Big Enterprise Data Combining OLTP & OLAP. Martin Lorenz, Wissenschaftlicher Mitarbeiter, Hasso-Plattner-Institut Juni 2013

Größe: px
Ab Seite anzeigen:

Download "Big Enterprise Data Combining OLTP & OLAP. Martin Lorenz, Wissenschaftlicher Mitarbeiter, Hasso-Plattner-Institut Juni 2013"

Transkript

1 Big Enterprise Data Combining OLTP & OLAP Martin Lorenz, Wissenschaftlicher Mitarbeiter, Hasso-Plattner-Institut Juni 2013

2 Agenda Intelligentes Datenmanagement in Zeiten von Big Data und In-Memory Computing (60 min) Herausforderungen & Chancen In-Memory Technologie Bewährte Business Intelligence (BI)-Ansätze: In-Memory BI Business Analytics in der Praxis am Beispiel des GORFID Projektes (30 min) GORFID: In-Memory Technologie in Verbindung mit erprobter Data Warehouse-Technologie Erfassung und Analyse von RFID-Events in Echtzeit 2013 SAP AG or an SAP affiliate company. All rights reserved. 2

3 Herausforderungen & Chancen

4 Die Bedeutung von In-Memory Computing für Unternehmen 1. Zusammenführung von OLTP und OLAP The Realtime Enterprise - Echtzeitanalysen auf den aktuellsten Daten - Planung - Simulation - Vorhersageanalysen 2013 SAP AG or an SAP affiliate company. All rights reserved. 4

5 Zusammenführung von OLTP und OLAP Online Transaction Processing Online Analytical Processing Moderne Enterprise Resource Planning (ERP) Systeme haben es mit einem Mix von verschiedenen Workloads zu tun. Zum Beispiel: Transaktional: Erstellen von Aufträgen, Rechnungen, Buchhaltungsbelege; Anzeigen von kundenbezogenen Daten oder Aufträgen Analytisch: Mahnlauf, Verfügbarkeitsprüfung, Cross-Selling, operatives Reporting (Auflisten offener Aufträge) Aber: Heutige Datenmanagement-Systeme sind entweder für tägliche transaktionale oder analytische Arbeitslasten optimiert SAP AG or an SAP affiliate company. All rights reserved. 5

6 Zusammenführung von OLTP und OLAP Online Transaction Processing Transaktionales System (ERP, CRM, SCM, etc.) Online Analytical Processing Analytisches System (Data-Warehouse, Data-Marts, etc.) ETL (Extract, Transform, Load) schreiboptimiert leseoptimiert 2013 SAP AG or an SAP affiliate company. All rights reserved. 6

7 Nachteile der Trennung Kostenintensiver ETL-Prozess muss beide Systeme synchronisieren OLAP System verfügen nicht über die aktuellsten Daten OLAP System verfügt lediglich über eine vordefinierte Menge der Daten Es gibt viele Redundanzen Verschiedene Datenschemata erschweren den Applikationen Quellen zu kombinieren ETL (Extract, Transform, Load) 2013 SAP AG or an SAP affiliate company. All rights reserved. 7

8 Percentage of rows updated Der OLTP Mythos OLTP Anwendungen sind charakterisiert durch eine hohe Anzahl an Schreiboperationen!? 2013 SAP AG or an SAP affiliate company. All rights reserved. 8

9 Das Ziel OLTP- und OLAP-Daten durch den Einsatz moderner Hardware und Datenbanksysteme kombinieren um: eine Single Source of Truth für den Einsatz von Echtzeit-Analysen zu schaffen Anwendungen und Datenbankstrukturen zu vereinfachen Weitere Vorteile sind: Extraktions-, Transformations-, und Lade- (ETL) Prozesse entfallen vorab berechnete Aggregate und materialisierte Views werden obsolet 2013 SAP AG or an SAP affiliate company. All rights reserved. 9

10 Beispiele für den Einsatz von Echtzeitanalysen 1. Mahnlauf - Dunning 2. Verfügbarkeitsprüfung - Available-to-Promise (ATP) Check 3. Absatzplanung und analyse - Demand Planning 2013 SAP AG or an SAP affiliate company. All rights reserved. 10

11 Mahnlauf Wird in unterschiedlichen Kontexten genutzt. Kernthema: Welche Außenstände habe ich von welchem Kunden? Transaktionale Daten Analytische Abfragen Visualisierung Ausstehende Rechnungen Zahlungseingänge Mahnlauf 2013 SAP AG or an SAP affiliate company. All rights reserved. 11

12 Verfügbarkeitprüfung Es gibt unterschiedliche Varianten der Implementierung. Kernthema: Wann kann ich eine bestimmte Menge eines Produktes liefern? Transaktionale Daten Analytische Abfragen Visualisierung Beschaffung Produktionsstatus Lagerbestände Verfügbarkeitsprüfung Kundenbestellungen 2013 SAP AG or an SAP affiliate company. All rights reserved. 12

13 Absatzplanung und -analyse Kernthema: Untersuchung von Absatzverhalten und Bedarfsentwicklung auf Basis historischer Verkaufszahlen Transaktionale Daten Analytische Abfragen Visualisierung Verkaufsbelege Produktinformationen Produkt- / Lokationsbasierende Drilldowns Lokationsdaten 2013 SAP AG or an SAP affiliate company. All rights reserved. 13

14 Die Bedeutung von In-Memory Computing für Unternehmen 1. Zusammenführung von OLTP und OLAP 2. Big-Data The Realtime Enterprise - Echtzeitanalysen auf den aktuellsten Daten - Planung - Simulation - Vorhersageanalysen Integration neuer Informationsquellen - Erfassung und Auswertung von Massendaten - Sensornetzwerke - Soziale Netzwerke - Eventdaten 2013 SAP AG or an SAP affiliate company. All rights reserved. 14

