb und
außerhalb eines Unternehmens zu identifizieren
und mit diesen Daten die Business Intelligence bis ins
Innerste des Unternehmens voranzutreiben. Es geht
darum, Unternehmen agiler, wettbewerbsfähiger
und rentabler zu machen.
Ein Beispiel: comScore, ein Anbieter von Cloudbasierten
Analyseservices und -lösungen für den
E-Commerce, erkannte von Anfang an, dass sich
der Fokus beim Webmarketing weg von bloßen
Besucherzahlen hin zur Rentabilität verlagerte.
Die comScore Customer Knowledge Platform bietet
daher einen 360-Grad-Blick auf das Verhalten und
die Präferenzen der Kunden bei ihrer Shoppingtour
im Internet. Der Service überwacht das Surf- und
Kaufverhalten auf jeder besuchten Website und
verwendet dabei die Daten von Nutzern, die einer
Analyse ihres Internetverhaltens ausdrücklich
zugestimmt haben.
Da sich Millionen von Webnutzern für die Analyse
zur Verfügung stellten, sammelte comScore schnell
enorme Datenmengen. Mittlerweile analysiert
comScore mehr als 40 Terabyte an komprimierten
Daten, wobei Woche für Woche 150 Gigabyte an
Daten hinzukommen.
Trotz dieses exorbitanten Volumens ist die Reaktionszeit
bei Abfragen außergewöhnlich kurz. Laut
Ric Elert, Vice President Engineering bei comScore,
kann das Unternehmen daher „die Daten innerhalb
kürzester Zeit analysieren und den Kunden sehr viel
schneller Ergebnisse bereitstellen. Unseren Kunden
hilft das wiederum, ihre Produkte und Services
effektiver zu vermarken und mehr Geschäft
zu generieren.“
Dank Column-Store-Technologie erzielt comScore
zudem eine Komprimierungsrate von 40 Prozent.
Kurzprofil comScore
1999 Cloud
Gegründet 1999 Cloud-basierter Anbieter von Daten zum Online-Kundenverhalten
3 Millionen 150 Gigabyte
Erfasst mehr als 3 Millionen Websites Enormes Datenvolumen mit wöchentlicher Zunahme
von 150 Gigabyte
2 Millionen 40 Terabyte
Mehr als 2 Millionen Verbraucher lassen
ihr Konsumverhalten konstant erfassen
Bei einem traditionellen Ansatz wären die
Speicherkosten nach Aussage des Unternehmens
erheblich höher.
„Die Datenkomprimierung ist für uns überaus
wichtig, da gigantische Datenströme über unsere
Systeme laufen“, erläutert Scott Smith, Vice
President Data Warehousing bei comScore. „ Den
größten Teil unseres riesigen Datenpools bekommen
die normalen Benutzer ja nie zu sehen.“ Wie comScore,
ist auch Suntel durch dynamisches Wachstum
charakterisiert. Als am schnellsten wachsender
Telekommunikationsanbieter Sri Lankas verzeichnet
Suntel bereits heute 500.000 Kunden. Mit modernster
Technologie, innovativen Konzepten und einer
ausgeprägten Dienstleistungsorientierung
entwickelt das Unternehmen maßgeschneiderte
Telekommunikationslösungen, die auch den
anspruchsvollsten Anforderungen gerecht werden.
Durch die Verbindung aus Innovationsfreude und
Top-Technologie positioniert sich Suntel als führender
Wegbereiter für den Übergang Sri Lankas in die
40 Terabyte komprimierte Daten
40% Komprimierungsrate
KAPITEL 1: DIE BIG-DATA-LÜGE
Wissensgesellschaft.
Ein Wermutstropfen bestand für das Unternehmen
allerdings darin, dass seine klassische relationale
Datenbank mit den ehrgeizigen Zielen nicht Schritt
halten konnte. So kam es bei der Abfrageverarbeitung
zu inakzeptablen Verzögerungen.
„Wir waren an einem Punkt angekommen“,
erklärt Tariq Marikar, Director of Information
Technology & Solutions Delivery, „an dem unsere
Produktionsdatenbank um 20 Prozent über ihrer
Auslastungsgrenze lag – ein unhaltbarer Zustand.
Außerdem wollten wir Reports und Abfragen
anhand von Daten erstellen, die mehrere Jahre und
nicht nur wenige Monate alt waren. Wir wussten,
dass dies nur mit einem separaten Repository
möglich war, einem Data Warehouse, das speziell
für das Reporting und die Analyse ausgelegt
sein musste.“
Mit einem spaltenorientierten Data Warehouse
für modernste Analyseaufgaben gelangte Suntel
ohne Umwege ans Ziel. „In unserer Branche ist es
18 19

unabdingbar, große Mengen an historischen Daten
anzeigen und analysieren zu können“, ergänzt
Marikar. Wie der Vertreter von comScore lobt auch
er den spaltenorientierten Ansatz, der „mit seiner
hervorragenden Komprimierung den Platzbedarf
für die Daten unserer Produktionsdatenbank auf
ein Drittel verringert hat“.
Marikar weiter: „Skalierbarkeit heißt, dass wir
eine steigende Zahl von Nutzern unterstützen
können, wenn wir diesen Datenschatz in Zukunft
heben werden. So wollen wir anhand der Daten
z. B. die Kundenerfahrung für unterschiedlich
große Kunden individuell gestalten und außerdem
Programme für das Cross- und Up-Selling unserer
Services einführen.“
In Spanien organisiert das spaltenorientierte
Data Warehouse von Airtel-Vodafone den Datenpool
gemäß der Business Map des Unternehmens.
Dadurch bleiben Konsistenz und Integrität der
Kurzprofil Airtel Vodafone
2000 14 Millionen
Im Jahr 2000 aus Merger der Anteilspakete
von British Telecom und Vodafone an Airtel
Móviles hervorgegangen
1995 1000+
100% Mehrdimensionale
Daten auch dann gewahrt, wenn viele verschiedene
Abteilungen ein und dieselben Daten nutzen. Das
Data Warehouse wandelt Daten in Wissen um und
macht Fakten über eine eigene Schnittstelle zu
wertvoller Business Intelligence. Die Fähigkeit zur
präzisen Analyse und Prognose der Kundenaktivität
ist von essenzieller Bedeutung für die übergeordnete
Geschäftsstrategie des Unternehmens.
Auch das spaltenorientierte Data Warehouse
von Airtel-Vodafone bewältigt das immense
Abfrage-Aufkommen ohne Probleme. Mehr als
1.000 Beschäftigte nutzen es für die systemtechnisch
besonders anspruchsvolle mehrdimensionale
Analyse. Diese Form der Analyse, bei der eigene
Informationsstrukturen zum Einsatz kommen,
ermöglicht die Extraktion von Daten zu Kunden,
Infrastrukturen und Unternehmensprozessen
und gestattet den Nutzern die Erzeugung von
Modellierungs- und Simulationsprozessen
14 Millionen Kunden
Airtel Móviles seit 1995 am Markt 1.000+ Data Warehouse-Nutzer
Umfassende Daten-integration über alle
Abteilungen hinweg
Mehrdimensionale Analyse
-Kunden
-Infrastruktur
-Geschäftsprozesse
einschließlich spezieller, analyseergänzender
Verfahren.
Auch Data-Mining-Techniken werden herangezogen,
um mehr über das Verhaltensmuster der Kunden zu
erfahren. Mitarbeiter mit Kundenkontakt speisen
die Tag für Tag gewonnenen Informationen in das
System ein, wo sie mit den bereits im Warehouse
vorhandenen Daten integriert werden. All diese
Daten werden miteinander kombiniert und in
Informationsstrukturen umgewandelt, die dann
für Abfragen zur Verfügung stehen.
Das spaltenorientierte Data Warehouse ermöglicht
den Datenzugriff nach Workflow anstelle nach
der hierarchischen Unternehmensstruktur, was
zu einer höheren Produktivität und Effektivität der
Mitarbeiter führt. Damit stehen den Mitgliedern
der Marketingabteilung beispielsweise dieselben
Informationen zur Verfügung wie den Finanzexperten
des Unternehmens, obwohl das Data Mining unter
einem völlig anderen Blickwinkel und anhand ganz
unterschiedlicher Analysen erfolgt. Die Data-Warehouse-
Umgebung umspannt Marketingdatenbanken,
Anrufsysteme, Kundenservice, Statistikdaten
aus dem GSM-Netzwerk, Fakturierungssysteme,
Datensammlung und -abruf sowie sämtliche
Logistikinformationen.
Airtel-Vodafone verfügt damit über eine
maßgeschneiderte Lösung, mit der sich Daten
aus den verschiedensten operativen Umgebungen
schnell und kostengünstig integrieren lassen.
Informationen zu den Unternehmensaktivitäten
können im gewünschten Detailgrad direkt aus der
Data-Warehouse-Umgebung abgerufen werden.
Durch sein spaltenorientiertes Data Warehouse
konnte Airtel-Vodafone seinen Marktanteil steigern
und sich als Top-Player im europäischen Telekommunikationsmarkt
etablieren.
ButUmmm
Sorry!
Kein
Grund
zur
Panik
DIE HIER GENANNTEN BEISPIELE sind nur ein
kleiner Teil der Unternehmen, die aus
eigener Erfahrung wissen, dass Big Data
keine Katastrophe, sondern eine Chance ist.
Weitere Beispiele für ähnlich erfolgreiche
Unternehmen folgen in den späteren Kapiteln
dieses Guides. Sie illustrieren weitere wichtige
Aspekte des aktuellen Technikstands in der
Unternehmensanalyse.
Die Analysebranche hat heute keinerlei
Entschuldigungen mehr, wenn es darum geht,
Big Data für sich nutzbar zu machen. Sie hat keinerlei
Ausflüchte, wenn es darum geht, ihre Analytics
Data Warehouses für Tausende von Nutzern fit zu
machen oder die Analyse auf variable Datentypen
aus jeder nur denkbaren Quelle auszudehnen, wie
beispielsweise auf die massiven, unstrukturierten
Datenmengen von Social-Media-Websites.
Lassen Sie uns eines ganz klarstellen: Die Analysebranche
kann sich nicht mehr hinter dem Big-
Data-Schreckgespenst verstecken, denn wir wissen,
es ist lediglich das: ein Gespenst.
20 21
Ooops
My bad KAPITEL 1: DIE BIG-DATA-LÜGE

Intelligenz für jedermann
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
22 23

EINE GEMEINSAMKEIT der analysegetriebenen
Unternehmen aus Kapitel 1 besteht darin,
dass ihre IT-Leiter wissen: Moderne BI-
Umgebungen müssen steigende Informationsmengen
verarbeiten, kürzere Antwortzeiten bereitstellen
und größer werdende Nutzerzahlen unterstützen.
Die IT-Verantwortlichen sind sich bewusst, dass
wachsende Datenmengen zu wachsenden Nutzerzahlen
führen, die immer mehr geschäftliche Gründe
dafür haben, diese Datenmengen abzufragen.
Tatsächlich kann die Zunahme der Nutzerpopulation
für manche Anbieter von Data Warehouses (und
damit auch für ihre Kunden) ein sehr viel größeres
Problem sein als das so gefürchtete Big-Data-Phänomen.
Bis zu einem gewissen Grad kann jedes System
so angepasst werden, dass es auch größere Datenmengen
besser bewältigt. Anwender aber lassen
sich sehr viel weniger gut managen. Ihre Abfragen,
Analyse revolutioniert die Arbeitswelt
die von ihnen verursachten Workloads und Aktivitäten
können nicht vorhergesagt werden. Sie sind die
große Unbekannte in jeder Analytics-Umgebung.
Wenn Sie jedoch das System nicht an die Bedürfnisse
der Nutzer anpassen können, können Sie auch
nicht jedem Unternehmensanwender die benötigte
Business Intelligence bereitstellen.
Intelligenz für jedermann ist für Airtel-Vodafone,
comScore, Suntel und viele andere keine Illusion.
All diese Unternehmen können ihren rasch wachsenden
Nutzerpopulationen wertvolle Business Intelligence
bereitstellen, da sie bereits in der Frühphase der
BI-Einführung die Vorstellung von einem Universal-Tool
für alle Analyseaufgaben auf den Prüfstand
gestellt haben.
Standard-Datenbanktechnologien eignen sich
zweifellos für eine Vielzahl von Anwendungen. Ein
Enterprise Data Warehouse (EDW) ist eine hervor-
ragende Lösung für eine überschaubare Zahl von
Nutzern, die regelmäßige Reports und strategische
Einblicke benötigen, bei denen Zeit oder Performance
keine gewichtige Rolle spielen.
Wenn Sie Ihre Analyse-Tools jedoch einer großen
und weiter wachsenden Zahl von Anwendern
bereitstellen wollen, die den Umfang und die
Heterogenität der Daten zunehmend erhöht,
immer mehr Ad-hoc-Abfragen stellt und die
Systemauslastung kontinuierlich steigert, dann
stoßen Sie mit einer Universallösung schnell an
Ihre Grenzen. Wenn es um Analysen geht, lassen
sich die inhärenten Beschränkungen eines Enterprise
Data Warehouse nicht mehr „wegmogeln“, indem
Sie einfach ein neues Modul hinzufügen oder
in mühevoller Arbeit versuchen, das System zu
einzustellen. Dieser Weg ist eine Sackgasse.
Aber warum gelangen EDWs eigentlich so
schnell an die Grenzen ihrer Möglichkeiten, wenn
es um die unternehmensweite Analyse geht?
War dies denn nicht der ursprüngliche Zweck eines
Enterprise Data Warehouse? Warum prognostiziert
Gartner trotz der vielen Milliarden, die in EDW-
Investitionen gefl ossen sind: „Bis 2012 werden
35 Prozent der globalen Top-5000 regelmäßig
scheitern, wenn sie anhand ihres Daten-Pools
fundierte Entscheidungen zu signifikanten
Veränderungen in ihrem Unternehmen und ihren
Märkten treffen wollen“ 13 ?
Die Antwort führt uns zurück zur Technologie
und zu einer weiteren Frage: Warum ist die Architektur
Ihrer Data-Warehouse-Software so überaus wichtig?
Ganz einfach: Weil sie das Fundament ist, auf
dem Sie Business Intelligence für jedermann
bereitstellen können.
Geschäftsführung Manager Wissensarbeiter Marketing Vertrieb Operatives Geschäft Servicetechniker Partner
Sofortiger Einblick
in alle Sachverhalte
Smarteres
Programmmanagement
Schnellere
Ummünzung von
mehr Daten in mehr
Wissen
Metrikgestützte
Kampagnen
Schnellere, gezielte
Ansprache besonders
rentabler Kunden
Mehr Kontrolle,
weniger
Produktionspannen
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
Schnellere
Problemevaluierung
und -behebung
Bessere
Überschaubarkeit
der Supply Chain
24 25

EDWs:
die Achillesferse des
Unternehmens?
N SEINER KOLUMNE „THE STORY SO FAR “ 14 schreibt der
langjährige Branchenbeobachter Frank Hayes,
dass das Konzept des Data Warehousing mehr
als 25 Jahre zurückreicht – lange bevor der Begriff
„Data Warehouse“ überhaupt geprägt wurde.
Damals schien es machbar, alle relevanten
Geschäftsdaten in einem zeilenbasierten, universellen
und transaktionsorientierten Datenbanksystem
zusammenzufassen. Von Big Data hatte noch
keiner etwas gehört, und die Zahl der potenziellen
Analytics-Anwender war gering. Folglich investierten
IT-Verantwortliche erhebliche Summen in Enterprise
Data Warehouses als primäre Infrastruktur für
Analyseanwendungen.
Dies führte zu einem fundamentalen Problem,
wie BI-Experte Colin White herausstellt. Seiner
Ansicht nach wurden EDWs „in erster Linie eingeführt,
um konzeptionelle Schwächen von Geschäftstrasaktionssystemen
zu beheben“. Auf Betreiben der
Anbieter sei der Leistungsanspruch der Systeme
dann aber so ausgeweitet worden, dass „mittlerweile
Business Intelligence mit Data Warehousing
gleichgesetzt wird“. White weiter: „ Diese Gleichsetzung
ist falsch und muss dringend korrigiert werden.“ 15
I
Lassen Sie uns also eines der technologischen
Defizite betrachten, die ein EDW-Einheitskonzept
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
laut White für den Analysesektor hat.
Ein universelles Enterprise Data Warehouse beruht
auf einer zeilenbasierten Datenbank (siehe Kasten:
Drei Ansätze zur Speicherung von Analysedaten).
Dies ist ideal für eine transaktionsorientierte
Verarbeitung, die primär auf die Aufzeichnung
eines Ereignisses abzielt. Nehmen wir z. B. an, Kunde X
kauft ein Gerät Y. Wenn die Datenbank das Ereignis
in das Speichersystem schreibt, werden alle Attribute
der Transaktion berücksichtigt – Kundendaten,
Preisinformationen, Gerätespezifikationen, Datum/
Uhrzeit und viele andere Informationen, die alle in
der aufgezeichneten Transaktion enthalten sind.
Wenn ein Business-Analyst jedoch einen Teilsatz
dieser Attribute näher untersuchen möchte, muss
ein Universal-EDW erst alle Attribute in den Speicher
laden, bevor mit der Analyse begonnen werden
kann. Wenn Sie z. B. nur die Beziehung zwischen
Datum/Uhrzeit der Transaktion und der Art des
verkauften Gerätes ermitteln und diese Daten
dann mit externen Informationsquellen koppeln
möchten, ist das System außerstande, nur die
relevanten Daten zu extrahieren, sondern muss erst
sämtliche Kunden- und Preisdaten der Transaktion
abrufen. Dieser Mehraufwand führt zwangsläufig
zu deutlich längeren Antwortzeiten.
26 27

Abb. 2 Drei Ansätze zur Speicherung von Analysedaten
1
2
3
Column-Store- oder spaltenorientierter Ansatz
Speichert die Daten in Spaltenform und ermöglicht einen hohen Komprimierungsgrad, wodurch sich der
Speicherplatzbedarf signifi kant verringert. Der Column-Store-Ansatz verkürzt zudem die Reaktionszeit bei
Datenabfragen, da die Daten sehr viel schneller ausgelesen werden können, als dies bei herkömmlichen
Verfahrensweisen möglich ist. Beim Laden in die Datenbank werden die Daten automatisch indexiert.
In-Memory-Ansatz
Speichert alle Daten im RAM. Trotz seiner unbestrittenen Schnelligkeit ist dieser Ansatz in 32-Bit-Umgebungen
aufgrund der relativ geringen Speicherkapazität nicht effektiv. In 64-Bit-Systemen mit ihrem inhärent
größeren RAM kann er sinnvoll sein, ist aber mit höheren Kosten verbunden.
Zeilenbasierter Ansatz
Speichert die Daten in Zeilenform auf der Festplatte. Der zeilenbasierte Ansatz ist ideal für die
transaktionsorientierte Aufzeichnung der Daten, erschwert jedoch ihre Indexierung und kann bei
Performance und Skalierbarkeit mit neueren Technologien nicht mithalten.
Verfechter von universellen EDW-Lösungen
werden nun argumentieren, dass es Technologien zur
Behebung der erwähnten Defi zite gibt. Dabei setzen
sie primär auf die Generierung und Speicherung
separater Indexe, um so die längeren Antwortzeiten zu
kompensieren. Dem ist entgegenzuhalten, dass die
Performance von Universal-EDWs mit ausgeklügelten
Tricks zwar erhöht werden kann, dass dies jedoch
stets mit einem erheblichen Zeit- und Kostenaufwand
verbunden ist und das Management der Systeme
deutlich erschwert. Es beschränkt außerdem die
fl exible Erzeugung verschiedener Abfragetypen,
falls die IT-Abteilung die notwendigen Indexe nicht
sorgfältig genug generiert hat. Und selbst wenn
alles richtig gemacht wird, können Universallösungen
maßgeschneiderten Analyse-Engines hinsichtlich
Performance und Skalierbarkeit nicht das
Wasser reichen. Selbst einer der Pioniere
zeilenbasierter relationaler Datenbanken gibt mittlerweile
zu, dass die Technologie ihre besten Zeiten
hinter sich hat, und bezeichnet sie als „in die Jahre
gekommen“ 16 .
Data Warehouses wurden für Geschäftstransaktionen
entwickelt, und da so viele Unternehmensdaten
in ihnen lagern, wurden sie nach und nach mit
Analysefähigkeiten ausgestattet. Man könnte also
sagen, dass aus Universal-EDWs fast schon versehentlich
Analyse-Engines wurden.
Aus Nutzersicht sollte dieses Versehen schleunigst
korrigiert werden. Denn wenn die Reaktionszeit
ein kritischer Faktor ist oder wenn die Unterstützung
von Hunderten, ja Tausenden Nutzern über Wohl
und Wehe eines Unternehmens entscheidet, dann
werden EDW-Einheitslösungen aufgrund ihrer
mangelnden Performance und Skalierbarkeit nur
allzu leicht zur Achillesferse des Unternehmens.
Eine solide
Analyse-Architektur
Analyse- Architektur
WENN DIE GUTE ALTE RELATIONALE DATENBANK NICHT
DIE RICHTIGE WAHL IST, WAS IST IST ES DANN? WIE SEHEN DIE
ZENTRALEN ARCHITEKTURMERKMALE ARCHITEKTURMERKMALE EINES EINES ANALYTICS
DATA WAREHOUSE WAREHOUSE AUS?
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
28 29