15 Sensornetzwerke Verfolgung von Arzneimittelverpackungen in Europa 15 Milliarden Arzneimittelverpackungen / 34 Milliarden Events pro Jahr Verteilte Datenbanken zur Speicherung von Events Zentraler Suchdienst zur Auffindung verteilter Events Anzeige der F1-Auto-Leistung Zwischen 300 und 600 Sensoren je Auto Mehrere Events pro Sekunde und je Sensor Nachverfolgung jeder Grand Prix Runde oder Testfahrt 2013 SAP AG or an SAP affiliate company. All rights reserved. 15

16 Events Personalisiertes Angebots-Management bei Bigpoint Spiele-Event-Streams werden in Echtzeit erfasst Parallele Auswertung von Nutzer- und Spieleventdaten zur Überwachung und Durchführung von Spielanalysen in Echtzeit Identifizierung von relevanten Zielgruppen über das Internet Bigpoint kann Einfluss nehmen, indem sie Ad-hoc-Promotions durchführen und deren Wirkung unmittelbar aufgezeigt bekommen Promotions durch Vorhersageanalysen optimieren A/B Tests durchführen 2013 SAP AG or an SAP affiliate company. All rights reserved. 16

17 Soziale Netzwerke und das Web Soziale Netzwerke als Seismograph der Öffentlichen Meinung Twitter: alle 5 Tage 1 Milliarde neue Tweets Unternehmen scannen Twitter nach Tweets über ihre Produkte Kombination mit Informationen über Verkaufskampagnen etc. Nur Aggregate, keine persönlichen Daten! Web-Suchen als Indikator für Grippe-Epidemien Google Flu Trends zeigt mit der Grippe in Zusammenhang stehende Web-Suchanfragen an Ermöglicht genaue Schätzung des aktuellen Grippe-Verbreitungsgrades 2013 SAP AG or an SAP affiliate company. All rights reserved. 17

18 Mobile Mobile kehrt traditionelle Unternehmensstrukturen um Kundenorientiertes Personal Antwortzeiten < 1 Sekunde Beispiel: Mahnwesen Konsumenten / Kunden Vertrieb, Service Operations Controlling Konsolidierung Strategie CEO 2013 SAP AG or an SAP affiliate company. All rights reserved. 18

19 Herausforderungen: Verschiedenste Anwendungsfelder Transaktionale Dateneingabe Quellen: Maschinen, Transaktionale Apps, Benutzer-Interaktion, etc. Echtzeit-Analyse strukturierter Daten Quellen: Reporting, klassische Analyse, Planung, Simulation Event Processing, Streaming-Daten Quellen: Maschinen, Sensoren, leistungsfähige Systeme CPUs (multi-core + Cache) Hauptspeicher Datenmanagement Textanalyse, unstrukturierte Daten Quellen: Web, Social, Logs, Support Systems, etc SAP AG or an SAP affiliate company. All rights reserved. 19

20 In-Memory Technology erklärt

21 Welche Art Daten muss eine Enterprise Datenbank managen? 2013 SAP AG or an SAP affiliate company. All rights reserved. 21

22 Detailbetrachtung traditioneller Unternehmensdaten Ein Datenmanagementsystem sollte die Charakteristika seiner Daten kennen und nutzen!! Charakteristika von Unternehmensdaten: Viele Spalten werden nicht genutzt Viele Spalten haben eine geringe Anzahl unterschiedlicher Werte (geringe Kardinalität) Geschlecht Familienstand NULL- oder / Standard-Werte dominant Tabellen in Standard-Unternehmenssoftware sind breit und größtenteils unbenutzt 2013 SAP AG or an SAP affiliate company. All rights reserved. 22

23 Viele Spalten werden nie genutzt 55% ungenutzte Spalten pro Unternehmen im Durchschnitt 40% ungenutzte Spalten in allen Unternehmen CPG Logistik Bankenwesen High Tech Diskrete Fertigungsindustrie 2013 SAP AG or an SAP affiliate company. All rights reserved. 23

24 % of Columns Geringe Attributausprägung pro Spalte Was ist mit den Spalten die benutzt werden? 80% 70% 60% 50% 40% 30% 20% 10% 0% 64 % 78 % 12 % 9 % Inventory Management Financial Accounting 24 % 13 % Number of Distinct Values 2013 SAP AG or an SAP affiliate company. All rights reserved. 24

25 Welche Technologien passen zu solcher Art Daten? 2013 SAP AG or an SAP affiliate company. All rights reserved. 25

26 Vorteilhafte Hardwaretrends Hardwareentwicklung Mehrkernarchitekturen (8 x 10 CPU-Kerne pro Blade) Parallele Skalierung über Blades Ein Blade ~$ = 1 Enterprise Class Server A 64 Bit Adressraum 2TB RAM in aktuellen Server Boards 25GB/s Datendurchsatz zwischen RAM und CPU Kosten-Leistungsverhältnis sinkt rapide + Zeilen und Spaltenorientierung Kompression Multicore und Parallelisierung Hauptspeicher-basiert 2013 SAP AG or an SAP affiliate company. All rights reserved. 26

27 Zeilen vs. Spaltenorientierung Zeilenorientierung - Daten werden als Tupel gespeichert - Geringe Materialisierungskosten - Hohe Kosten für sequentielle Scan A B C a1 b1 c1 a2 b2 c2 a3 b3 c3 a4 b4 c4 Spaltenorientierung - Daten werden attributweise gespeichert - Hohe Materialisierungskosten, da Attribute eines Tupel verteilt sind - Gute Performance bei sequentiellen Scans einzelner Attribute schreiboptimiert leseoptimiert 2013 SAP AG or an SAP affiliate company. All rights reserved. 27