WIE IN KAPITEL 1 BEREITS ERWÄHNT, benötigen Sie zunächst eine speziell für
diese Aufgabe entwickelte Analyse-Engine. Eine solche Engine
verwendet vermutlich einen Column-Store- oder spaltenorientierten Ansatz für
die Datenspeicherung. Einer der größten Vorteile der spaltenorientierten Tech-
nologie besteht in der ausgezeichneten Kompressionsfähigkeit. Dass dies nicht
nur in der Theorie, sondern auch in der Praxis ein handfester Vorteil ist, zeigt
das Beispiel der deutschen Citigroup-Tochter. Ihre spaltenorientierte Datenbank
enthält Handelsdaten aus vier Jahren (13,2 Millionen Transaktionen!) und erzielt
eine Komprimierungsrate von 43 Prozent. Ein herkömmliches zeilenbasiertes
System würde demgegenüber jeden Deal, den die Citigroup-Tochter in ihrer
Datenbank speichert, um 4 Prozent vergrößern. Ähnlich sieht es bei comScore
aus. Der Experte für Analysen über und für Online-Unternehmen konnte
den Speicherplatzbedarf seiner immensen Datensammlung um 40 Prozent
verringern. Andere Unternehmen erzielten mit einem zeilenorientierten
System sogar Komprimierungsraten von bis zu 70 Prozent.
Vorteile der Unternehmensanalyse
Strategie-Leitlinien
-Akquisitionen
-Bewertung von Initiativen
-Marktstrategien
Geringeres Risiko und
höhere Compliance
-Weniger Beurteilungsfehler
-Besseres Datenmanagement
und effi zientere Workfl ows
-Bessere Speicherung und
Zugänglichkeitder Daten
Geschäfts-wert
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
Verfeinerte KPIs
-Bessere Metriken
-Präzisere Messung
-Bessere Feedbackprozesse
Mehr Innovation
-Gezielte Produkt-/Service-Entwicklung
-Kürzere Markteinführungszeit
-Weniger Konstruktionsfehler
30 31

Aber die Komprimierung ist nur ein Vorteil der
Column-Store-Technologie. Schließlich geht es
Ihnen ja nicht nur um die Speicherplatzverringerung,
sondern darum, ein System mit modernsten
Analysefähigkeiten zu erhalten. Die Architektur
eines solchen Systems muss imstande sein, die
komprimierten Daten mittels Massively Parallel
Processing (MPP) zu parallelisieren – ein entscheidender
Performance-Gewinn. Denn obwohl alle
spaltenorientierten Systeme die komprimierten
Daten automatisch indexieren, verfügen keineswegs
alle über dieselbe Architektur. Einige legen eine
Meta-Ebene über die Daten, um deren Verarbeitung
durch das MPP-System zu ermöglichen. Diese
Meta-Ebene beeinträchtigt die Rohleistung, die
Verarbeitungsperformance bei Ad-hoc-Abfragen
und das Wachstum der Nutzerzahlen; zur Bewältigung
der Big-Data-Herausforderung kann sie sich gar als
völlig ungeeignet erweisen.
Das spaltenorientierte Fundament einer
maßgeschneiderten Analyse-Architektur ermöglicht
unter anderem eine schnellere Implementierung.
Verglichen mit herkömmlichen Universal-EDWs,
die für die Datenindexierung langwierige manuelle
Tuning-Schritte benötigen, indexiert eine
spaltenorientierte Datenbank die Daten automatisch,
sobald sie in das System geladen werden.
Auch bei der Skalierung schneidet eine
Spezialarchitektur sehr viel besser ab. Der Schlüssel
hierfür liegt in der Verwendung einer Shared-Everythinganstelle
einer Shared-Nothing-Technologie.
Ein MPP-gestütztes Data Warehouse mit einem
Shared-Everything-Ansatz kann Abfragelasten
über alle Netzknotenpunkte hinweg dynamisch
managen und ausbalancieren. Es verwendet einen
automatischen Load Balancer, mit dem sich die
Rivalität um kostbare Ressourcen wirksam vermeiden
lässt. Das Ergebnis ist eine berechenbar hohe
Performance und Ressourceneffi zienz für ein
breites Spektrum von gleichzeitigen Workloads.
Eine Shared-Everything-Architektur unterstützt
die unabhängige Skalierung von Datenspeichervolumen
und gleichzeitigen Nutzerabfragen und
vereint so eine hohe Leistungsfähigkeit mit einem
Unstrukturierte Daten – ein ungehobener Schatz
Flickr umfasst mehr als 5 Milliarden Bilder.
Mehr als 30 Milliarden Beiträge werden monatlich auf Facebook gepostet.
98 Millionen Tweets gehen täglich über Twitter.
YouTube-Nutzer laden jede Minute Videos mit einer Länge von insgesamt 24 Stunden hoch.
LinkedIn beinhaltet mehr als eine Million Unternehmensprofi le.
einfachen Management. Damit können Sie kontinuierlich
weitere Daten und Nutzer hinzufügen, ohne dass
bestehende Workloads und Arbeitsabläufe
darunter leiden.
Ein weiterer Vorteil von Spezialarchitekturen
besteht in ihrer Fähigkeit zur In-Database-Analyse.
Dies bedeutet, dass alle Workload-relevanten
Daten für die Verarbeitung verfügbar sind, ohne
dass das System sie von außerhalb abrufen muss.
Denn die Verschiebung von Daten ist ein echter
Performance-Killer. Wenn Sie hingegen Analysefunktionen
und Daten innerhalb der Datenbank
unterbringen, können Sie die Reaktionszeiten
drastisch verkürzen.
Eine maßgeschneiderte Analyse-Architektur
wird von vornherein für alle denkbaren Datentypen
entworfen. Demgegenüber stammt die
Architektur von Universal-EDWs aus Zeiten, in
denen BI-Anwendungen ausschließlich strukturierte
Daten nutzten. Heutzutage muss dagegen jede
ernstzunehmende Analyse-Engine in der Lage
sein, BI-Funktionen mühelos auf riesige Mengen
unstrukturierter Daten anzuwenden, die aus den
verschiedensten Quellen in das System strömen (siehe
Kasten: Unstrukturierte Daten – ein ungehobener
Schatz). Nach Schätzung von IDC liegen 90 Prozent
der Informationen im „digitalen Universum“ in
unstrukturierter Form vor. Universal-EDWs sind
schon mit den unstrukturierten Daten aus sozialen
Netzen überfordert bzw. führen dazu, dass
wichtige Informationen ignoriert werden – mit
den entsprechend negativen Folgen für die
Analysegenauigkeit.
Beim Thema Datentypen darf nicht vergessen
werden, dass relationale Systeme an der Verarbeitung
nicht relationaler Daten nur allzu leicht scheitern
können. So stellt die Analyse von hierarchischen
XML-Daten, unstrukturierten Weblogs und Punkt-zu-
KAPITEL 2: INTELLIGENZ FÜR JEDERMANN
Punkt-Diagrammen relationale Datenbanken
vor ein unlösbares Problem. Maßgeschneiderte
Analysesysteme mit einer sorgfältig konzipierten
Architektur kommen dagegen sogar mit diesen
Datentypen zurecht.
Zusätzlich zur Verarbeitung ständig anwachsender
und scheinbar unendlich vielfältiger Daten müssen
Analyse-Engines noch eine weitere Hürde nehmen:
die gleichzeitige Bewältigung zahlreicher Workloads.
Sie dürfen bei keiner Aufgabe – wie anspruchsvoll
auch immer – in die Knie gehen. Wenn der DBA neue
Daten aus externen Quellen in die Datenbank lädt und
gleichzeitig verarbeitungsintensive Batch-Berichte
zu erstellen sind, muss das System trotzdem die
Ad-hoc-Abfragen der diversen Nutzerpopulationen
mühelos abarbeiten können. Workload-Variabilität
ist eine essenzielle Voraussetzung für die Analyselandschaft
des 21. Jahrhunderts.
Zudem muss gewährleistet sein, dass Geschäftsanalysten
standardmäßige SQL-Tools für ihre
Abfragen nutzen können. Auch sollte es möglich
sein, Executive Dashboards ohne einen Wechsel des
Visualisierungs-Tools zu nutzen. Und schließlich
sollten Entwickler bei der Erstellung von BI-Apps
neueste Programmierfortschritte wie MAP Reduce
nutzen können.
Eine maßgeschneiderte Architektur stellt jedem
Unternehmensanwender die benötigten Analysefunktionen
zur Verfügung. Sie deckt das ganze
Spektrum der Datentypen ab und unterstützt
gleichzeitig eine dramatische Ausweitung des zu
verarbeitenden Datenvolumens. All dies ohne
Einbußen bei der Performance oder Skalierbarkeit.
Auf den folgenden Seiten erfahren Sie, wie
Unternehmen ihre BI-Probleme mit einer auf sie
zugeschnittenen Analytics-Technologie konkret in
den Griff bekommen haben.
32 33

Business Analytics
in der Praxis
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
34 35