28 Kompression Dictionary Encoding Fokus auf leichtgewichtige Kompressionstechniken Unkomprimierte Spalte recid Vorname 39 John 40 Mary 41 Jane 42 John 43 Peter Sortiertes Dictionary für Vorname valueid Value 23 John 24 Jane 25 Mary 26 Peter Attributevektor für Vorname position valueid Weiterführende Kompressionstechniken für Attributvektoren - Run-length Kodierung - Prefix Kodierung - Cluster Kodierung 2013 SAP AG or an SAP affiliate company. All rights reserved. 28

29 Differential Buffer Das direkte Einfügen eines neuen Tupels in eine spaltenorientierte, komprimierte Struktur kann sehr kostspielig sein Neue Werte können eine Reorganisation des Dictionary erfordern Die Anzahl der erforderlichen Bits zur Kodierung der Werte des Dictionary kann sich ändern, der Attribut- Vektor muss reorganisiert werden Das Löschen des Tupels ist teuer Alle Attribut-Vektoren müssen reorganisiert werden, die Value IDs der folgenden Tupel müssen angepasst werden 2013 SAP AG or an SAP affiliate company. All rights reserved. 29

30 (komprimiert) Differential Buffer Der Differential Buffer (Delta) ist eine dedizierte Datenstruktur zur Optimierung von Schreiboperationen auf einer leseoptimierten Datenbank. Er verfügt lediglich über ein unsortiertes Dictionary mit einem Cachesensitiven B+ Baum. Lesen Schreiben Vorteil: - Schnellere Schreiboperationen, da Datenstrukturen schreiboptimiert sind Nachteil: - Differential Buffer erfordert einen größeren Speicher: - keine Attribut-Vektor-Kompression - zusätzlicher CSB+ tree für das Dictionary Vorname Attributvektor Dictionary Anton Hanna Michael Sophie Attributvektor Vorname Dictionary 0 Angela 1 Klaus 2 Andre CSB+ Main Store up to 50,000 entries Differential Buffer 2013 SAP AG or an SAP affiliate company. All rights reserved. 30

31 Mehrkernarchitektur und Parallelisierung Wie sieht die ideale Hardware für einen Datenbankserver aus? 2013 SAP AG or an SAP affiliate company. All rights reserved. 31

32 Mehrkernarchitektur und Parallelisierung Die Realität: Multikernprozessoren 2013 SAP AG or an SAP affiliate company. All rights reserved. 32

33 Mehrkernarchitektur und Parallelisierung Die Realität: Multiprozessorserver IO Hub 1 IO Hub 2 1 hop CPU 1 CPU 2 CPU 5 CPU 6 CPU 3 CPU 4 CPU 7 CPU 8 1 hop 2 hop IO Hub 3 IO Hub SAP AG or an SAP affiliate company. All rights reserved. 33

34 Mehrkernarchitektur und Parallelisierung Die Realität: Multi-Server Infrastrukturen IO Hub 1 IO Hub 2 IO Hub 1 IO Hub 2 1 hop CPU 1 CPU 2 CPU 5 CPU 3 CPU 4 CPU 7 CPU 1 CPU 2 CPU 5 CPU 8 CPU 3 CPU 4 CPU 7 IO Hub 4 IO Hub 2 1 hop CPU 6 CPU 1 CPU 2 CPU 5 CPU 8 CPU 3 CPU 4 CPU 7 2 hop 1 hop IO Hub 3 IO Hub 1 IO Hub 2 1 hop CPU 6 2 hop 1 hop IO Hub 3 IO Hub 1 1 hop CPU 1 CPU 8 CPU 3 2 hop 1 hop IO Hub 4 CPU 6 IO Hub 3 IO Hub 4 CPU 2 CPU 5 CPU 4 CPU 7 CPU 6 CPU 8 2 hop 1 hop IO Hub 3 IO Hub 4 8 CPU / 8 core 8 CPU / 8 core 8 CPU / 8 core 8 CPU / 8 core 1 TB RAM 1 TB RAM 1 TB RAM 1 TB RAM 10Gb oe 10Gb oe 10Gb oe 10Gb oe Network Storage Area Network PB Size SSD / Disk Tape Library 2013 SAP AG or an SAP affiliate company. All rights reserved. 34

35 Mehrkernarchitektur und Parallelisierung Die Realität: Parallelität ist selbstverständlich in heutigen Computerarchitekturen Trend: Der Grad der Parallelisierung wird zukünftig weiter zunehmen Schlussfolgerung: Parallelität muss auf allen Ebenen ausgenutzt werden Multicore Hauptspeicher NUMA Architekturen Parallele Systeme 2013 SAP AG or an SAP affiliate company. All rights reserved. 35

36 Hauptspeicher Persistenz Hauptspeicherpersistenz erlaubt massive Beschleunigung Leseintensiver Datenbankoperation. L1 Cache Zugriff: 0.5ns Hauptspeicher Zugriff: 100ns SSD Zugriff: 150,000ns x Platten Zugriff: 10,000,000ns 2013 SAP AG or an SAP affiliate company. All rights reserved. 36

37 Hauptspeicher Persistenz Wie geht es weiter? Entwicklung von FSB Taktraten Entwicklung des Preises von Hauptspeicher 2013 SAP AG or an SAP affiliate company. All rights reserved. 37

38 Der RAM ist nicht unendlich!!! - Einführung von Data Aging Open In Process Opportunity Object Active Jedes Unternehmensobjekt hat einen dedizierten Lebenszyklus Events bestimmen den Objektstatus Aktive (hot) und passive (cold) Daten haben unterschiedliche Zugriffsmuster und können unterschiedlich behandelt werden Won Lost Passive Unterschiedliche Datenpartitionierung Auf anderen Speichermedien (RAM SSD) Verschiedene Umsetzungsstrategien 2013 SAP AG or an SAP affiliate company. All rights reserved. 38

39 Welche Auswirkung hat ein solches System auf die Softwareentwicklung? Traditionell Spalten-orientiert Applikations-Cache Keine Caches erforderlich Datenbank-Cache Keine redundanten Daten Vordefinierte Aggregate Keine Pflege von Indizes oder Aggregaten Rohdaten Datenbewegungen sind minimal 2013 SAP AG or an SAP affiliate company. All rights reserved. 39

40 Column Column Combined Column Merge Column Column Combined Column Zusammenfassung In-Memory Datenbank (IMDB) Daten liegen permanent im Hauptspeicher Der Hauptspeicher ist die primäre Persistenz Logging auf Disk / Recovery von Disk Hauptspeicherzugriff ist das neue Bottleneck Cache-sensitive Algorithmen/ Datenstrukturen sind entscheidend (locality is king) Interface Services and Session Management Query Execution Metadata TA Manager Active Data Main Store Differential Store Indexes Inverted Object Data Guide Distribution Layer Distribution Layer at at Blade Server i i Main Main Memory Memory at Blade i at Server i Data aging Time travel Logging Recovery Log Non-Volatile Memory Passive Data (History) Snapshots 2013 SAP AG or an SAP affiliate company. All rights reserved. 40

41 Bewährter Business Intelligence (BI)- Ansatz: In-Memory BI

42 Types Analytics & Data Marts Verschiedene analytische Bedürfnisse und die Folgen für IT-Architekturen Echtzeit Visibility Konsolidierte Sichten Ad-Hoc Self- Service BI Archive Analysen Informationsbedürfnis Vorhersageanalysen Sentiment- Analysen Architektur Data Mart Data Mart Data Warehouse Agile Data Marts Near-line Data Marts (Audit / SOX) Predictive Data Marts Unstructured Data Marts Zugriffsmethoden Streams / Feeds Direct / Database Replication ETL / ELT / Replication ETL / ELT/ Replication Federated Queries / ETL ETL / ELT/ Replication Federation of Data & Query Event Machine Transactional System of Record Transactional Analytical Systems of Record & Engagement Archived Information All sources Social Datenquellen Hohe Vielfalt an Informationsquellen Umfangreiche Informationen werden benötigt Komplexe Architektur-Landschaften einschließlich verschiedener Arten von Data Marts, Data Warehouses und EDWs 2013 SAP AG or an SAP affiliate company. All rights reserved. 42

43 Überblick über Nutzungsszenarien Als Beschleuniger Für Analytics BW on HANA Für neue Anwendungen Als Primärpersistenz (Sensoren, Socialmedia, etc.) Client Client SAP Business Suite SAP Business Suite SAP Business Suite / non-sap (VDL) SAP Business Suite BW SAP Business Suite Apps ERP CRM SCM SRM PLM VDL BW Apps AnyDB IMDB AnyDB IMDB AnyDB IMDB AnyDB IMDB IMDB Side-by-Side-Szenarien Integriertes Szenario 2013 SAP AG or an SAP affiliate company. All rights reserved. 43

44 Datenbereitstellung für Side-By-Side Ansatz DB Connection Read module Structure mapping & Transformation Application table DB trigger Logging table Write module DB Connection Application table Legacydatenquellen Replication Server IMDB System 2013 SAP AG or an SAP affiliate company. All rights reserved. 44

45 Integrated Modeling and Metadata Wie sollte eine entsprechende Plattform aussehen? Einheitliche Datenmanagement-Plattform für Business in Echtzeit ERP Business Warehouse Business Intelligence Real-Time Data Platform Common Programming APIs Mobile & Embedded Real-Time Data Plattform Grundlagen Anwendungsübergreifendes Datenmanagement Höchste Performance in allen Anwendungsformen und Einsatzszenarien High Performance OLTP Stream Analytics In-Memory / Real-Time Platform Open EDW Mobile & Embedded Integrated Systems Management and Landscape Vorteile Speichern, analysieren, optimieren, Transaktionen durchführen und mobilisieren ohne Systembeschränkungen Umfasst unterschiedliche Datenformate und Prozessmodelle Einfache Modellierungen, integrierte Entwicklungsumgebung, geteilte System- Management-Infrastruktur und Einsatz unabhängiger Lösungen Information and Real-Time Data Movement Zuverlässige und einheitliche Datenumgebung 2013 SAP AG or an SAP affiliate company. All rights reserved. 45

46 Datenspeicherung in einer In-Memory Plattform Anwendungen schreiben mittels SQL direkt in die In-Memory Plattform Durch Echtzeit-Replikation mit Hilfe von Replication Services Aus Dateien mittels IMPORT / INSERT Durch Message-Queue- Integration ][ ][ ][ Aus Events-Streams 2013 SAP AG or an SAP affiliate company. All rights reserved. 46

47 In-Memory Plattform Datenbereitstellung Beispiel: Event Stream Processing INPUT STREAMS Sensor data Dashboard Transactions Event Stream Processor? Application Message Bus Events Database In-Memory Platform Studio Database High-Speed Smart Capture: Event Stream Prozessor wendet Logik an, um Events/Daten zu: - Filtern, - zu aggregieren, - anzureichern, - abzuspeichern SAP AG or an SAP affiliate company. All rights reserved. 47

48 Business Analytics in der Praxis am Beispiel des Projekts GORFID

49 Wahre Produktionsstätte vs. Produktionsstätte für gefälschte Medikamente 2013 SAP AG or an SAP affiliate company. All rights reserved. 49