EDE BRANCHE HAT IHRE GANZ SPEZIELLEN BESONDERHEITEN.
Das gilt auch für Unternehmen, selbst wenn sie
innerhalb ein und derselben Branche tätig sind.
Dennoch steht fast jedes Unternehmen in jeder
Branche vor denselben zwei eng miteinander
verwobenen Problemen: Was tun mit all den
Informationen, die 24 Stunden am Tag in das
Rechenzentrum strömen? Wie umgehen mit der
steigenden Zahl von Anwendern, die diese
Informationen analysieren wollen?
Im Gesundheitsweisen wird die Umstellung auf
elektronische Patientenakten und die resultierende
Analyse von Patientendaten dadurch vorangetrieben,
dass sich die Anbieter davon jährliche Einsparungen
von mehreren 707 Milliarden Euro versprechen. 17
J
In der Produktion konnte durch das Lieferketten-
Outsourcing laut McKinsey zwar viel Geld gespart
Aufgabe
Massiver Datenzufluss in Echtzeit
Extrem kurze Entscheidungszeiten
Komplexes, ständig im Wandel
befindliches Rechtsumfeld
werden; gleichzeitig ist es aber für Unternehmensleitung,
Geschäftsanalysten und Prognoseexperten
wichtiger denn je, möglichst viele Informationen
über sämtliche Aspekte von der Rohstoffverfügbarkeit
bis zu den Lagerbeständen bei Partnerfirmen zu
sammeln, abzurufen, zu speichern und zu analysieren18 .
Und Handelskonzerne wie Wal-Mart mit einem
täglichen Volumen von 267 Millionen Transaktionen19 stellen fest, dass „die Einbindung von Customer
Insight in Geschäftsentscheidungen dramatische
Wettbewerbsvorteile bringen kann“ 20 .
In diesen und anderen Branchen erwarten immer
mehr Nutzer von ihrem CIO, dass er ihnen Zugang
zu der ins Unternehmen strömenden Datenflut
gibt und deren Analyse ermöglicht. Natürlich
erwarten sie außerdem, dass die Reaktionszeit
auf ihre Abfragen dem entspricht, was sie von
Innovation im Analytics-Bereich: Finanzdienstleistungen
Innovation
Analytics Engine, die immense Datenmengen
problemlos bewältigt
Reaktionszeiten im Millisekunden-Bereich
Einfaches Management von Datenspeicherung
und -zugriff für eine zuverlässige
Einhaltung der Vorgaben zur langfristigen
Daten-aufbewahrung
Suchmaschinen wie Google oder Bing kennen. Der
sofortige Zugriff auf Informationen und Antworten
ist aber nicht nur ein Trend oder eine Erwartung,
er ist ein absolutes Muss für jedes Unternehmen.
Dabei kann das, was wir Menschen unter
„sofort“ verstehen, für manche Märkte zu langsam
sein. Unternehmen, die in diesen Märkten aktiv
sind, benötigen eine Analyse in Machine-to-
Machine (M2M)-Geschwindigkeit.
Die Beschleunigung zum Machine-to-Machine-
Takt findet sich laut Wall Street & Technology
besonders in der Finanzindustrie, wo sich die
Frist für Entscheidungen von „Mikrosekunden zu
Millisekunden und Nanosekunden immer weiter
verkürzt“. Analysefunktionen werden hier auf
Geschäftsprozesse für Finanztransaktionen
angewendet, die von Computern ausgeführt
werden, da nur noch Computer fähig sind, mit
der reißenden Geschwindigkeit des Datenstroms
mitzuhalten. Die immensen Kosten der hierfür
notwendigen Technologien führen dazu, dass nur
die ganz Großen der Branche imstande sind, dieser
Entwicklung durch immer schnellere Hardware und
Netzwerke zu begegnen. Für alle anderen besteht
laut Larry Tabb, CEO des Analysehauses Tabb Group,
„der nächste Schritt darin, komplexere Entscheidungen
zu treffen“. Wenn Ihr Unternehmen also nicht
über unbegrenzte Mittel verfügt, müssen Sie ganz
einfach smarter werden. Konkurrenzfähig wird
laut Tabb nur der sein, der „die Hürden für die
Analyse senkt“. 21
Ähnlich wie Finanzdienstleister werden auch
Telekommunikationsunternehmen unter einer
regelrechten Datenlawine begraben, aus der sie
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
Die
erfolgreiche
Bewältigung
der Datenflut
DIE OPTIONS PRICE REPORTING AUTHORITY (OPRA)
ist nur einer der vielen Marktdaten-Feeds,
zu denen auch Consolidated Quote System,
New York Stock Exchange Open Book, NASDAQ Trade
Data Dissemination Service und zahlreiche andere
gehören. Neben anderen essenziellen Informationen
zu den Finanzmärkten stellt sie detaillierte Daten
zu abgeschlossenen Handelstransaktionen und
aktuellen Optionen bereit. Dabei entsteht Sekunde
für Sekunde ein unvorstellbares Datenvolumen, das
ständig weiter anschwillt.
Jährliche Spitzenwerte bei den Nachrichten pro
Sekunde (MPS):
500 1995
4.000 2000
83.000 2005
2.200.000 2010
OPRA-Abonnenten müssen gigantische Datenmengen
meistern können: Bei einem Durchschnittswert von 120
Bytes pro MPS ergeben sich 264 MByte, die jede Sekunde
allein über OPRA eingespeist werden.
36 37

Innovation im Analytics-Bereich: Gesundheitswesen
Aufgabe
Unterstützung bei der Konsolidierung und
Analyse großer Datenvolumen mit dem Ziel,
die Forschung zu beschleunigen, die
Gesundheitsversorgung zu verbessern und
die Kosten zu senken
Unterstützung beim Anpassungsdruck
infolge des ständigen Wandels der gesetzlichen
Vorschriften und Regelungen
Echtzeit-BI destillieren müssen. Europäische Tier
1-Anbieter verzeichneten von 2007 bis 2010 eine
Zunahme ihres Datenvolumens um 700 Prozent.
In Lateinamerika verdoppelte sich der Datenzustrom
bei vergleichbaren Anbietern in nur vier Jahren
von 5 auf 10 Terabyte. Damit nicht genug: Der von
Smartphones erzeugte Netzverkehr wird von 18,5
Prozent 2009 auf geschätzte 56 Prozent im Jahr
2015 steigen und so die Datenmenge weiter nach
oben treiben. 22 Allein die Fülle und Geschwindigkeit,
mit der die Informationen in die Rechenzentren
der Telekommunikationsanbieter strömen,
würde – wie im Finanzsektor auch – einen menschlichen
Analysten komplett überfordern. Echtzeitentscheidungen
sind z. B. für die Sicherstellung der
Dienstgüte (QoS) relevant und müssen auf Basis
einer Analyse getroffen werden, die in Geschäftsprozesse
integriert ist, wobei Letztere wiederum von
Computern verarbeitet werden.
Angesichts dieses Big-Data-Szenarios raten
Innovation
Analytics-Technologien, die Data Mining,
statistische Analyse, Prognose, prädiktive
Modellierung und Optimierungstechniken
nutzen, um strategische und operative
Entscheidungen und Maßnahmen zu
unterstützen
Technologien, die den immer neuen
HIPAA-Anforderungen entsprechen und die
Integration von Geschäfts-prozessen
wirksam unterstützen
manche Branchenvertreter dazu, bei der Datenanalyse
nach dem Motto „Weniger ist mehr“ zu handeln.
Dieser Ratschlag kommt häufig von Anbietern, die
eben nicht über die Technologie für die Bewältigung
von Big Data verfügen und Ihnen weismachen
wollen, dass die Analyse von kleineren Datenmengen
„völlig ausreichend“ sei.
Wie Googles Chief Economist Hal Varian bemerkt,
zeigt ein genauerer Blick zwar, dass die Analyse
eines kleinen, zufällig gewählten Datenausschnitts
durchaus valide Ergebnisse erbringen kann. Um
eine wirklich zufällige Datenauswahl zu erhalten,
benötigen Sie jedoch einen gewaltigen Daten-Pool.
Ohne einen derartigen Pool sind Ihre Analyseprozesse
nicht wirklich stichhaltig. Anders ausgedrückt: Big
Data ist die beste Voraussetzung für den Erhalt
valider Daten. 23
Wenn ein Anbieter also wieder einmal argumentiert,
dass kleine Datenvolumen ausreichen, liegt das vermutlich
daran, dass er Big Data nicht gewachsen ist.
Die Ummünzung
von Big Data in
greifbare Vorteile
38 39
12B56
57>4d
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS

KOLOSSALE DATENMENGEN sorgen schon heute für
maximale Einblicke. Weltweit lassen Unternehmen
ihr Big-Data-Aufkommen erfolgreich
analysieren, um daraus greifbare Vorteile zu ziehen.
Ein Beispiel hierfür ist CoreLogic, eine Tochter des
Fortune 500-Finanzdienstleisters First American.
Als innovativer Anbieter von Hypothekenabsicherungen
stand CoreLogic vor der Aufgabe, sein Geschäft
auszubauen und immer anspruchsvolleren Kunden
attraktive Lösungen zu offerieren, gleichzeitig jedoch
eine effiziente Technologie-Infrastruktur zu unterhalten.
Neue Web-Angebote und eine verbesserte Funktionalität
der Analyseanwendungen standen ebenfalls auf
der Bedarfsliste.
Problematisch war, dass CoreLogic bei der Analyse
bis dahin einen herkömmlichen Einheitsansatz verfolgt
hatte. Das Analysesystem war somit nicht in der
Lage, die variablen Workloads der zweistelligen
Terabyte-Volumen zu verarbeiten. Bei 20 Prozent der
Nutzerabfragen benötigte das System fünf Minuten
und länger, während es bei fünf Prozent der Abfragen
aufgrund der schieren Datenmenge einfach mitten
in der Verarbeitung ausstieg.
Heute verfügt CoreLogic über eine maßgeschneiderte
Analyse-Engine mit einer Architektur, die modernste
Column-Store-Technologie und die Fähigkeit zur
Bewältigung massiver Datenmengen aufweist. Die
Performance der BI-Anwendungen konnte damit um
glatte 800 Prozent gesteigert werden.
Für CoreLogic ging es hier nicht nur um einige
kosmetische Verschönerungen, sondern um eine
Rundumerneuerung, die den Nutzern von CoreLogic –
insbesondere den Power-Usern – eine völlig
neuartige Erfahrung verschafft hat.
Der rapide technologische Fortschritt hat auch im
traditionell heiß umkämpften Telekommunikationsmarkt
eine neue Ära eingeläutet. Dazu kommt, dass Telekommunikationsanbieter
aufgrund der weltweiten
Gesetze zur Datenaufbewahrung vor neuen
Herausforderungen stehen. Auch Taiwan Mobile,
ein großer asiatischer Mobilfunkbetreiber, ist hier
keine Ausnahme.
Bei ihrer Tätigkeit sammeln Telekommunikationsunternehmen
gigantische Mengen an Rohdaten,
die für Kundenrechnungen und Finanztransaktionen
verwendet werden. Darüber hinaus sind sie gesetzlich
verpflichtet, Verbindungsdaten (Call Detail Records,
CDRs) zu speichern und den Behörden bei Bedarf zur
Verfügung zu stellen. CDRs umfassen Angaben zu
Datum, Uhrzeit, Ziel, Rufnummer und Dauer eines
jeden Telefonats und müssen zwischen sechs und 24
Monaten aufbewahrt werden.
Taiwan Mobile ist verpflichtet, diese Verbindungsdaten
für die Dauer von sechs Monaten zu speichern. Bei
mehr als sechs Millionen Mobilfunkkunden geht
die Zahl der täglichen Rufdaten und Transaktionen
leicht in die Milliarden. Taiwan Mobile schätzt sein
Gesamtspeichervolumen auf rund 10 Terabyte – viel
zu viel für das bisherige System.
Indem es anstelle der herkömmlichen Universaltechnologie
einen modernen spaltenorientierten
Ansatz wählte, konnte Taiwan Mobile seinen
Aufbewahrungspflichten nachkommen, dank der
hohen Komprimierungsrate den Speicherbedarf
drastisch verringern und zugleich die Analysegeschwindigkeit
deutlich erhöhen.
Innovation im Analytics-Bereich: Telekommunikation
Aufgabe
Customer Analytics – Geringere
Kundenfluktuation und höherer ARPU
durch bessere, schnellere Einblicke in
umfangreiche Daten zu Kundenprofil,
-nutzung und -trends
Servicequalität – Sicherstellung der
Kundenzufriedenheit und Einhaltung
stringenter SLAs durch die Integration
und Analyse von Netzwerk- und
Kundendaten in Echtzeit
Optimierung der Netzwerkkapazität
–Optimierung von Netzwerkaufwendungen
und -auslastung durch die
Echtzeitüberwachung und -messung
von Milliarden Netzwerkereignissen
bis hinunter auf die Geräteebene
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
Innovation
Aktive Überwachung der Kundenfluktuation
– Erkennung von Mustern bei
der Abonnementkündigung sowie von
Chancen für die Steigerung der
Kunden-zufriedenheit
Aktive Überwachung von Netzwerkbedingungen
und Priorisierung der
Netzwerkauslastung auf Basis der
Kunden-rentabilität
Vereinheitlichung aller historischen
Kundendaten für aktuelle Einblicke durch
die Kundenbetreuer
Erfassung, Filterung und Aggregation der
Kundendaten für eine historische Analyse
nach Faktoren wie Support-Anrufen,
Zahlungsverhalten, Upgrades, Nutzung
und Gesamtrentabilität
40 41