50 Die rechtliche Situation Direktive 2011/62/EU vom 8. Juni 2011 (Auszug) Motivation: Sicherung der Europäischen Pharma- Lieferkette Verschreibungspflichtige Arzneimittel (mit Ausnahmen) Produktions-Erlaubnis Berechtigung zum Großhandelsvertrieb Richtlinien der Funktionsfähigkeit des Arzneimittel-Marktes Am Point of Sale: Wurde die äußere Verpackung manipuliert? Identifizierung einzelner Gebinde Authentifizierung der Arzneimittel Frage: Wie kann die Echtheit der Produkte überprüft werden? Wie lässt es sich realisieren? 2013 SAP AG or an SAP affiliate company. All rights reserved. 50

51 Voraussetzungen für die technische Umsetzung Zielvorstellung Bekämpfung von gefälschten Arzneimitteln, Unterstützung von Rückrufen Berücksichtigung der Datenhoheit Einfache Bedienbarkeit Machbarkeit Verarbeitung von 35 Milliarden Events pro Jahr Bis zu Events pro Sekunde (Verarbeitung in nahe Echtzeit) Bis zu Authentifizierungsanfragen pro Sekunde (Antwortzeiten von weniger als einer Sekunde) Durchführbarkeit Wirtschaftliche Lösung SAP In-Memory Databank (HANA) ermöglicht Analysen in Echtzeit 2013 SAP AG or an SAP affiliate company. All rights reserved. 51

52 Umsetzung der Directive 2011/62/EU Grundvoraussetzungen für ein Track & Trace System Legal Events müssen an strategischen Punkten der Lieferkette erfasst werden Ein zentrales System muss über jedes Event informiert werden und ist für die Identifizierung aller Events verantwortlich, die mit einem Produktcode in Zusammenhang stehen Vor dem Verkauf/ der Weitergabe des Arzneimittels muss eine Authentifizierung stattfinden Der Verifizierungsservice muss für den Patienten leicht verständlich sein und einfach durchgeführt werden können, z.b. über ein mobiles Endgerät. Apotheken führen ebenfalls Kontrollen durch Technisch Verteilte Eventdatenbanken existieren bereits Ein zentrales Verzeichnis ( Discovery Service ) existiert und speichert die Zuordnung zwischen Produktcode und entsprechendem Repository Ein Verifizierungsservice existiert und enthält Regeln mit denen Medikamentenfälschungen durch Analyse der einzelnen Scanevents identifiziert werden Mobile Anwendungen existieren und der Verifizierungsprozess bietet entsprechende Schnittstellen 2013 SAP AG or an SAP affiliate company. All rights reserved. 52

53 Anwendungsfall: Europaweite Nachverfolgung von Medikamenten Discovery Service Verification Service ~2,000 Manufacturers ~20,000 Wholesalers Tier 1 ~30,000 Wholesalers Tier 2 ~142,000 Retailers Med. ~15,000,000,000 packages of prescription-only pharmaceuticals per year Med. Med. Box Box Box Box Container Container Container 2013 SAP AG or an SAP affiliate company. All rights reserved. 53

54 SAP HANA für Streaming-Daten Komplette europäische Pharma-Lieferkette Events/Sek Tabak-Unternehmen wollen Zigarettenverpackungen mit eindeutigen Kennungen versehen Events/Sek Automobilindustrie (auf RFID-basierendes Automobilnetzwerk) Prototypsetup umfasst 10 Mrd. Leseereignisse Current SAP Solution HPI In-Memory Prototypes Write Performance Read Performance Write Performance Read Performance Read Event Repository (SAP OER) 50 /Sek. 10 /Sek /Sek /Sek. Discovery Service / / /Sek /Sek SAP AG or an SAP affiliate company. All rights reserved. 54

55 iphone / ipad Demo 10 Milliarden RFID Events Logik zur Bestimmung der Verpackungshierarchien unter Verwendung von SAP HANA Zeit für eine lückenlose Nachverfolgung: 2 Sekunden 2013 SAP AG or an SAP affiliate company. All rights reserved. 55

56 GORFID Aktuelle Architektur mit Data Aging 2013 SAP AG or an SAP affiliate company. All rights reserved. 56

57 GORFID 2013 SAP AG or an SAP affiliate company. All rights reserved. 57

58 Vielen Dank Kontaktinformationen: Martin Lorenz Wissenschaftlicher Mitarbeiter HPI 2013 SAP AG or an SAP affiliate company. All rights reserved.

Einführung in Hauptspeicherdatenbanken

Einführung in Hauptspeicherdatenbanken Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation

Mehr

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf

Mehr

"Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT?"

Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT? "Big Data welche Antwort hat SAP auf diesen aktuellen Trend in der IT?" Matthias Heiler, Solution Architect, Database & Technology, SAP Deutschland 23. April 2013 Do Things Differently Do Different Things

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Evolution statt Revolution

Evolution statt Revolution Evolution statt Revolution Ihr Weg von SAP MaxDB zu SAP in-memory computing Jürgen Primsch, SAP AG 18. November 2010 Agenda 1. SAP MaxDB 2. SAP in-memory computing 3. Auf zu neuen Ufern 2010 SAP AG. All

Mehr

Business Mehrwerte von SAP HANA

Business Mehrwerte von SAP HANA Business Mehrwerte von SAP HANA von der Technologie zum Geschäft Halle, 07.05.2013 2013 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda GISA im Überblick Was ist SAP HANA? Was

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft Michael Utecht, Industry Expert Utilities Business Area COO Germany, Industry Solutions SAP Deutschland AG & Co.KG 09.11.2011 Opportunities

Mehr

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05.