HEALTHTRANS, eines der größten und am schnellsten
wachsenden PBM-Unternehmen (Pharmacy
Benefits Management) in den USA, unterstützt
Arbeitgeber, externe Verwaltungsstellen, Vermittler,
Berater, Managed-Care-Anbieter und andere Kunden
mit leistungsfähigen Tools und medizinischem
Know-how dabei, ihre Programme zum Management
der Arzneimittelzuschüsse effizienter und wirksamer
umzusetzen. Das Unternehmen verwaltet über 100
Terabyte an Daten und verarbeitet täglich mehr als
Kurzprofil HealthTrans
Weniger Speicherbedarf,
mehr Einblicke
2000 100 Millionen
Gegründet 2000 100 Millionen Fälle/Jahr
15,3 Millionen $4 Milliarden
eine Viertelmillion neuer Transaktionen.
Die vorhandene klassische Datenbankarchitektur
des Unternehmens kam bei diesem Volumen
regelmäßig ins Stocken und benötigte acht bis
zehn Stunden für die Report-Erstellung. Durch
den Umstieg auf ein individuell zugeschnittenes
Analysesystem ließ sich diese Zeitspanne auf zwei
bis drei Minuten verkürzen. Gleichzeitig benötigt
HealthTrans nun 69 Prozent weniger Speicherplatz
als zuvor.
15,3 Millionen Patienten Milliarden US-Dollar für verschreibungspflichtige
Medikamente
100 250.000+
100 Terabyte gespeicherte Daten 250.000+ Transaktionen/Tag
69 %
Verringerung des Speicherbedarfs um 69%
Analyse-Software in der Cloud
CLOUD-BASIERTE ANALYSE-SOFTWARE wird von
zahlreichen kleineren Firmen angeboten,
die ihren Kunden die Ausführung von
BI-Anwendungsinstanzen in einer gemeinsam
genutzten Infrastruktur ermöglichen. Cloud-Lösungen
verursachen geringe Einstiegskosten, da die Software
zwar konfigurierbar ist, jedoch nur schwer oder überhaupt
nicht angepasst werden kann. Weil der Kunde weder
Software noch Hardware anschaffen muss, fallen lediglich
Betriebskosten an; viele kleine und mittelständische
Unternehmen (KMUs) entscheiden sich für Cloud-basierte
Lösungen und umgehen somit die IT.
Allerdings haben Cloud-Analyseprogramme trotz ihrer
geringen Kosten und einfachen Implementierbarkeit auch
signifikante Nachteile. Einer der größten ist zweifellos
die Datensicherheit – ein Thema, das von vielen, aber
eben nicht allen Anbietern zufriedenstellend gelöst ist.
Big Data ist ein noch schwerwiegenderes Problem.
Selbst wenn die Analyse von Daten-Gigabytes in der Cloud
EINE DATA WAREHOUSE APPLIANCE ist ein vorkonfiguriertes
und vorabgestimmtes Produkt, das zumeist eine
Datenbank, grundlegende Modellierungs-Tools
und BI-Funktionen umfasst, die nach dem Laden der
Daten sofort nutzbar sind. Data Warehouse Appliances
werden in der Regel als taktische Lösung für Data-Mart-
Anwendungen eingesetzt.
Die Datenmenge sollte 1 Petabyte nicht überschreiten,
und auch die Nutzerpopulation sollte begrenzt sein.
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
problemlos funktionieren sollte, stelltdas Laden von
Terabytes in die Cloud eine erhebliche Hürde dar.
Und spätestens die Cloud-Analyse von Datenmengen
im Petabyte-Bereich endet im Desaster. Auch die
Erweiterung eines Systems auf eine größere Zahl von Anwendern
bleibt nicht ohne Schwierigkeiten. Dazu kommt,
dass Ad-hoc-Abfragen in vielen Fällen nicht machbar sind.
Eine Cloud-basierte BI ist ideal für kleine Unternehmen,
die sich keine eigene Analyse-Infrastruktur leisten
können oder wollen. Cloud-Lösungen verschaffen
ihnen wertvolle Einblicke in ihr Geschäft und ihre
Märkte. Nicht zuletzt können Cloud-Anwendungen
auch in größeren Unternehmen die IT entlasten,
wenn eine Abteilung oder Gruppe kurzfristig Zugriff
auf ein Analysesystem benötigt und das bestehende
System mit der zusätzlichen Arbeitslast überfordert ist.
Für die meisten großen Unternehmen sind die derzeit
erhältlichen Analytics-Optionen in der Cloud jedoch
keine empfehlenswerte strategische Lösung.
Appliances: kleine Lösungen für überschaubare Ansprüche
Allerdings sind einige Appliances nach Angabe ihrer
Anbieter in der Lage, auch größere Datenvolumen und
mehrere Tausend Nutzer zu unterstützen.
Zur Vereinfachung der Administration sollten
Appliances über eine einheitliche Konsole verfügen und
darüber hinaus schnell implementierbar sein. Appliances
sind kostengünstige Lösungen, die unter bestimmten
Umständen gerade für kleine bis mittelgroße
Unternehmen sehr gut geeignet sein können.
42 43

Internet-Nutzer (Mio.)
ER RUF NACH ANALYSEFUNKTIONEN für die stetig
wachsende Zahl der mobilen Nutzer wird
weltweit immer lauter. Laut Morgan Stanley
werden 2014 mehr Anwender mobil ins Internet
gehen als über herkömmliche Desktop-Rechner. 24
Gartner geht davon aus, dass bis 2013 bereits 80
Prozent der Unternehmen ihre Belegschaft mit
Tablets ausstatten werden. 25 D
Dies gilt natürlich
auch für mobile Nutzer, die unterwegs auf BI-
Applikationen zugreifen und Ad-hoc-Abfragen
2.000
1.600
1.200
800
400
Analytics für
mobile Nutzer
Abb. 3 Mobile Nutzer > Desktop-Internet-Nutzer in fünf Jahren
starten müssen.
Da die Anwender sehr wahrscheinlich die mobile
Plattform ihrer Wahl verwenden werden – seien
es iPads und iPhones oder Android- und Windows-
Geräte –, wird die IT nicht kontrollieren können,
wer was nutzt, um auf die neuen mobilen BI-Apps
zuzugreifen. Dieser Trend wird der Nachfrage nach
Analyseanwendungen zusätzlichen Schub verleihen
– eine Herausforderung, der sich die IT weltweit
stellen muss.
Prognose der weltweiten Entwicklung Mobile vs. Desktop-Internet-Nutzer bis 2015
Mobile Internet-Nutzer
Desktop-Internet-Nutzer
Mehr Nutzer,
weniger Probleme
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
44
2007E 2008E 2009E 2010E 2011E 2012E 2013E 2014E 2015E
2011
Quelle: Morgan Stanley Research
45