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05. InspireIT SAP HANA Sesam öffne dich Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH Frankfurt am Main, 11.05.2015 OPITZ CONSULTING GmbH 2015 Seite 1 Checker Fragen Ist SAP HANA eine

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Mehrwerte schaffen durch den Einsatz von Business Intelligence

Mehrwerte schaffen durch den Einsatz von Business Intelligence Mehrwerte schaffen durch den Einsatz von Business Intelligence 1 Menschen beraten Menschen beraten BTC zeigt Wege auf - Sie entscheiden BTC zeigt Wege auf - Sie entscheiden Martin Donauer BTC Business

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer

Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer Verkaufen im 21. Jahrhundert Wir stellen vor: SAP Cloud for Customer SAP Forum Baden, 11. Juni 2013 Kirsten Trocka Senior Industry Advisor, SAP Cloud Solutions SAP (Schweiz) AG Agenda Die Customer Cloud

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014 Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung

Mehr

Migration SAP BW 7.3 auf SAP HANA

Migration SAP BW 7.3 auf SAP HANA Migration SAP BW 7.3 auf SAP HANA IMCC 5.6.2013 Karl Schindler - IT 2011 SAP AG. All rights reserved. 1 Agenda Die Koehler Paper Group IT Landschaft InMemory - Technologie Anforderungen an modernes Reporting

Mehr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter

spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter infoline spezial Productivity Monitor Alle Artikel zu unseren Fokusthemen finden Sie unter comlineag.de/infocenter Productivity Monitor COMLINE Productivity Monitor ist eine generische Lösung für die Aufnahme,

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

EXASOL AG Zahlen & Fakten

EXASOL AG Zahlen & Fakten Big Data Management mit In-Memory-Technologie EXASOL AG Zahlen & Fakten Name: EXASOL AG Gründung: 2000 Tochterges.: Management: Produkte: Firmensitz: Niederlassung: EXASOL Cloud Computing GmbH Steffen

Mehr

CISCO & SAP SAP HANA CISCO & BTC AG. o Strategie o Neue Möglichkeiten o Industrie 4.0 o Potenziale für die Energiewirtschaft.

CISCO & SAP SAP HANA CISCO & BTC AG. o Strategie o Neue Möglichkeiten o Industrie 4.0 o Potenziale für die Energiewirtschaft. BIG DATA Analytics Das Potenzial von SAP HANA Jörg Tröger Director Global & Strategic Partners EMEA Cisco SAP Competence Center 16. Okt. 2013 CISCO & SAP SAP HANA o Architektur o Strategie o Neue Möglichkeiten

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data

IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data IN-MEMORY COMPUTING SAP HANA BASICS Werkzeug für Big Data PROFI Webcast Darmstadt, 12. Juni 2012 Christian Lenz SAP HANA IN MEMORY COMPUTING DATENWACHSTUM HEUTE UND IN DER ZUKUNFT Daten wachsen nicht linear,

Mehr

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest Synopsis Darmstadt 13.-14.05.2014 Guido Jacobs, Microsoft Tobias Maier & Dr. Benjamin Kettner, ixto GmbH Microsoft SQL Server 2014 //

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen

Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen Dr. med. Peter Langkafel MBA General Manager Public Sector / Healthcare MEE (Middle and

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store...

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher- Datenbanksysteme Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher-Datenbanksysteme Disk is Tape, Tape is dead Jim Gray Die Zeit ist reif für ein Re-engineering der Datenbanksysteme

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

REAL-TIME DATA WAREHOUSING

REAL-TIME DATA WAREHOUSING REAL-TIME DATA WAREHOUSING Lisa Wenige Seminarvortrag Data Warehousing und Analytische Datenbanken Friedrich-Schiller-Universität Jena - 19.01.12 Lisa Wenige 19.01.2012 2 Agenda 1. Motivation 2. Begriffsbestimmung

Mehr

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault

Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Die perfekte Kombination im Agilen Data Warehouse Oracle Engineered Systems mit Data Vault Herbert Rossgoderer Geschäftsführer Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH ISE

Mehr

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann Blatt Nr. 11 Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe15 Moritz Kaufmann (moritz.kaufmann@tum.de)

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch Markus Ruf, Geschäftsführer mip GmbH Jens Kretzschmar, Senior

Mehr

BI ist tot, lang lebe BI!

BI ist tot, lang lebe BI! BI ist tot, lang lebe BI! SAP HANA Live vs. SAP BW powered by HANA Glaubt man der ein oder anderen aus Walldorf stammenden Marketingfolie, so sind die Tage von herkömmlichen Business Intelligence Systemen

Mehr

HANA. TOBA-Team Dresden 19.05.2012

HANA. TOBA-Team Dresden 19.05.2012 HANA TOBA-Team Dresden 19.05.2012 Kunde droht mit Auftrag! Ein großer Discounter schickt Anfrage: Bis wann und zu welchem Preis können Sie 30.000 Stück liefern? Die Hektik beginnt! Bis wann Welche und

Mehr

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität

Mehr

IBM Informix Tuning und Monitoring

IBM Informix Tuning und Monitoring Seminarunterlage Version: 11.01 Copyright Version 11.01 vom 25. Juli 2012 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

Mehr

Eine Echtzeit-Plattform für das Smart Grid. Gero Bieser, IBU Utilities, SAP AG Februar 2015

Eine Echtzeit-Plattform für das Smart Grid. Gero Bieser, IBU Utilities, SAP AG Februar 2015 Eine Echtzeit-Plattform für das Smart Grid Gero Bieser, IBU Utilities, SAP AG Februar 2015 Agenda Warum eignet sich die SAP HANA Plattform insbesondere für Anwendungen im Smart Grid? Beispiel: Analyse

Mehr

Themen des Kapitels. 2 Oracle Features und Architektur

Themen des Kapitels. 2 Oracle Features und Architektur 2 Oracle Features und Architektur Einführung in die Eigenschaften und die Funktionsweise von Oracle. 2.1 Übersicht Themen des Kapitels - Oracle Features und Architektur Themen des Kapitels Oracle Produkte

Mehr

SAP Predictive Maintenance and Service. Gero Bieser, IBU Utilities, SAP AG Februar 2015