MIT DER BEWÄLTIGUNG DER BIG-DATA-HERAUSFORDERUNG
haben die meisten Unternehmen jedoch
nur die Hälfte der Analyseproblematik
gelöst. Eine ebenso große Aufgabe ist die ständig
wachsende Zahl von Anwendern. Zum Glück kann
eine maßgeschneiderte Analyse-Architektur auch hier
Abhilfe schaffen. Und zwar nicht nur am grünen Tisch,
sondern im harten Praxisalltag.
Ein Beispiel: Alvion Technologies, Inc. stellt einigen
der weltgrößten Besitzern von Marketing-Datenlisten
ausgelagerte Datenmanagement-Services bereit.
Die Kunden mit so klangvollen Namen wie Axiom,
Equifax, Experian und Dunn & Bradstreet verfügen
über Datenmengen von bis zu 190 Millionen Records
und 200 Attributen. Insgesamt verwaltet Alvion
rund ein Terabyte an Daten für Outsourcing-Kunden.
Kurzprofil BNP Paribas Securities Services
2001 6,2 Billionen 1 Billionen
Entstanden 2001 aus Zusammenschluss von
BNP und Paribas; 100-prozentige Tochter von
BNP Paribas Group SA
„Assets under Custody”:6,2 Billionen US-Dollar
Erste 10.000 200.000
Erste europäische Großbank, die die Basel
II-Anforderungen erfüllt
Täglich stellen über 12.000 registrierte Nutzer bis zu
2.000 Ad-hoc-Abfragen an das spaltenorientierte
Analysesystem. Dazu kommen zahllose regulär
generierte Berichte. Trotz dieser enormen Auslastung
liegt die durchschnittliche Antwortzeit bei weniger als
20 Sekunden.
Der global agierende französische Finanzriese BNP
Paribas Securities Services bietet mehr als 10.000
Nutzern Analysefunktionen und Zugang zu circa
200.000 Reports. Die positiven Erfahrungen mit
dem maßgeschneiderten Analysesystem haben
diese Nutzer dazu veranlasst, jeden Monat 10.000
bis 20.000 zusätzliche Reports anzufordern. Nicht zu
verachten sind auch die rund 10.000 Ad-hoc-Abfragen,
die pro Monat verarbeitet werden. Und als besonderes
Plus erhalten Kunden und interne Anwender nun
10.000 Ad-hoc-Abfragen/Monat
10.00-20.000 10.000+ Real Time
10.00-20.000 neue Berichte/Monat 10.000+ Analytics-Nutzer
Berichte und Abfragen beinahe in Echtzeit.
Banco Macro begann als regionales argentinisches
Bankhaus und entwickelte sich im Laufe der Jahre zu
einer der führenden Banken des Landes. Die noch aus
den Anfängen stammende SQL-Datenbank brach
unter der Last einer Nutzerbasis, die von sechs auf
mehr als 800 Personen angewachsen war, fast
zusammen. Selbst Basis-Abfragen dauerten bis zu
fünf quälend lange Minuten. Nach dem Umstieg
auf eine eigens konzipierte Analyse-Architektur
reduzierten sich die Antwortzeiten auf 20 bis 30
Sekunden – obwohl sich die Nutzerpopulation auf
1.700 nahezu verdoppelt hatte und Datenmengen, die
um das Doppelte über denjenigen der ursprünglichen
SQL-Datenbank lagen, einen enormen Anstieg der
Workloads mit sich brachten.
„Assets under Administration”: 1 Billion
US-Dollar
200.000 Berichte
Nahezu-Echtzeit-Reaktion
KAPITEL 3: BUSINESS ANALYTICS IN DER PRAXIS
Aussagekräftige
Datenstichproben
ALLE HIER GENANNTEN BEISPIELE veranschaulichen
das Prinzip, aus einem großen Datenpool
eine mengenmäßig begrenzte Stichprobe
zu entnehmen, um zu validen Schlussfolgerungen
zu gelangen. Sie sind nur ein kleiner Auszug
aus einer langen Liste von Unternehmen, die
sich den Herausforderungen von Big Data und
wachsenden Nutzerzahlen erfolgreich gestellt
haben. All diese Unternehmen hatten Erfahrungen
mit traditionellen, universell ausgelegten SQL-
Datenbanken gesammelt und waren dabei an
unüberwindbare Grenzen gestoßen.
Durch maßgeschneiderte Analysetechnologien
konnten sie nicht nur ihre aktuellen Aufgabenlösen,
sondern sich eine hervorragende Ausgangsbasis
für künftiges Wachstum schaffen. Anstelle die
Flut an neuartigen Daten und den stetigen Zustrom
an neuen Geschäftsanwendern als Problem zu
betrachten, sehen sie die Chancen, die sich daraus
für die Eroberung neuer Märkte, die Entwicklung
neuer Produkte und Services, die Senkung der
Kosten und die Optimierung der operativen
Abläufe insgesamt ergeben.
Unterm Strich erzielen sie so sehr viel schneller
einen substanziellen ROI aus ihren Analytics-
Investitionen. Mit dem Thema der Investitionsrentabilität
von Analyselösungen werden
wir uns im folgenden Kapitel jedoch noch
ausführlicher beschäftigen.
46 47

Best Practices und der
ROI von Analyseprojekten
48 49
1515691///567
1515691///567
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN

1515691///567
1515691///567
In den vorangegangenen Kapiteln haben wir anhand von Beispielen
gesehen, wie zahlreiche Unternehmen mit Analyseanwendungen
ihren Gewinn erhöhen konnten. Geschäftsanwender sehen in
nahezu allen Bereichen des Unternehmens konsequente
Verbesserungen – von der schnelleren Produktentwicklung und
Markteinführung über den effektiveren Kundenservice bis zu
zielgenauerem Marketing und schnelleren, präziseren Aktivitäten
im Finanzsektor.
Allerdings wäre es vermessen zu behaupten, dass alle BI-
Projekte einen positiven ROI erzielen. Wie überall, gibt es auch hier
Ausreißer. Die Gründe dafür sind meist bekannt: mangelnde
Planung, unzureichende Produkt-Performance und fehlende
Skalierbarkeit. Dahinter steht häufig eine oberflächlich durchgeführte
Machbarkeitsstudie (der sog. Proof of Concept). 26 Ein gründlicher
PoC deckt die möglichen positiven Effekte eines Analytics-Projekts
auf und enthüllt zudem auch viele der Schwächen, die ein fehlerhaft
konzipiertes Vorhaben ins Straucheln bringen können.
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN
Der Proof of Concept – ein
leistungsstarkes Instrument
50 51

DER PROOF OF CONCEPT ist der erste Schritt auf
dem Weg zu einem positiven ROI. Um von
vornherein die richtigen Voraussetzungen
für den Projekterfolg zu schaffen, sollte der Proof of
Concept auf Ihrem heimischen IT-Terrain stattfinden.
Die Durchführung von PoCs im Testlabor des Herstellers
ist zeitaufwändig, teuer (selbst wenn der Hersteller
die Reisekosten übernimmt) und problemträchtig.
So kann der Hersteller beispielsweise jede
Menge Experten aufbieten, die die BI-Umgebung
mit vorgefertigten Daten und Abfragen füttern.
Logischerweise schneiden die angebotenen
Produkte dann sehr viel besser ab, als dies in der
ungeschminkten Praxis Ihres Unternehmens der
Fall wäre.
Wer
Verlässlicher ROI
American Airlines
State of Sao Paulo, Brazil
Cell ©
AOK Hessen
HMV Japan
Zweitens sollten bei einem Proof of Concept – unter
Einhaltung striktester Sicherheitsvorkehrungen
– reale Daten verwendet werden. Wenn Sie von
einem Machbarkeitsnachweis ein aussagekräftiges
Ergebnis erwarten, sollten Sie keinesfalls spezielle
Testdaten akzeptieren. Zudem sollten Ihre Daten
vollständig sein; d. h. es sollte kein Teildatensatz
verwendet werden, sondern die Datenmenge sollte
so groß sein, dass sie die reale Situation abbildet, in
der das Analysesystem später eingesetzt wird.
Es versteht sich von selbst, dass ein PoC anhand
bestehender Berichte durchgeführt werden sollte.
Die dabei erzielten Antwortzeiten sollten
deutlich über den bisherigen Werten liegen.
Andernfalls können Sie den PoC genauso gut
Was
€ 727 Mio./Jahr durch Aufdeckung von Betrugs-delikten
€ 72,7 Mio. aus bis dato unversteuerten Einkommen
€ 14,5 Mio. eingespart durch ein einziges Projekt
€ 2,3 Mio. durch Aufdeckung von Betrugsdelikten
3-15x mehr Wachstum durch Online-Einkauf
abbrechen und mit der Planung Ihres Analyseprojekts
von vorn beginnen.
Wichtiger noch als bessere Resultate bei
bestehenden BI-Reports ist es, dass der PoC auch
typische Ad-hoc-Abfragen beinhaltet. Diese
Abfragen sollte der Hersteller im Vorfeld nicht zu
Gesicht bekommen. Ad-hoc-Abfragen bei einem
Proof of Concept sollten für den Hersteller genauso
schwierig zu meistern sein wie für die IT in der
realen Arbeitswelt.
Grundsätzlich sollten die getesteten Systeme
gegenüber Ihren bestehenden BI-Abläufen einen
deutlichen Performance-Sprung erzielen. Auch
sollten eindeutige Vorteile bei der Menge und
Vielzahl der analysierbaren Daten zu verzeichnen
sein. Selbst wenn Sie in der Analysepraxis (noch)
nicht mit unstrukturierten Daten arbeiten,
sollten Sie diese Daten in den PoC aufnehmen.
Nur so können Sie erkennen, welches künftige
Analysepotenzial Ihr Unternehmen hat und ob
der Hersteller in der Lage ist, mit verschiedenen
Datentypen umzugehen.
Schließlich sollten Sie bedenken, dass Hersteller,
die für einen PoC mehrere Wochen, ja einen Monat
oder mehr veranschlagen, als Lieferanten von
vornherein ausscheiden. Ein PoC in Ihrem eigenen
Unternehmen mit Ihren eigenen Daten, Berichten
und Ad-hoc-Abfragen sollte in Tagen, maximal in
einer Woche abgeschlossen sein.
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN
Die Voraussetzungen
für ein erfolgreiches
Analyseprojekt
Die sieben Schritte des CIO-Magazins für das Rollout
von Enterprise-Analytics-Systemen27 1. Stellen Sie sicher, dass die Daten gründlich bereinigt sind.
2. Schulen Sie Ihre Anwender.
3. Führen Sie das System schnell ein, und nehmen Sie
dann die erforderlichen Anpassungen vor. Verwenden
Sie im Vorfeld nicht zu viel Zeit auf die Entwicklung
perfekter Reports; die tatsächlichen Erfordernisse
ändern sich parallel zu Ihrer Geschäftsentwicklung.
Stellen Sie Berichte bereit, die den Anwendern
möglichst schnell einen möglichst großen Nutzwert
bringen, und optimieren Sie diese Berichte daraufhin.
4. Verfolgen Sie bei der Erstellung Ihres Data Warehouse
von vornherein einen integrierten Ansatz. Achten Sie
darauf, dass Ihre Datenstrategie nicht früher oder später
in einer Sackgasse endet.
5. Definieren Sie den ROI vor Projektbeginn. Formulieren
Sie konkrete Vorteile, die Sie erwarten. Überprüfen Sie
dann alle drei bis sechs Monate, ob das Projekt in der
Praxis den erwarteten Nutzen bringt.
6. Konzentrieren Sie sich auf Geschäftsziele.
7. Erwerben Sie BI-Software nicht nur deswegen,
weil Sie glauben, dass Sie sie benötigen. Die richtige
Kaufvoraussetzung ist: Sie wissen, dass Sie bestimmte
Zahlen und Fakten benötigen, und Sie wissen auch, wo
sich diese Zahlen und Fakten in etwa befinden.
52 53

Jenseits des Proof
of Concept
NACHDEM DAS POC-ERGEBNIS GRÜNES LICHT
gegeben hat, können Sie eine Reihe von
bewährten Taktiken anwenden, um den langfristigen
Erfolg Ihres Analyseprojekts sicherzustellen
(siehe Kasten: Die Voraussetzungen für eine
erfolgreiche Analyse). Dabei sollten Sie unbedingt
darauf achten, dass alle Projektbeteiligten während
der gesamten Bereitstellungsphase stets auf dem
Laufenden bleiben. Sorgen Sie für eine kontinuierliche
Kommunikation. Wichtige Projektmitarbeiter dürfen nie
Abb. 4 Ein traditionelles Data Warehouse-Einheitsmodell
In einem typischen DBMS entsteht bei der Speicherung von
1 Terabyte Nutzdaten ein Datenoverhead von 150 %.
Input-DATEN:
1 TB
Quelle: Flat Files, ETL,
Replikation, ODS
LADEN
durch Fehler im Prozessablauf vom Informationsfl uss
abgeschnitten werden.
Ironischerweise spielt auch die Hardware eine
wichtige Rolle bei der Ermittlung des ROI einer
Analytics-Softwareplattform. Jede Software
benötigt Hardware zu ihrer Ausführung. Wenn sie
jedoch für eine einzige Hardware-Architektur und
-konfi guration entwickelt wird, entsteht eine fatale
Abhängigkeit, die den ROI automatisch mindert.
Spezielle Hardware ist bereits in der Anschaffung
fast immer teurer, und auch ihre Wartung verursacht
meist höhere Kosten. Notwendige Ersatzteile sind
teurer, Systemverwaltung und -administration
schlagen quasi per defi nitionem mit höheren
Kosten zu Buche. Kurz – die Gesamtbetriebskosten
dieser Systeme ziehen den ROI spürbar nach unten.
Konventionelle DBMS
zusammengefasste
Aggregate
1 - 2 TB
Indexe
0,5 - 3 TB
Basistabelle
“Rohdaten”
ohne Indexe
0,9 - 1,1 TB
2,4 - 6
TB
Ein weiteres Problem des Hardware-Lock-in
besteht darin, dass der Hersteller seine Produkte
nach seinem eigenen Zeitplan aktualisiert, der
mit Ihrem eigenen keinesfalls übereinstimmen
muss. Schlimmer noch: Möglicherweise können
Sie Fortschritte bei CPU, Bus, Speicher usw. nicht
nutzen, weil Ihr Anbieter sie schlichtweg ignoriert.
Wenn Sie sich dauerhaft Performance und
Skalierbarkeit sichern möchten, sollten Sie sich
daher Ihre Unabhängigkeit bewahren.
Bei der Auswahl der Analyse-Software ist noch
ein weiterer Hardware-Aspekt zu berücksichtigen.
Angesichts der herannahenden Big-Data-Welle
hat die Speicherkapazität offensichtliche und
gewichtige Auswirkungen auf die TCO – ganz
besonders, wenn Petabyte an Daten anfallen.
Abb. 5 Ein Column-store Datenbank-Modell
Column-Store-Datenbanken
können den Speicherbedarf
der Daten um 10 bis 75 %
reduzieren.
Input-DATEN:
1 TB
Quelle: Flat Files, ETL,
Replikation, ODS
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN
54 55
LADEN
LADEN
Gleiche Eingabedaten:
“Konventionelles DW”
ist 3 – 6 mal größer als
Sybase IQ DW
0,25 - 0,9
TB
All diese Bits und Bytes müssen schließlich irgendwo
gespeichert werden. Gartner meint hierzu: „ Das
Datenwachstum ist die größte Herausforderung für
die Datacenter-Infrastruktur großer Unternehmen.“ 28
Hier hat eine maßgeschneiderte Column-Store-
Architektur eindeutige Vorteile.
In einem herkömmlichen Universal-Data-Warehouse
erhöht sich der Platzbedarf der gespeicherten
Daten (siehe Abb. 4).
Natürlich begegnen Universallösungen diesem Manko
mit zusätzlichen Modulen für die Datenkomprimierung.
Spaltenorientierte Datenbanken müssen hierfür nicht
in die Trickkiste greifen. Sie komprimieren die Daten
ganz ohne zusätzliche Plug-ins oder Module automatisch
um 10 bis 75 Prozent – eine Rate, die sich mit den
herkömmlichen veralteten Verfahren nicht erreichen
lässt (siehe Abb. 5).
Sybase
IQ
Summe Aggr.: 0 - 0,1 TB
Indexe: 0,05 - 0,3 TB
Basistabelle:
0,2 - 0,5 TB
Konventionelle DBMS
zusammengefasste
Aggregate
1 - 2 TB
Indexe
0,5 - 3 TB
Basistabelle
“Rohdaten”
ohne Indexe
0,9 - 1,1 TB
2,4 - 6
TB

ER FINANZIELLE NUTZEN, DEN UNTERNEHMEN aus
einer Analyselösung ziehen können, lässt
sich mit einer mathematischen Gleichung
berechnen (siehe Abb. 6). Wissenschaftler von
MIT und Wharton School untersuchten 179 große
börsengehandelte Unternehmen, die sich durch
„datengestützte Entscheidungen“ auszeichneten.
Dabei kamen sie zu dem Schluss, dass die verwendeten
Analyselösungen den Output- und Produktivitätswert der
Unternehmen um 5 bis 6 Prozentpunkte anhoben. 29
An der University of Texas nahmen Marktforscher
150 Fortune 1000-Unternehmen unter die Lupe um
festzustellen, welche Auswirkungen die Analyse
auf Finanzen, Kundenaktivitäten und betriebliche
Prozesse hatte. 30 D
Ihr Fazit: In einem typischen
Fortune 1000-Unternehmen rechtfertigt bereits ein
einziger Bereich – in diesem Fall die Produktentwicklung
– die Einführung einer Analyselösung.
Laut der Studie steigt die „Fähigkeit eines Unternehmens,
innovative neue Produkte und Dienstleistungen
zu entwickeln, mit der Verfügbarkeit von Daten
und Spezialprodukten bzw. -services, was
wiederum Hand in Hand mit einer besseren Data
Intelligence geht“.
Abb. 6
Gleichung zur Berechnung des
finanziellen Nutzens einer Analyselösung
n
∑
MV = A +DDD x A
i=1
i
Die Berechnung des ROIs
von Analyselösungen
i
Aber wie hoch ist der Nutzen konkret? Laut der
texanischen Analyse könnte ein Unternehmen mit
einem Umsatz von 12 Milliarden Euro über fünf
Jahre hinweg zusätzlich 45 Millionen Euro
erwirtschaften, wenn es entsprechend kompetenten
und befugten Mitarbeitern Analyse-Instrumente zur
Hand geben würde, mit denen diese „Trends und
Nachfragemuster genauer erkennen, fundiertere
Empfehlungen für Entscheidungen aussprechen
und das Profile Matching optimieren“ könnten,
um so den Umsatzerlös der Produkte zu steigern.
Dasselbe typische Fortune 1000-Unternehmen
könnte durch Verkäufe an Neukunden außerdem
ein zusätzliches Umsatzplus von jährlich 10 Millionen
Euro realisieren.
Die Wissenschaftler der University of Texas legten
dar, dass in den operativen Bereichen Anlagennutzung,
Prognose und Planung sowie zeitgerechte Lieferung
von Produkten und Dienstleistungen der umfassende
Einsatz einer Analyselösung durchweg zu positiven
Ergebnissen führt. So kann sich die verstärkte
Analysenutzung in einer um 18,5 Prozent verbesserten
Planungs- und Prognose-Performance niederschlagen. 30
Die Gründe für diesen signifikanten ROI variieren
je nach Unternehmen und Branche. Ein genauerer
Blick auf die Analytics-Nutzung im Telekommunikationssektor
macht jedoch deutlich, wie groß der
Vorsprung einer modernen Analyse-Umgebung
gegenüber herkömmlichen Entscheidungssystemen
ist32 (siehe Abb. 8).
Abb. 7 Der Nutzen der Analyse für die Kundengewinnung
Kunde reagiert auf
Marketingbotschaft
1.Neue Kundendaten
gehen an Analytics
Engine und werden
mit anderen Daten
aggregiert, um eine
Antwort des Unternehmens
zu generieren
2.Marketing erhält
Daten zu dem Programm,
auf das der
Kunde reagiert hat.
Abb. 8 Vergleich herkömmlicher Infrastrukturen mit moderner Echtzeit-Analyse
Speicherkosten
Analyse
Daten-Ladegeschwindigkeit
Daten-Ladezeit
Administrationszeit
Antwortzeit bei komplexen Abfragen
Verfahren für die Datenkomprimierung
Support-Kosten
Herkömmliche
Analyse-Infrastruktur
Hoch
Offline
Gering
Lang
Lang
Stunden/Tage
Nicht ausgereift
56 57
Data
Warehouse
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN
Angemessene Reaktion der
Vertriebs-mitarbeiter
Analytics Engine: kann ein
physisch separates Modul oder Teil
des Data Warehouse sein
Hoch
Vertriebsaktivität wird erfasst und an
das operative Geschäft/die Produktion
übergeben, wo ihr Effekt bewertet und
Prognosen über die gesamte Supply
Chain dynamisch angepasst werden
Operativer Data Mart
Supply Chain
Moderne
Echtzeit-Analyse-Infrastruktur
Gering
Echtzeit
Hoch
Durchschn. 50 % kürzer
Durchschn. 60 % kürzer
Minuten
Durchschn. 40–50 % bessere
Datenkomprimierung
Gering

UMFANGREICHE, faktenbasierte Studien von
Wissenschaftlern und Branchenanalysten
belegen, wie und warum Analyse-Anwendungen
in den allermeisten Fällen zu einem äußerst
erfreulichen ROI führen. Die Erkenntnisse aus diesen
Studien können überzeugende Argumentationshilfen
bei Ihrer Investition in BI-Projekte sein. Allerdings ist
nichts so überzeugend wie der ROI realer Unternehmen.
Natürlich wollen viele Unternehmen die Vorteile,
die sie aus ihren Analyselösungen ziehen, vor der
Konkurrenz lieber geheim halten. Einige wenige
sind jedoch bereit, die erzielten Umsatzsteigerungen
und Kostensenkungen offenzulegen. So kam der
brasilianische Bundesstaat São Paulo mit einer
maßgeschneiderten Analytics-Technologie hartnäckigen
Steuersündern auf die Spur. Das Ergebnis: die
Aufdeckung von unversteuertem Einkommen in
Höhe von 71 Millionen Euro. Ebenso positiv waren
niedrigere IT-Kosten durch geringeren Speicherplatzbedarf
und geradezu phänomenaleVerbesserungen bei der
Berichterstellungszeit, die von mehreren Tagen auf
einige wenige Sekunden schrumpfte.
American Airlines implementierte ein modernes
Analyseprogramm, um Flugticket-Fälschern das
Handwerk zu legen, die Kunden betrogen hatten
und der Fluglinie hohe Kosten verursachten. Die
Fluglinie konnte ihre direkten Verluste durch gefälschte
Tickets um durchschnittlich 707.000 Euro pro Jahr
senken. Zusätzlich konnte die IT-Abteilung ihren
Speicherbedarf um erstaunliche 70 Prozent reduzieren.
Von der Theorie
zur Praxis
Mit sieben Millionen südafrikanischen Mobilfunknutzern
verzeichnete Cell © ein signifikantes und rapide
wachsendes Datenaufkommen, ohne jedoch in
angemessenem Maße an neuen Marktchancen
partizipieren zu können. Durch eine auf seine
Bedürfnisse zugeschnittene Analytics-Infrastruktur
konnte das Unternehmen seine Reporting-Zeit von
acht Stunden auf fünf Minuten zurückfahren und
allein damit 10 Prozent Kosten einsparen. Darüber
hinaus schreibt Cell © seiner Analyselösung
Einsparungen in Höhe von über 14 Millionen Euro
zu, die bei einem einzigen, die Installation von
landesweit 80 Basisstationen umfassenden Projekt
realisiert wurden.
Enterprise Analytics ist
allgegenwärtig
Finanzmodellierung
Produktplanung und -entwicklung
Produktion und operative Analyse
Kundengewinnung
Bewertung von Marketingprogrammen
Kundenbindung
Nach der Einführung einer neuen Analyse-Anwendung
gelang es der AOK Hessen, insgesamt 179 gefälschte
Kostenabrechnungen aufzudecken und sich auf
diese Weise 2,3 Millionen Euro zurückzuholen, die
sie den Betrügern zuvor erstattet hatte. In einem
nächsten Schritt will die Krankenkasse nun Anbieter
ins Visier nehmen, die unverhältnismäßig hohe
Gebühren in Rechnung stellen.
HMV Japan ist im Musik- und Video-Geschäft
aktiv. Indem es mittels modernster Analyse-Software
sehr viel zielgenauere Marketingprogramme
entwickelte, konnte das Unternehmen die Kundenreaktion
auf seine E-Mail-Kampagnen um 50 bis 70
Prozent verbessern. In der Folge stiegen auch die
Verkaufszahlen je nach Kampagne um das 3- bis
15-Fache, während der Umsatz pro Transaktion mit
einem Plus von 150 bis 300 Prozent einen regelrechten
Quantensprung erlebte.
Auch die belgische Colruyt Group verbuchte
innerhalb von nur drei Jahren einen äußerst positiven
ROI. Die spaltenorientierte Architektur des neuen
Analysesystems führte zu einer erheblich besseren
Abfrageperformance für Tausende von Berichten.
Gleichzeitig ließ sich der Speicherplatzbedarf durch
Datenkomprimierung und Indexe um bis zu 70
Prozent verringern.
Im Fokus:
Performance und
Profit
DIES IST NUR EINE KLEINE AUSWAHL DER UNTERNEHMEN,
die mit maßgeschneiderten Analyselösungen
ihre Gewinne nach oben treiben konnten.
Sie stammen aus den verschiedensten Branchen
und Weltgegenden. Allen gemein ist jedoch die
KAPITEL 4: BEST PRACTICES UND DER ROI VON ANALYSEPROJEKTEN
Fokussierung auf Präzision, Performance und –
natürlich Profit, eine Fokussierung, die als
Antriebsfeder für ihre Investition in eine ernsthafte
Analyselösung diente.
Es versteht sich von selbst, dass jedes Unternehmen
seine eigenen Gründe für die Einführung einer
individuellen Analyse-Architektur hat. Jenseits der
offensichtlichen Vorteile eines besseren Dateneinblicks
möchte ein Unternehmen womöglich die Nutzerzahl
erhöhen, ein anderes seine Datenkapazität vergrößern
und ein drittes einfach die Performance steigern.
Sie alle erwarten von einer zeitgemäßen Analyse-
Umgebung jedoch, dass sie sich positiv auf die
Unternehmensbücher auswirkt.
Wie hier dargelegt, ist diese Erwartung sowohl
durch zahlreiche Praxisbeispiele als auch durch
objektive Marktforschungen gerechtfertigt. Der
Nachweis für den Nutzen der Analyse ist erbracht.
Allerdings bleibt auch festzustellen, dass nicht alle
Analyseplattformen über einen Kamm geschoren
werden dürfen. Klassische Einheitslösungen drohen
in der Big-Data-Welle unterzugehen und versagen,
wenn zu viele Anwender gleichzeitig das System
beanspruchen. Sie sind vergleichsweise langsam
und scheitern an komplexen Workloads.
Demgegenüber bietet eine maßgeschneiderte
Analyse-Architektur mit einer spaltenorientierten
Datenbank und den inhärenten Performance- und
Skalierbarkeitsvorteilen so vielen Unternehmensbereichen
messbare Produktivitätsvorteile, dass der
höhere ROI fast schon in den Hintergrund rückt. Fast.
Denn natürlich ist der ROI ein zentraler Faktor
und unabdingbar für die Beurteilung eines jeden
größeren IT-Projekts. Bei der Entscheidung über
eine Analytics-Investition spricht der ROI eine
eindeutige Sprache. Diese Chance zu nutzen, liegt
nun an Ihnen.
58 59

1 Structure Big Data Conference, März 2011, http://event.gigaom.com/bigdata/
2 Gartner, Inc. “Gartner Survey Shows Data Growth as the Largest Data Center Infrastructure Challenge,”
November 2010. http://www.gartner.com/it/page.jsp?id=1460213
3 IDC, The Digital Universe Decade: Are You Ready? Mai 2010, S. 2.
4 CED in the History of Media Technology, http://www.cedmagic.com/history/ibm-305-ramac.html
5 Everett M. Rogers und Judith K. Larsen, Silicon Valley Fever, Basic Books, 1984, S. 252.
6Paul Russell, 352 million computers sold worldwide in 2010,
http://www.discountvouchers.co.uk/news/85483535.html
7 Theodore Roszak, The Cult of Information, Pantheon, 1986, S. 88.
8 McKinsey Global Institute, Big data: The next frontier for innovation, competition, and productivity,
Mai 2011, S. 2.
9 IDC, The Digital Universe Decade… S. 8.
10 Wikipedia-Statistik , http://en.wikipedia.org/wiki/Hard_disk_drive#cite_note-Mee-2
11 Barua, et. al., Measuring Business Impacts of Effective Data, Chapter One, September 2010, S. 2.
12 Brochure, 1995 to the First International Conference on Knowledge Discovery and Data Mining,
http:// www.sigkdd.org/kdd1995/
13 Gartner, Inc. Reveals Five Business Intelligence Predictions for 2009 and Beyond,
http://www.gartner.com/it/page.jsp?id=856714
14 Frank Hayes, “The Story So Far,” Computerworld, 15 April 2002.
15 Colin White, Is an Enterprise Data Warehouse Still Necessary for Business Intelligence? BI Research,
23 Januar 2011, http://www.thevirtualcircle.com/2011/01/is-an-enterprise-data-warehousestill-required-for-business-intelligence/
16 Eric Lai, “Relational database pioneer says technology is obsolete,” Computerworld, 6 September 2007.
17 Hillested, et. al., “Can Electronic Medical Record Systems Transform Health Care?
Potential Health Benefits, Savings, And Costs,” Health Affairs, 24, no. 5 (2005): 1103-1117
18 Pande, et. al., “Recapturing your supply chain data,” McKinsey Quarterly, März 2006.
19 David Bollier, The Promise and Peril of Big Data, The Aspen Institute, 2010, S. 3.
20 Rama Ramakrishnan, “Impact of ‘Big Data’ on Retail,” CQuotient, 15 Mai 2011,
http://blog.cquotient.com/?p=64
21 Interview with Larry Tabb by Greg MacSweeney of Wall Street & Technology, 4 Mai 2011.
22 Ari Banerjee, Addressing ‘Big Data’ Telecom requirements for Real-Time Analytics, Heavy Reading,
März 2011.
23 Bollier, The Promise and Peril of Big Data, The Aspen Institute, 2010, S. 15.
24 Mary Meeker, Internet Trends, MorganStanley, 12 April 12 2010.
25 Gartner, Inc., “Gartner Reveals Top Predictions for IT Organizations and Users for 2011 and Beyond,”
30 November 2010.
26 Ferenc Mantfeld, “Top 10 reasons why Business Intelligence Projects fail,”
http://www.seemoredata.com/en/entry.php?12-Top-10-reasons-why-Business-Intelligence-Projects-fail
27 Compiled by Ryan Mulcahy, “Business Intelligence Definition and Solutions,” CIO, November 2007.
28 Gartner, Inc. “Gartner Survey Shows Data Growth as the Largest Data Center Infrastructure Challenge,”
1 November 2010. http://www.gartner.com/it/page.jsp?id=1460213
29 Brynjolfsson, et.al., Strength in Numbers: How Does Data-Drive Decisionmaking Affect Firm Performance?,
Sloan Management School, 22 April 2011, S. 6.
30 Barua, et. al., Measuring Business Impacts of Effective Data, September 2010.
31 Ibid, Kapitel 3, S. 9.
32 Ibid, Banerjee, Addressing “Big Data”…
60 61
SOURCES

Wir hoffen, dieser Guide zu den Vorteilen von Analytics für Ihr
Unternehmen hat Ihnen gefallen und konnte Ihnen wertvolle
Informationen zur Umwandlung massiver in verwertbare Daten liefern.
Möchten Sie mehr erfahren? Sybase bietet eine breite Palette
von Lösungen für Business-Intelligence-Berichte, Echtzeit-
Analysen, Enterprise Performance Management und Enterprise
Data Warehousing. Die innovativen Analytik-Technologien von
Sybase liefern enorm schnell Antworten auf komplexe Fragen
und erschließen so den Geschäftswert massiver Datenmengen
- gleich ob auf finanzieller, betrieblicher, verhaltenstechnischer
oder wissenschaftlicher Ebene. Entwickelt für flexibles und
effizientes Arbeiten unterstützen die Analytics-Technologien
von Sybase über 2.000 Unternehmen weltweit darin, Erkenntnisse
zu gewinnen, die eigene Leistung zu verbessern, Trends zu
verstehen, Betrugsdelikte zu erkennen, Risiken zu managen und
Kunden besser zu betreuen.
Für weitere Informationen, Referenzgeschichten, Whitepaper,
zusätzliche Ressourcen sowie zur Kontaktaufnahme mit einem
Sybase-Experten gehen Sie auf www.sybase.com/analyze.
RESOURCES
62 63

SYBASE, AN SAP COMPANY
CORPORATE OFFICE
ONE SYBASE DRIVE
DUBLIN, CA 94568-7902 U.S.A.
1 800 8SYBASE
Marketingmaterial Nr. L03337
sybase.com
64
Copyright © 2011 Sybase, ein SAP®-Unternehmen. Alle Rechte vorbehalten. Unverö entlichte Rechte nach den
Urheberrechtsgesetzen der Vereinigten Staaten bleiben vorbehalten. Sybase und das Sybase-Logo sind Marken
von Sybase, Inc oder dessen Tochtergesellschaften. ® verweist auf eine Registrierung in den Vereinigten Staaten von
Amerika. SAP und das SAP-Logo sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen
Ländern. Alle anderen Marken sind Eigentum der jeweiligen Inhaber. 11/11