SAP Predictive Maintenance and Service. Gero Bieser, IBU Utilities, SAP AG Februar 2015 SAP Predictive Maintenance and Service Gero Bieser, IBU Utilities, SAP AG Februar 2015 Agenda Warum Predictive Maintenance? Die SAP Lösung Predictive Maintenance and Service Ausblick auf weitere Entwicklungen

Mehr

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage PBS Nearline Storage Lösung mit spaltenorientierter Datenbanktechnologie für SAP NetWeaver BW Dr. Klaus Zimmer, PBS Software GmbH Agenda

Mehr

Hochschule für Technik, Wirtschaft und Kultur Leipzig. Fakultät Informatik, Mathematik und Naturwissenschaften. Abstract

Hochschule für Technik, Wirtschaft und Kultur Leipzig. Fakultät Informatik, Mathematik und Naturwissenschaften. Abstract Hochschule für Technik, Wirtschaft und Kultur Leipzig Fakultät Informatik, Mathematik und Naturwissenschaften Abstract Oberseminar "Datenbanksysteme - Aktuelle Trends" Hauptspeicherdatenbanken Eingereicht

Mehr

Caching. Hintergründe, Patterns &" Best Practices" für Business Anwendungen

Caching. Hintergründe, Patterns & Best Practices für Business Anwendungen Caching Hintergründe, Patterns &" Best Practices" für Business Anwendungen Michael Plöd" Senacor Technologies AG @bitboss Business-Anwendung!= Twitter / Facebook & co. " / kæʃ /" bezeichnet in der EDV

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Copyright 2014, Oracle and/or its affiliates. All rights reserved.

Copyright 2014, Oracle and/or its affiliates. All rights reserved. 1 Integrierte Systeme für SIs und VARs Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Engineered Systems Oracle s Strategie Engineered Systems Big Data einmal

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Jochen Heßler, 16.03.2015 2002 Gegründet in Freiburg, Deutschland 2002 Heute Büros in Freiburg, Frankfurt, Düsseldorf, Paris, Boston

Mehr

SAP BusinessObjects Business Intelligence Welches Analysewerkzeug für welchen Zweck

SAP BusinessObjects Business Intelligence Welches Analysewerkzeug für welchen Zweck SAP BusinessObjects Business Intelligence Welches Analysewerkzeug für welchen Zweck Horst Meiser, PreSales Principal BI SAP-Forum für die Versorgungswirtschaft, 4. 5. November 2014, Essen Public Agenda

Mehr

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics Vorstellung IBM Cognos 10.2 Oliver Linder Client Technical Professional Business Analytics Agenda IBM Cognos 10.2 Architektur User Interfaces IBM Cognos Workspace IBM Cognos Workspace Advanced IBM Cognos

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

HANA Operation. Patrick Meier, Director Business Development / Partner 22 May 2014

HANA Operation. Patrick Meier, Director Business Development / Partner 22 May 2014 HANA Operation Patrick Meier, Director Business Development / Partner 22 May 2014 E R F O L G R E I C H E S H O S T I N G V O N S A P U N D D R I T TA N W E N D U N G E N A U F S A P H A N A Regensdorf,

Mehr

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 OSC Smart Integration GmbH SAP Business One GOLD-Partner in Norddeutschland GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 SAP Business One v.9.0 Heiko Szendeleit AGENDA OSC-SI 2013 / SAP Business One

Mehr

Mit SAP erfolgreich über alle Kanäle handeln

Mit SAP erfolgreich über alle Kanäle handeln JULI 2015 Mit SAP erfolgreich über alle Kanäle handeln D r. T H O M A S V E T T E R S e n i o r V i c e P r e s i d e n t a n d H e a d o f D e v e l o p m e n t, C o n s u m e r I n d u s t r i e s, SAP

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n

D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n D i e n e u e E n e r g i e l ö s u n g f ü r k l e i n e U n t e r n e h m e n SAP- F o r u m f ü r d i e V e r s o r g u n g s w i r t s c h a f t E s s e n, 5. N o v e m b e r 2 0 1 4 Agenda 1 Unternehmen

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit

SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit Johann Fößleitner Cadaxo GmbH email: johann.foessleitner@cadaxo.com Twitter: @foessleitnerj Agenda 1 SAP HANA Integrationsszenarien

Mehr

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen DATA WAREHOUSE Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen Alfred Schlaucher, Detlef Schroeder DATA WAREHOUSE Themen Big Data Buzz Word oder eine neue Dimension

Mehr

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting 1 Lange bewährt immer noch gelitten Das Data Warehouse ist vielen ein Dorn im Auge IT-Manager messen der zentralen

Mehr

Inhalt. Was, warum und wann? 1 In-Memory-Computing, Big Data und SAP HANA... 25. 2 SAP-HANA-On-Premise-Implementierungsoptionen...

Inhalt. Was, warum und wann? 1 In-Memory-Computing, Big Data und SAP HANA... 25. 2 SAP-HANA-On-Premise-Implementierungsoptionen... Vorwort zur 2. Auflage... 17 Einführung... 19 Danksagung... 21 TEIL I Was, warum und wann? 1 In-Memory-Computing, Big Data und SAP HANA... 25 1.1 Einführung in das In-Memory-Computing und Big Data... 26

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Big Data in der Forschung

Big Data in der Forschung Big Data in der Forschung Dominik Friedrich RWTH Aachen Rechen- und Kommunikationszentrum (RZ) Gartner Hype Cycle July 2011 Folie 2 Was ist Big Data? Was wird unter Big Data verstanden Datensätze, die

Mehr

SAP Mobile Platform MÜNSTER 10.04.2013. best practice consulting Aktiengesellschaft Raboisen 32 20095 Hamburg T +49 40 303752-0 F +49 40 303752-77

SAP Mobile Platform MÜNSTER 10.04.2013. best practice consulting Aktiengesellschaft Raboisen 32 20095 Hamburg T +49 40 303752-0 F +49 40 303752-77 MÜNSTER 10.04.2013 SAP Mobile Platform best practice consulting Aktiengesellschaft Raboisen 32 20095 Hamburg T +49 40 303752-0 F +49 40 303752-77 E info@bpc.ag W www.bpc.ag Seite 1 18.04.2013 Agenda Einleitung

Mehr

Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering

Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering Storage News wie viele IOPS sind zeitgemäß? Mathias Riediger & Sven Willholz Systems Engineering 1 Agenda Was macht NetApp eigentlich? NetApp Portfolio Wie viel IOPs sind zeitgemäß? Q & A 2 Was macht NetApp

Mehr

Big Data für die Internet Sicherheit

Big Data für die Internet Sicherheit Big Data für die Internet Sicherheit Ralph Kemperdick Hans Wieser Microsoft 1 Mobile-first Data-driven Cloud-first 2 2 3 Messenger Wi nd ow s Liv e 4 5 Anwendung: Das Microsoft Cybercrime Center 6 Betrug

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

BW powered by HANA. Martin Effinger Month 06, 2013

BW powered by HANA. Martin Effinger Month 06, 2013 BW powered by HANA Martin Effinger Month 06, 2013 winnovation Quick Facts Form Aktiengesellschaft Gründung 28.3.2006 Aktienkapital 200 000 CHF (100% im Besitz des Mgt) Ort Baar (Zug, Schweiz) Mitarbeiter

Mehr

In-Memory Data Management mit SAP HANA in München 5.7.2012. 2012 SAP AG. All rights reserved. 1

In-Memory Data Management mit SAP HANA in München 5.7.2012. 2012 SAP AG. All rights reserved. 1 In-Memory Data Management mit SAP HANA in München 5.7.2012 2012 SAP AG. All rights reserved. 1 SAP leitet wesentliche Wendepunkte der IT-Technologie ein und revolutioniert damit die Prozesse in Unternehmen.

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Information Lifecycle Management in SAP HANA -Umgebungen Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Agenda Einführung Business Case Information Lifecycle Management (ILM) ILM und Migration nach

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin HP Autonomy Information Governance Strategie: Die Kontrolle über die Informationsflut Petra Berneaud - Account Manager Autonomy Status in vielen

Mehr

Was gibt es Neues in der BI Welt

Was gibt es Neues in der BI Welt BI-Kongress 2015 COMBINED THINKING FOR SUCCESS. Was gibt es Neues in der BI Welt Daniel Stecher, Stephan Weber, Adrian Bourcevet Frankfurt, 09. Juni 2015 Zürich, 11. Juni 2015 CubeServ BI-Kongress 2015

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Behandlungsunterstützung mittels App. Lars Erdmann, Partner, Q_PERIOR AG SAP Mobile Forum, 17. April 2013

Behandlungsunterstützung mittels App. Lars Erdmann, Partner, Q_PERIOR AG SAP Mobile Forum, 17. April 2013 Behandlungsunterstützung mittels App Lars Erdmann, Partner, Q_PERIOR AG SAP Mobile Forum, 17. April 2013 Agenda Hintergrund Warum eine mobile Lösung? Lösungsansatz Was sind die Vorteile? Technische Umsetzung

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Performance Tuning & Scale-Out mit MySQL

Performance Tuning & Scale-Out mit MySQL Performance Tuning & Scale-Out mit MySQL Erfa-Gruppe Internet Briefing 2. März 2010 Oli Sennhauser Senior MySQL Consultant, FromDual oli.sennhauser@fromdual.com www.fromdual.com 1 Inhalt Allgemeines zu

Mehr

Neue Datenbanktechnologien für Real Time Analysen

Neue Datenbanktechnologien für Real Time Analysen Neue Datenbanktechnologien für Real Time Analysen Thomas Baumann Die Mobiliar TDWI Europe Conference 2015 München, 22.Juni 2015 1 Real-Time Analysen machen Schlagzeilen Neue Erkenntnisse aus Echtzeit Datenanalysen

Mehr

PBS Ergänzungslösungen

PBS Ergänzungslösungen PBS Ergänzungslösungen Von der klassischen Archivierung bis zum Information Lifecycle Management mit SAP HANA Prof. Dr. Detlev Steinbinder Agenda Wo geht die Reise hin? Informationen im SAP-Umfeld Big

Mehr

SQL Server 2014 Roadshow

SQL Server 2014 Roadshow 1 SQL Server 2014 Roadshow Kursleitung: Dieter Rüetschi (ruetschi@ability-solutions.ch) 2 Inhalt Allgemeine Informationen Buffer Pool Extension Column Store Index In Memory OLTP Scripting Security SQL

Mehr

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz

Mehr

Wie profitiert SAP MaxDB von SSD Technologie?

Wie profitiert SAP MaxDB von SSD Technologie? Wie profitiert SAP MaxDB von SSD Technologie? Direktor Software und Services SAP MaxDB InfoTage 2014 15.-25. September 2014 Purpose Agenda MaxDB ENTERPRISE EDITION Including Mobile DB Monitor MaxDB & SSD

Mehr

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise A Company of Prof. Dr. Bernhard Humm OOP 2006 sd&m Developer Day München, 18. Januar 2006 sd&m AG, 18.1.2006, Seite 1 Anwendungslandschaften

Mehr

Mobile Backend in der

Mobile Backend in der Mobile Backend in der Cloud Azure Mobile Services / Websites / Active Directory / Kontext Auth Back-Office Mobile Users Push Data Website DevOps Social Networks Logic Others TFS online Windows Azure Mobile

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr