WHITEPAPER. Die vier zentralen Säulen einer Big-Data- Management-Lösung

Größe: px
Ab Seite anzeigen:

Download "WHITEPAPER. Die vier zentralen Säulen einer Big-Data- Management-Lösung"

Transkript

1 WHITEPAPER Die vier zentralen Säulen einer Big-Data- Management-Lösung

2 EXECUTIVE SUMMARY Big Data: ein großer Begriff... 4 NEUE BIG-DATA-ANWENDUNGSFÄLLE... 7 Empfehlungsdienste... 7 Analyse von Marketingkampagnen... 7 Kundenbindungs- und Kundenabwanderungs-Analyse... 8 Analyse sozialer Graphen... 8 Kapitalmarktanalyse... 8 Prädiktive Analyse... 9 Risikomanagement... 9 Rogue Trading... 9 Betrugserkennung... 9 Privatkundengeschäft Netzwerküberwachung Forschung und Entwicklung DIE HERAUSFORDERUNGEN VON BIG DATA Knappe Ressourcen Schlechte Datenqualität + Big Data = Große Probleme Projekt-Governance DIE VIER ZENTRALEN SÄULEN EINER BIG-DATA-MANAGEMENT-LÖSUNG Big-Data-Integration Big-Data-Verarbeitung Big-Data-Qualität Big-Data-Projektmanagement und -Governance TALEND UND BIG DATA: VERFÜGBAR FÜR IHRE ANFORDERUNGEN VON HEUTE Talend Open Studio for Big Data Talend Enterprise Big Data Talend Platform for Big Data RESÜMEE

3 ANHANG: TECHNOLOGIE-ÜBERBLICK Das MapReduce-Framework So funktioniert Hadoop Pig Hive HBase HCatalog Flume Oozie Mahout Sqoop NoSQL (Nicht nur SQL) ÜBER TALEND Kontaktieren Sie uns

4 Executive Summary Mit dem Einzug von Big Data stehen Unternehmen heute vor einem technologischen Paradigmenwechsel. Big Data sorgt für radikale und tiefgreifende Veränderungen im Berufsbild des Datenmanagers und stellt völlig neue Anforderungen im Hinblick auf Volumen, Schnelligkeit und Vielfalt von Unternehmensdaten. Um die Versorgung mit wertvollen und aussagekräftigen Informationen sicherzustellen, müssen moderne Unternehmen ihre Datentechnologien und -strategien überdenken und anpassen. Big Data liefert neue Erkenntnisse zu Geschäftschancen (und -risiken) und kann moderne Unternehmen, wie wir sie heute kennen, zumindest in Teilen grundlegend verändern. Folgendes können wir über Big Data festhalten: Big Data bedient reale Marktbedürfnisse auf der Grundlage neuer Technologien. Während manche Unternehmen noch mögliche Einsatzgebiete sondieren, profitieren andere bereits von nutzbringenden Big-Data-Anwendungen. Zwar ist die Datenintegration äußerst wichtig für das Big-Data-Management, doch künftig werden auch Projekt-Governance und Datenqualität eine Schlüsselrolle bei Big-Data-Projekten spielen. Die Experimentierphase ist vorbei. Big-Data-Projekte werden schon bald einen strategischen Stellenwert im Unternehmen einnehmen. Es werden Entwicklertools benötigt, um den Einzug dieser neuen Technologien voranzutreiben und die jetzige Abhängigkeit von hochqualifizierten Entwicklern zu verringern. Alle großen Infrastruktur- und Datenbankanbieter bringen momentan Big- Data-Lösungen auf den Markt. 1. Big Data: ein großer Begriff Der Begriff Big Data ist schwer zu greifen. Was für eine Organisation als große Datenmenge gilt, muss für eine andere noch lange nicht groß sein. Big Data lässt sich nicht über bestimmte Technologien definieren. Vielmehr umfasst Big Data eine Reihe von Verfahren und Technologien. Bei Big Data handelt es sich um einen neuen, extrem dynamischen Bereich, in dem wir gerade erst lernen, das volle Potenzial auszuschöpfen. Daher verändert sich seine Definition. Dennoch glauben viele, dass Big Data neue Branchen und Märkte hervorbringen und bestehende verändern wird. Denn Big-Data-Technologien machen völlig neue Produkte und Funktionen möglich, von denen wir bisher nur zu träumen wagten bzw. an die wir noch nicht einmal gedacht haben. 4

5 1.1 Big Data Wie der Name schon sagt, ist Big Data durch die Größe bzw. durch das Volumen der Informationen gekennzeichnet. Doch neben der Größe sind auch Schnelligkeit und Vielfalt von Bedeutung. Werfen wir zunächst einen Blick auf die Vielfalt. Der Begriff Big Data bezieht sich oft auf unstrukturierte und halbstrukturierte Inhalte, die in klassischen relationalen Speicher- und IT-Umgebungen Probleme verursachen können. Unstrukturierte und halbstrukturierte Daten findet man so gut wie überall. Zum Beispiel in Form von Webinhalten, Twitter-Beiträgen und Kundenkommentaren. Eine wichtige Rolle spielt auch die Schnelligkeit, d.h. die Geschwindigkeit, in der Daten erstellt werden. Mit den neuen Technologien können wir jetzt riesige Datenmengen analysieren und nutzen, die aus Website-Protokolldateien, Social-Media-Sentimentanalysen, Umgebungssensoren oder Video-Streams stammen. Wir erhalten Einblicke, die früher nicht möglich waren. Um die komplexen Herausforderungen besser zu verstehen, die Volumen, Schnelligkeit und Vielfalt mit sich bringen, hier einige Beispiele: Walmart wickelt stündlich über 1 Million Kundentransaktionen ab. Diese werden in Datenbanken importiert, die schätzungsweise mehr als 2,5 Petabytes an Daten enthalten. Das entspricht dem 167-Fachen der Information, die in sämtlichen Büchern der Bibliothek des US-amerikanischen Kongresses enthalten ist. In Facebook gibt es 40 Milliarden Nutzer-Fotos. Die Entschlüsselung des menschlichen Genoms dauerte ursprünglich 10 Jahre. Jetzt reicht eine Woche dafür aus. Die Hadoop-Distribution Hortonworks managt über Yahoo!-Rechner, die täglich Millionen von Anfragen verarbeiten. Diese Firmen sind bei weitem nicht die einzigen, die in Big-Data-Dimensionen denken. Immer mehr Unternehmen erkennen, dass diese riesigen Datenspeicher voller wertvoller, geschäftsrelevanter Informationen stecken. 1.2 Big Technologien Möchte man die Implikationen dieses neuen IT-Paradigmas verstehen, braucht man ein grundlegendes Verständnis für die Technologien und die zentralen Konzepte, die sich hinter Big Data verbergen. Big Data wird durch völlig neue Konzepte, Begriffe und Technologien definiert. Grundlage für seine revolutionäre Entwicklung ist ein Konzept namens MapReduce. MapReduce stellt eine massive parallele Umgebung bereit, in der schwierige, rechenintensive Operationen innerhalb kürzester Zeit ausgeführt werden können. 5

6 2004 von Google eingeführt, ermöglicht MapReduce dem Programmierer, Daten so zu transformieren, dass sich diese auf einem Cluster mit mehreren Tausend parallel arbeitenden Rechnern verarbeiten lassen. Wesentlicher Kern ist die Verwendung einer Reihe von Maps, mit denen sich eine Aufgabe auf mehrere parallele Server verteilen lässt. Anschließend werden die Ergebnisse von jeder Map-Instanz mithilfe einer Reduce -Funktion konsolidiert, um eine Lösung für das ursprüngliche Problem zu finden. Viele Big-Data-Technologien sind quelloffen verfügbar, darunter Hadoop, Pig und Hive. Open Source bietet zahlreiche Vorteile wie z.b. standardbasierte Interoperabilität, Community- Entwicklung, Kostenvorteile gegenüber proprietärer Software und kontinuierliche Innovation. Eine detailliertere Beschreibung zur Funktionsweise der MapReduce-Technologie, sowie ein Glossar zu den Big-Data-Technologien finden Sie im Anhang dieses Whitepapers. 1.3 Big Paradigmenwechsel Big-Data-Technologien haben schon jetzt unser Leben grundlegend verändert. Facebook, Groupon, Twitter, Zynga und zahlreiche andere neue Geschäftsmodelle haben ihre Existenz diesen neuen Technologien zu verdanken. Wir erleben gerade einen technologischen Paradigmenwechsel, der noch größere Auswirkungen haben könnte als die Kommerzialisierung des Internets Ende der neunziger Jahre. Ganze Branchen und Märkte werden betroffen sein, wenn wir die neuen Technologien nach und nach dazu nutzen, die Funktionen und die Bereitstellung der heute verfügbaren Produkte und Services zu verbessern, und sogar völlig neue Möglichkeiten schaffen, von denen wir früher nur träumen konnten. Nehmen wir als Beispiel die einheitliche Sicht auf den Kunden, die von Stammdatenmanagement-Produkten bereitgestellt wird. Die Lösungen, die heute auf dem Markt sind, verwenden einen eher statischen relationalen Speicher zum Persistieren der Daten und müssen einen Algorithmus im Batch-Modus ausführen, um eine ganzheitliche Sicht zu erhalten. Der Nachteil dieser Lösungen ist ihre begrenzte Performance und Speicherkapazität bei der Verwendung eines eindeutigen Datensatzes. Hadoop setzt diesen Beschränkungen ein Ende. Es ermöglicht, eine einheitliche Sicht auf den Kunden on the fly zu erstellen, die mehr Informationen enthalten kann (z.b. Transaktionsdaten). Wie würden wir die auf Social-Media-Sites eingefangene Kundenstimmung nutzen, um die Sicht auf den Kunden zu vervollständigen? Diese Art von Neuerungen könnte manch bestehenden Markt durcheinanderwirbeln. Denken wir an ERP und Data-Warehousing, wo Big Data eine wichtige Rolle für Data-Warehouseund Analyseprodukte der nächsten Generation spielt. Wie wäre es, wenn wir mit Big-Data- 6

7 Technologien eine operative Datenbank ersetzen würden? Das mag radikal klingen, aber der Gedanke ist alles andere als abwegig. Denn mit Big-Data-Open-Source-Tools lassen sich einige dieser Funktionen erweitern und teilweise sogar ersetzen. Zudem liefern sie neue Ansätze für ein modernes und effektives Datenmanagement. Wir befinden uns inmitten eines massiven Technologiewandels, der gravierende gesellschaftliche Veränderungen mit sich bringen wird. Big Data verändert alles. Neue Big-Data-Anwendungsfälle 1 Big Data ist ein relativ neues, dynamisches Feld, doch es gibt einige Einsatzgebiete, von denen Unternehmen bereits heute profitieren. Hier einige Beispiele: Empfehlungsdienste Seit Jahren arbeiten Unternehmen wie Amazon, Facebook und Google mit Empfehlungsdiensten, um Produkte, Dienstleister und Anzeigen vorzuschlagen und diese auf der Grundlage von Verhaltensdaten- und Nutzerprofilanalysen auf die Anwender abzustimmen. Die effektive Analyse derart großer Datenmengen war eines der ersten Probleme, die mithilfe von Big Data gelöst werden konnten. Dies hat die Entwicklung der Technologie, wie wir sie heute kennen, maßgeblich geprägt. Analyse von Marketingkampagnen Je mehr Informationen im Marketing zur Verfügung stehen, desto genauer lassen sich Zielgruppen definieren und ansprechen. Mit Big Data können riesige Datenmengen analysiert werden eine Aufgabe, die mit klassischen relationalen Lösungen nicht zu bewältigen ist. Marketingexperten können jetzt Zielgruppen besser definieren und Produkte und Services gezielter auf den Kunden abstimmen. Mithilfe von Big Data können Marketingteams große Datenmengen aus neuen Datenquellen (z.b. Clickstream- und Verbindungsdaten) evaluieren, um neue Erkenntnisse zum Einkaufsverhalten der Kunden zu gewinnen. 1 Big Data Use Cases. Amir Halfon.http://www.finextra.com/community/fullblog.aspx?blogid=6276 7

8 Kundenbindungs- und Kundenabwanderungs-Analyse Je mehr Produkte ein Kunde kauft, desto geringer ist die Wahrscheinlichkeit, dass er abwandert. Aus diesem Grund betreiben viele Organisationen einen großen Aufwand, um ihre Cross-Selling- und Up-Selling-Aktivitäten zu verbessern. Heterogene Datenformate und Governance-Probleme machen es allerdings oft schwierig, Kunden und Produkte über verschiedene Geschäftssparten hinweg zu analysieren. Manche Unternehmen sind in der Lage, ihre Daten in ein Hadoop-Cluster zu laden, um eine breit angelegte Analyse durchzuführen und Muster zu identifizieren. Dadurch erfahren sie, welche Kunden am ehesten zu einem anderen Anbieter wechseln werden oder noch besser welche Kunden am ehesten dazu bereit sind, ihre Beziehung zum Unternehmen zu vertiefen. Daraufhin können Unternehmen aktiv werden, um solche Kunden zu halten oder um ihnen Anreize zu geben. Analyse sozialer Graphen In allen sozialen Netzwerken oder Communitys gibt es User und Superuser. Häufig ist es schwierig, solche Meinungsmacher innerhalb dieser Gruppen ausfindig zu machen. Mit Big Data lassen sich Daten aus sozialen Netzwerken analysieren, um die Nutzer auszumachen, die den größten Einfluss auf andere Nutzer innerhalb dieser sozialen Netzwerke ausüben. Auf diese Weise können Unternehmen die wichtigsten Kunden bestimmen. Dies können müssen aber nicht zwangsläufig die Kunden sein, die sich auf herkömmliche Art und Weise mittels Geschäftsanalysen ermitteln lassen (die Kunden mit den meisten Produkten oder den größten Ausgaben). Kapitalmarktanalyse Ob wir uns für allgemeine wirtschaftliche Indikatoren, spezielle Marktindikatoren oder für die Stimmung gegenüber bestimmten Unternehmen oder Aktien interessieren die Datenmengen, die analysiert werden können, sind riesig, egal ob aus klassischen oder neuen Quellen. Zwar werden elementare Schlagwortanalysen und Entity-Extraction-Methoden schon seit Jahren verwendet, doch die Kombination alter und neuer Datenquellen wie Twitter und andere Social-Media-Plattformen liefern ein viel genaueres Bild über das, was die Menschen denken und das nahezu in Echtzeit. Die meisten Finanzinstitute nutzen heute Sentimentanalysen, um die öffentliche Meinung über ihr Unternehmen, den Markt oder über die Wirtschaft allgemein einzuschätzen. 8

9 Prädiktive Analyse Auf den Kapitalmärkten arbeiten Analysten mit erweiterten Korrelationsalgorithmen und Wahrscheinlichkeitsrechnungen auf Basis aktueller und historischer Daten, um Marktveränderungen vorherzusagen. Aufgrund der großen Mengen historischer Marktdaten und der hohen Geschwindigkeit, in der neue Daten evaluiert werden müssen (z.b. komplexe Derivatbewertungen) ist dies ein Fall für Big Data. Da Big-Data-Technologien solche Berechnungen schneller und auf handelsüblicher Hardware ausführen können, sind sie ein zuverlässiger Ersatz für den relativ langsamen und teuren alten Ansatz geworden. Risikomanagement Moderne Organisationen mit aggressiven Geschäftsmodellen möchten ihr Risiko mittels kontinuierlichem Risikomanagement und einer genaueren Analyse von Risikofaktoren auf Basis größerer Datensätze begrenzen. Zudem steigt der Druck, Daten trotz wachsenden Volumens schneller zu analysieren. Da Big-Data-Technologien den Datenzugriff und die Datenverarbeitung parallel abwickeln können, werden sie immer häufiger eingesetzt, um Probleme wie diese zu lösen. Ob im Rahmen einer übergreifenden Analyse oder der Integration von Risiko- und Finanzmanagement für die Ermittlung risikoangepasster Renditen bzw. Gewinne und Verluste muss eine wachsende Menge an Daten aus mehreren eigenständigen Abteilungen innerhalb des Unternehmens integriert, abgerufen und on the fly analysiert werden. Rogue Trading Deep-Analytics-Verfahren, die Abrechnungsdaten mit Positionsverfolgungs- und Auftragsmanagementsystemen korrelieren, können wertvolle Einblicke liefern, die mit herkömmlichen Datenmanagement-Tools nicht möglich waren. Um hier Probleme zu identifizieren, müssen riesige Mengen an Daten in nahezu Echtzeit aus mehreren heterogenen Quellen verarbeitet werden. Diese rechenintensive Aufgabe kann jetzt mit Big- Data-Technologien bewältigt werden. Betrugserkennung Die Korrelation von Daten aus mehreren, unzusammenhängenden Quellen vereinfacht die Erkennung betrügerischer Aktivitäten. Ein Beispiel ist die Korrelation von Kredit-/Debitkarten-, Smartphone-, Geldautomat- und Online-Banking-Aktivitäten mit einer Analyse des Online- 9

10 Verhaltens (entweder auf der Website der Bank oder auf externen Seiten). Hier hilft Big Data, betrügerische Aktivitäten aufzuspüren. Privatkundengeschäft Im Privatkundengeschäft von Banken hat die präzise Einschätzung des Risikoprofils eines Kunden oder eines Darlehens entscheidenden Einfluss darauf, ob dem Kunden eine bestimmte Dienstleistung angeboten (oder verweigert) wird. Eine richtige Bewertung schützt die Bank und sorgt für zufriedene Kunden. Mit dem wachsenden Zugriff auf immer vollständigere Kundendaten können Banken ihr Serviceangebot genauer und zuverlässiger auf den Kunden ausrichten. Darüber hinaus sind wichtige Ereignisse im Leben der Kunden, wie beispielsweise eine Hochzeit, eine Geburt oder der Kauf eines Eigenheims, besser vorhersehbar und erleichtern Cross-Selling- oder Up-Selling-Aktivitäten. Netzwerküberwachung Big-Data-Technologien werden eingesetzt, um Netzwerke jeglicher Art zu analysieren. Von besseren Analysen können beispielsweise Verkehrsnetze, Kommunikationsnetze, Polizeinetze und selbst lokale Firmennetze profitieren. Nehmen wir ein LAN als Beispiel. Mithilfe von Big-Data-Technologien können Administratoren die riesigen Datenmengen aus Servern, Netzwerkgeräten und anderer IT-Hardware nutzen, um Netzwerkaktivitäten zu überwachen und Engpässe sowie andere Probleme zu erkennen, bevor sie sich negativ auf die Produktivität auswirken. Forschung und Entwicklung Unternehmen mit einer großen Forschungs- und Entwicklungsabteilung, wie z.b. Arzneimittelhersteller, nutzen Big-Data-Technologien, um die enormen Mengen textbasierter Forschungsdaten und anderweitiger historischer Daten zu durchsuchen. Die gewonnen Informationen werden dann bei der Entwicklung neuer Produkte herangezogen. 10

11 Die Herausforderungen von Big Data Big Data bietet große Chancen, bringt aber auch erhebliche Herausforderungen mit sich. Es umfasst eine Reihe relativ neuer Technologien, die recht komplex zu erlernen sind. Dabei gibt es weder Tools, um die Verbreitung und Entwicklung voranzutreiben, noch ausreichend qualifizierte Fachkräfte. Tatsächlich sind die meisten Big-Data-Projekte genau das: ein Projekt. Sie sind noch nicht in die Governance-Strukturen für Projektmanagement und Data- Governance eingebunden, wie man es bei größeren Unternehmen erwarten würde. Doch das wird sich mit Sicherheit ändern. Lassen Sie uns nun einen Blick auf diese Herausforderungen werfen. Knappe Ressourcen Die meisten Entwickler und IT-Architekten, die wirklich etwas von Big Data verstehen, arbeiten für die einstigen Wegbereiter der Big-Data-Technologien, also Unternehmen wie Facebook, Google, Yahoo und Twitter, um nur einige zu nennen. Andere sind bei den zahlreichen Start-up-Unternehmen wie Hortonworks, Cloudera und MapR beschäftigt. Die Materie ist immer noch recht komplex. Deswegen kommen neue Big-Data-Experten nur langsam nach. Erschwerend kommt hinzu, dass es auf diesem jungen Markt nur wenige Tools gibt, die bei der Entwicklung und Implementierung dieser Projekte helfen. Schlechte Datenqualität + Big Data = Große Probleme Je nachdem, welches Ziel mit einem Big-Data-Projekt verfolgt wird, kann eine schlechte Datenqualität das Ergebnis massiv beeinflussen. Inkonsistente oder falsche Daten könnten sich geradezu exponentiell auf Big-Data-Analysen auswirken. Da immer mehr Analysen auf Basis von Big Data durchgeführt werden, wächst auch der Bedarf an Lösungen für die Validierung, Standardisierung, Anreicherung und Harmonisierung von Daten. Selbst die Identifizierung von Verknüpfungen kann als Datenqualitätsproblem gesehen werden, das für Big-Data-Projekte gelöst werden muss. Projekt-Governance Wenn es um Big Data geht, bekommen die Verantwortlichen meist nur die vage Anweisung vom CTO, das Projekt irgendwie zu schaukeln. Big Data hat seine große Zeit noch vor sich. Die meisten Organisationen versuchen noch herauszufinden, welche Potenziale Big Data bietet, und starten ein Forschungsprojekt oder gründen eine Art SWAT-Team. Normalerweise werden Projekte wie diese nicht gemanagt. Es geht fast wie im wilden Westen zu. Genauso wie dies in anderen Bereichen des Datenmanagements der Fall ist, werden auch diese Projekte letztendlich bestehende Unternehmensstandards und anerkannte 11

12 Projektmanagement-Normen für die Organisation, Bereitstellung und gemeinsame Nutzung von Projektartefakten erfüllen müssen. Zwar gibt es noch einige Herausforderungen, doch die Technologie ist stabil. Es ist reichlich Wachstums- und Innovationspotenzial vorhanden, denn der komplette Datenmanagement- Lebenszyklus einschließlich Qualität und Governance kann in dieses neue IT-Paradigma übertragen werden. Das Interesse für Big-Data-Technologien ist riesig. Bald wird genügend qualifiziertes Personal zur Verfügung stehen, um die Verbreitung von Big Data zu unterstützen. 12

13 Die vier zentralen Säulen einer Big-Data- Management-Lösung Integration ist der Motor, Codegenerierung der Treibstoff. Um die genannten Herausforderungen zu bewältigen, kommt es beim Aufbau einer Big-Data- Management-Lösung im Wesentlichen auf vier Säulen an: Big-Data-Integration, Big-Data- Bearbeitung, Big-Data-Qualität und Big-Data-Projektmanagement und -Governance. Talend, ein führender Anbieter von Open-Source-Integrationslösungen, bietet all das in einer intuitiven Datenmanagement-Umgebung, mit der sich Entwicklung, Implementierung und Governance von Big Data vereinfachen lassen. 1. Big-Data-Integration Das Laden großer Datenmengen (zahlreiche Logdateien, Daten von operativen Systemen, Social-Media-Plattformen, Sensoren oder aus anderen Quellen) in Hadoop über HDFS, HBase, Sqoop oder Hive wird als operatives Datenintegrationsproblem betrachtet. Talend bietet eine unmittelbare Lösung, mit der sich herkömmliche Ressourcen wie Datenbanken, Anwendungen und Dateiserver direkt mit Big-Data-Technologien verknüpfen lassen. Talend stellt eine Reihe intuitiver grafischer Komponenten und einen Arbeitsbereich bereit, der die Interaktion mit einer Big-Data-Quelle oder einem Big-Data-Ziel ermöglicht, ohne dass dafür komplizierter Code erlernt oder geschrieben werden muss. Die Konfiguration der jeweiligen Big-Data-Verbindung wird grafisch dargestellt und der zugrunde liegende Code automatisch erzeugt. Dieser lässt sich anschließend als Dienst, ausführbare Datei oder eigenständiger Job ausführen. Dabei kommen sämtliche Talend-Komponenten für die Datenintegration (Anwendung, Datenbank, Service und sogar ein Stammdaten-Hub) zum Einsatz, sodass der Datenaustausch von beliebigen Quellen bzw. mit beinahe jedem Ziel koordiniert werden kann. Zudem bietet Talend grafische Komponenten, die eine einfache Konfiguration von NoSQL-Technologien wie MongoDB, Cassandra, Hive und HBase erlauben, um einen direkten, spaltenorientierten Echtzeit-Lese-/Schreibzugriff auf Big Data zu ermöglichen. 13

14 2. Big-Data-Verarbeitung Es gibt eine Reihe von Tools, die es dem Entwickler erlauben, eine Big-Data-Parallelisierung durchzuführen, um Transformationen riesiger Datenmengen vorzunehmen. Programmiersprachen wie Apache Pig bieten eine Skriptsprache zum Vergleichen, Filtern, Auswerten und Gruppieren von Daten innerhalb eines HDFS-Clusters. Talend abstrahiert diese Funktionen in einen Komponentensatz, sodass diese Skripts in einer grafischen Umgebung und als Teil eines Datenflusses definiert werden können. Auf diese Weise können sie schnell entwickelt werden, ohne dass spezielle Kenntnisse der zugrunde liegenden Sprache erforderlich sind. 3. Big-Data-Qualität Talend bietet Datenqualitätsfunktionen, die auf die massiv-parallele Umgebung von Hadoop zurückgreifen. Diese Datenqualitätsfunktionen stellen explizite Features und Tasks bereit, mit denen Sie Duplikate innerhalb riesiger Datenspeicher mittels Profiling binnen weniger Augenblicke statt mehrerer Tage analysieren und identifizieren können. Dabei handelt es sich um eine natürliche Erweiterung von Enterprise-Datenqualitäts- und Datenintegrationslösungen und Best Practices. 4. Big-Data-Projektmanagement und -Governance Die meisten frühen Big-Data-Projekte wurden ohne explizite Projektmanagement-Strukturen abgewickelt. Doch das wird sich mit Sicherheit ändern, sobald sie Teil eines größeren Systems sind. Unternehmen werden dann Standards und Verfahren um diese Projekte herum definieren müssen, so wie es in der Vergangenheit mit Datenmanagementprojekten der Fall war. Talend bietet eine umfassende Palette an Funktionen für das Big-Data- Projektmanagement. Mit Talend können die Anwender beliebige Big-Data-Jobs planen, überwachen und bereitstellen und ein gemeinsames Repository nutzen, das die Zusammenarbeit der Entwickler sowie die Freigabe von Projekt-Metadaten und Artefakten ermöglicht. Darüber hinaus vereinfacht Talend Konstrukte wie HCatalog und Oozie. 14

15 Talend und Big Data: verfügbar für Ihre Anforderungen von heute Mit dem Open-Source-Ansatz und der flexiblen Integrationsplattform für Big Data von Talend können Benutzer problemlos Daten aus verschiedenen Systemen verbinden und analysieren, um den geschäftlichen Erfolg ihres Unternehmens zu steigern. Talends Big-Data-Funktionen lassen sich mit den Lösungen führender Big-Data-Anbieter wie etwa Cloudera, Hortonworks, Google, EMC/Greenplum, MapR, Netezza, Teradata und Vertica integrieren. Diese Vielseitigkeit macht Talend zu einem der führenden Anbieter im Bereich des Big-Data- Management. Unser Ziel ist es, den Big-Data-Markt zu demokratisieren, genau wie wir dies schon bei der Datenintegration, Datenqualität, Stammdatenverwaltung, Anwendungsintegration und beim Business Process Management getan haben. Talend bietet drei Big-Data-Produkte: 1. Talend Open Studio for Big Data 2. Talend Enterprise Big Data 3. Talend Platform for Big Data Talend Open Studio for Big Data Talend Open Studio for Big Data ist ein Open-Source-Entwicklungstool, das unsere Big-Data- Komponenten für Hadoop, Hbase, Hive, HCatalog, Oozie, Sqoop und Pig umfasst und auf unserer Datenintegrationslösung Talend Open Studio basiert. Das Tool wurde unter Apache- Lizenz in der Community veröffentlicht. Es erlaubt dem Nutzer, alte und neue Systeme miteinander zu verbinden, da Hunderte Komponenten für bestehende Systeme wie SAP, Oracle, DB2, Teradata und viele andere enthalten sind. Download unter: 15

16 Talend Enterprise Big Data Talend Enterprise Big Data erweitert Talend Open Studio for Big Data um professionellen technischen Support sowie um Funktionen der Enterprise-Klasse. Organisationen, die auf diese Version aufrüsten, profitieren von erweiterten Kollaborations-, Überwachungs- und Projektmanagementfunktionen. Talend Platform for Big Data Talend Platform for Big Data löst die Herausforderungen von Big-Data-Integration, Datenqualität und Big-Data-Governance. Sie vereinfacht das Laden, Extrahieren und Verarbeiten großer und vielfältiger Datenbestände und ermöglicht dadurch schnellere und fundiertere Entscheidungen. Datenqualitätskomponenten ermöglichen das Profiling, die Bereinigung und den Abgleich von Big Data durch die Verwendung einer massiv-parallelen Umgebung wie Hadoop. Erweiterte Cluster-Funktionen erlauben die Integration von Datenmengen jeder Größenordnung. Talend Platform for Big Data on Top zur Talend Unified Platform verbessert die Produktivität im Bereich Datenmanagement durch die Nutzung eines gemeinsamen Code-Repositorys und einer Reihe von Tools für die Planung, das Metadatenmanagement, die Datenverarbeitung und das Enablement von Services. Weitere Informationen zu den Funktionen der einzelnen Produktversionen finden Sie unter Resümee Mit dem Einzug von Big Data stehen Unternehmen heute vor einem technologischen Paradigmenwechsel. Die effiziente Nutzung dieser massiven Datenmengen liefert neue Erkenntnisse zu Geschäftschancen (und -risiken). Big Data bietet große Chancen, bringt aber auch erhebliche Herausforderungen mit sich. Es umfasst eine Reihe relativ neuer Technologien, die recht komplex zu erlernen sind. Dabei gibt es weder Tools, um die Verbreitung und Entwicklung voranzutreiben, noch ausreichend qualifizierte Fachkräfte. Mit dem Open-Source-Ansatz und der flexiblen Integrationsplattform für Big Data unterstützt Talend die Benutzer dabei, Daten problemlos aus verschiedenen Systemen zu verbinden und zu analysieren, um den geschäftlichen Erfolg ihres Unternehmens zu steigern 16

17 Anhang: Technologie-Überblick Das MapReduce-Framework MapReduce bildet die Grundlage für Big-Data-Technologien wie Hadoop. Das Hadoop Distributed File System (HDFS) beispielsweise verwendet diese Komponenten, um Daten zu persistieren, Funktionen auszuführen und Ergebnisse zu ermitteln. NoSQL-Datenbanken wie MongoDB und Cassandra setzen die Funktionen ein, um Daten zu speichern und für die entsprechenden Services abzurufen. Hive nutzt das Framework als Basis für ein Data- Warehouse. So funktioniert Hadoop Hadoop wurde entwickelt, weil die bestehenden Ansätze nicht für die Verarbeitung großer Datenmengen geeignet waren. Konkret sollte Hadoop dazu dienen, täglich das gesamte World Wide Web zu indexieren entwickelte Google das Paradigma MapReduce. Yahoo! startete Hadoop 2005 als Implementierung von MapReduce und veröffentlichte es 2007 als Open-Source-Projekt. Prinzipiell verfügt Hadoop wie jedes andere Betriebssystem auch über die grundlegenden Konstrukte, die erforderlich sind, um Rechenaufgaben auszuführen. Es hat ein Dateisystem, eine Sprache zum Schreiben von Programmcode, einen Mechanismus, um die Verteilung dieses Programmcodes über ein verteiltes Cluster zu verwalten, und eine Methode, um die Ergebnisse dieses Programmcodes zusammenzutragen. Letzten Endes besteht das Ziel darin, einen einzigen Ergebnissatz zu erhalten. Mit Hadoop werden große Datenmengen in mehrere Teile zerlegt und auf eine Reihe von Nodes verteilt, die auf handelsüblicher Hardware laufen. Zum Schutz vor Node-Ausfällen werden die Informationen in dieser Struktur mehrfach auf verschiedene Nodes repliziert. Die Daten sind nicht in relationalen Zeilen und Spalten organisiert, wie man es in der klassischen Persistenz erwarten würde. Auf diese Weise lassen sich strukturierte, halbstrukturierte und unstrukturierte Inhalte speichern. Das HDFS arbeitet mit vier verschiedenen Arten von Nodes: Der Name Node liefert Informationen zum Standort der Daten. Er weiß, welche Nodes verfügbar sind, wo genau im Cluster sich bestimmte Daten befinden und welche Nodes ausgefallen sind. Der Secondary Node fungiert als Backup für den Name Node. 17

18 Der JobTracker koordiniert die Datenverarbeitung mittels MapReduce. Die Slave Nodes speichern Daten und befolgen die Anweisungen des JobTracker. Ein JobTracker bildet den Einsprungspunkt für einen Map-Job oder einen Prozess, der auf die Daten angewendet werden soll. Ein Map-Job ist in der Regel eine in Java geschriebene Abfrage und bildet den ersten Schritt im MapReduce-Prozess. Der JobTracker fordert den Name Node auf, die erforderlichen Daten für die Ausführung des Jobs zu identifizieren und zu lokalisieren. Sobald er über diese Informationen verfügt, sendet er die Abfrage an die entsprechenden Nodes. Die nötige Datenverarbeitung erfolgt innerhalb der dafür vorgesehenen Nodes. Diese massiv-parallele Vorgehensweise ist charakteristisch für MapReduce. Sobald die Nodes mit der Verarbeitung fertig sind, speichern sie die Ergebnisse. Der Client initiiert anschließend einen Reduce-Job. In einem nächsten Schritt werden die Ergebnisse zusammengeführt, um die Antwort für die ursprüngliche Abfrage festzulegen. Der Client kann schließlich auf diese Ergebnisse auf dem Dateisystem zugreifen und für seine Zwecke verwenden. Pig Beim Apache Pig-Projekt handelt es sich um eine höhere Datenfluss-Programmiersprache und ein Execution-Framework für die Erstellung von MapReduce-Programmcode, der mit Hadoop verwendet wird. Die abstrakte Sprache für diese Plattform heißt Pig Latin. Sie abstrahiert den Programmiercode in eine Notation, sodass der MapReduce-Programmiercode dem Code von SQL-Systemen für relationale Datenbankmanagementsysteme (RDBMS) ähnelt. Pig Latin lässt sich mittels UDF (User Defined Functions) erweitern, die der Nutzer in Java schreiben und direkt von der Sprache abrufen kann. Hive Apache Hive, eine (ursprünglich von Facebook) entwickelte Data-Warehouse-Infrastruktur auf Basis von Hadoop, ermöglicht Datenzusammenfassungen, Ad-hoc-Abfragen und die Analyse großer Datensätze. Sie bietet einen Mechanismus, um eine Struktur auf diese Daten zu projizieren und die Daten mittels HiveQL, einer SQL-ähnlichen Sprache, abzufragen. Zudem vereinfacht Hive die Integration mit Business Intelligence- und Visualisierungstools. 18

19 HBase HBase ist eine nicht relationale, spaltenorientierte Datenbank, die auf das Hadoop Distributed File System (HDFS) aufsetzt. Sie bietet einen fehlertoleranten Speicher und einen schnellen Zugriff auf große Mengen an Sparse Data. Zudem erweitert sie Hadoop um Transaktionsfunktionen, sodass der Nutzer die Möglichkeit zum Aktualisieren, Einfügen und Löschen hat. HBase wurde ursprünglich von Facebook für dessen Messaging-Systeme entwickelt und wird auch von ebay intensiv genutzt. HCatalog HCatalog ist ein Tabellen- und Speicher-Management-Service für Daten, die mittels Apache Hadoop erstellt werden. Dieser Service gewährleistet die Interoperabilität zwischen Datenverarbeitungstools wie Pig, MapReduce, Streaming und Hive und ermöglicht die gemeinsame Nutzung von Schemata und Datentyp-Mechanismen. Flume Flume ist ein System von Agents, die sich in einem Hadoop-Cluster befinden. Diese Agents sind innerhalb der gesamten IT-Infrastruktur implementiert, sammeln Daten und integrieren sie dann wieder in Hadoop. Oozie Oozie ist ein Workflow-System, das Jobs koordiniert, die in verschiedenen Sprachen wie etwa MapReduce, Pig und Hive geschrieben wurden. Es stellt Verbindungen zwischen diesen Jobs her und erlaubt es, die Reihenfolge bzw. Abhängigkeiten untereinander festzulegen. Mahout Mahout ist eine Data-Mining-Bibliothek, die gängige Algorithmen für das Clustering und für die statistische Modellierung in MapReduce implementiert. 19

20 Sqoop Bei Sqoop handelt es sich um einen Satz an Datenintegrationstools, mit denen Nicht-Hadoop- Datenspeicher mit herkömmlichen relationalen Datenbanken und Data-Warehouses interagieren können. NoSQL (Nicht nur SQL) NoSQL bezieht sich auf eine große Gruppe von Datenspeicher-Mechanismen, die sich erheblich von den bekannten, herkömmlichen relationalen Datenbanken (RDBMS) unterscheiden. Diese Technologien implementieren ihre eigene Abfragesprache und basieren in der Regel auf erweiterten Programmierstrukturen für Schlüssel-/Wert-Beziehungen, definierte Objekte, Tabellenmethoden oder Tupel. Der Begriff wird oft verwendet, um die große Vielfalt an Datenspeichern zu beschreiben, die als Big Data klassifiziert sind. Einige der größten Namen in der Big-Data-Welt sind u.a. Cassandra, MongoDB, NuoDB, Couchbase und VoltDB. 20

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung

Mehr

Big Data Informationen neu gelebt

Big Data Informationen neu gelebt Seminarunterlage Version: 1.01 Copyright Version 1.01 vom 21. Mai 2015 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

Mehr

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes Hadoop Eine Open-Source-Implementierung von MapReduce und BigTable von Philipp Kemkes Hadoop Framework für skalierbare, verteilt arbeitende Software Zur Verarbeitung großer Datenmengen (Terra- bis Petabyte)

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

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Brownbag am Freitag, den 26.07.2013 Daniel Bäurer inovex GmbH Systems Engineer Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

Mehr

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 0 Es TOP 10 DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 wird ein wichtiges Jahr für BIG (Business Intelligence Growth) 2012 war ein fantastisches Jahr für Business Intelligence! Die biedere alte

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

Self Service BI mit Office 2013 Raúl B. Heiduk

Self Service BI mit Office 2013 Raúl B. Heiduk 1 Self Service BI mit Office 2013 Raúl B. Heiduk Partner: 2 Agenda Begrüssung Vorstellung Referent Inhalt F&A Weiterführende Kurse 3 Vorstellung Referent Name: Raúl B. Heiduk Ausbildung: Dipl. Ing. (FH),

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

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

Integration Services - Dienstarchitektur

Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Dieser Artikel solle dabei unterstützen, Integration Services in Microsoft SQL Server be sser zu verstehen und damit die

Mehr

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG VISUAL ANALYTICS

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG VISUAL ANALYTICS HERZLICH WILLKOMMEN ZUR VERANSTALTUNG VISUAL ANALYTICS AGENDA VISUAL ANALYTICS 9:00 09:30 Das datengetriebene Unternehmen: Big Data Analytics mit SAS die digitale Transformation: Handlungsfelder für IT

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

Open Source Master Data Management. Die Zeit ist reif

Open Source Master Data Management. Die Zeit ist reif Open Source Master Data Management Die Zeit ist reif Inhaltsverzeichnis Einleitung 3 Anforderungen an den Open Source Markt 3 Freiheit 4 Vorhersagen über die Auswirkungen von Open Source auf MDM 4 Talend

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

Apache Lucene. Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org

Apache Lucene. Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache Lucene Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org 1 Apache Apache Software Foundation Software free of charge Apache Software

Mehr

Die Cloud, die für Ihr Unternehmen geschaffen wurde.

Die Cloud, die für Ihr Unternehmen geschaffen wurde. Die Cloud, die für Ihr Unternehmen geschaffen wurde. Das ist die Microsoft Cloud. Jedes Unternehmen ist einzigartig. Ganz gleich, ob im Gesundheitssektor oder im Einzelhandel, in der Fertigung oder im

Mehr

Beratung. Results, no Excuses. Consulting. Lösungen. Grown from Experience. Ventum Consulting. SQL auf Hadoop Oliver Gehlert. 2014 Ventum Consulting

Beratung. Results, no Excuses. Consulting. Lösungen. Grown from Experience. Ventum Consulting. SQL auf Hadoop Oliver Gehlert. 2014 Ventum Consulting Beratung Results, no Excuses. Consulting Lösungen Grown from Experience. Ventum Consulting SQL auf Hadoop Oliver Gehlert 1 Ventum Consulting Daten und Fakten Results, no excuses Fachwissen Branchenkenntnis

Mehr

VARONIS DATADVANTAGE. für Exchange

VARONIS DATADVANTAGE. für Exchange VARONIS DATADVANTAGE für Exchange VARONIS DATADVANTAGE für Exchange Funktionen und Vorteile TRANSPARENZ Bidirektionale Smart Views aller Berechtigungen für Postfächer und öffentliche Ordner sowie Überwachung

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

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

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr Peter Dikant mgm technology partners GmbH Echtzeitsuche mit Hadoop und Solr ECHTZEITSUCHE MIT HADOOP UND SOLR PETER DIKANT MGM TECHNOLOGY PARTNERS GMBH WHOAMI peter.dikant@mgm-tp.com Java Entwickler seit

Mehr

Die richtige Cloud für Ihr Unternehmen.

Die richtige Cloud für Ihr Unternehmen. Die richtige Cloud für Ihr Unternehmen. Das ist die Microsoft Cloud. Jedes einzelne Unternehmen ist einzigartig. Ob Gesundheitswesen oder Einzelhandel, Produktion oder Finanzwesen keine zwei Unternehmen

Mehr

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik ARFA ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik Ralf Leipner Domain Architect Analytics, Risk Management & Finance 33. Berner Architekten

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

Mehr

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik)

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik) Modulbeschrieb Business Intelligence and Analytics 16.10.2013 Seite 1/5 Modulcode Leitidee Art der Ausbildung Studiengang Modultyp W.WIINM42.13 Information ist eine derart wichtige Komponente bei der Entscheidungsfindung,

Mehr

Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns

Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns Pentaho ermöglicht Analyse der von den über 120 Millionen registrierten Spielern generierten Datenflut

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

Prof. Dr.-Ing. Rainer Schmidt 1

Prof. Dr.-Ing. Rainer Schmidt 1 Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

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

Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr.

Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr. Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr. Florian Johannsen AGENDA 1. Big Data Projekt der freenet Group Dr. Florian Johannsen

Mehr

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration June 2015 Automic Hadoop Agent Data Automation - Hadoop Integration + Aufbau der Hadoop Anbindung + Was ist eigentlich ist MapReduce? + Welches sind die Stärken von Hadoop + Welches sind die Schwächen

Mehr

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP

Copyr i g ht 2014, SAS Ins titut e Inc. All rights res er ve d. HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP HERZLICH WILLKOMMEN ZUR VERANSTALTUNG HADOOP AGENDA HADOOP 9:00 09:15 Das datengetriebene Unternehmen: Big Data Analytics mit SAS die digitale Transformation: Handlungsfelder für IT und Fachbereiche Big

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

PHP Kurs Online Kurs Analysten Programmierer Web PHP

PHP Kurs Online Kurs Analysten Programmierer Web PHP PHP Kurs Online Kurs Analysten Programmierer Web PHP Akademie Domani info@akademiedomani.de Allgemeines Programm des Kurses PHP Modul 1 - Einführung und Installation PHP-Umgebung Erste Lerneinheit Introduzione

Mehr

Bessere Daten durch Stammdatenmanagement

Bessere Daten durch Stammdatenmanagement make connections share ideas be inspired Bessere Daten durch Stammdatenmanagement Mit SAS MDM, bessere Stammdaten für operativen Systeme make connections share ideas be inspired Overview Mit SAS MDM bessere

Mehr

Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010

Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010 Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Information Governance Information Management

Mehr

dsmisi Storage Lars Henningsen General Storage

dsmisi Storage Lars Henningsen General Storage dsmisi Storage dsmisi MAGS Lars Henningsen General Storage dsmisi Storage Netzwerk Zugang C Zugang B Zugang A Scale-Out File System dsmisi Storage Netzwerk Zugang C Zugang B Zugang A benötigt NFS oder

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Was ist Application Lifecycle Management?

Was ist Application Lifecycle Management? Was ist Application Lifecycle Management? Von David Chappell Gefördert durch die Microsoft Corporation 2010 Chappell & Associates David Chappell: Was ist Application Lifecycle Management? Seite 2 von 7

Mehr

Der Java Server beinhaltet Container für EJB, Servlet und JSP, darüber hinaus unterstützt er diejee 1.3 Version.

Der Java Server beinhaltet Container für EJB, Servlet und JSP, darüber hinaus unterstützt er diejee 1.3 Version. hehuvlfkw Oracle 9iApplication Server (9iAS) fasst in einem einzigen integrierten Produkt alle Middleware-Funktionen zusammen, die bisher nur mit mehreren Produkten unterschiedlicher Anbieter erreicht

Mehr

Jump Project. Softwarelösungen für professionelles Projektmanagement

Jump Project. Softwarelösungen für professionelles Projektmanagement Jump Project Softwarelösungen für professionelles Projektmanagement Jump Project Office Übersichtliche Dokumentenstruktur und schneller Zugriff auf alle wichtigen Funktionen. Steuern Sie Ihre Projekte

Mehr

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

Verwaltung von Geräten, die nicht im Besitz des Unternehmens sind Ermöglich mobiles Arbeiten für Mitarbeiter von verschiedenen Standorten

Verwaltung von Geräten, die nicht im Besitz des Unternehmens sind Ermöglich mobiles Arbeiten für Mitarbeiter von verschiedenen Standorten Tivoli Endpoint Manager für mobile Geräte Die wichtigste Aufgabe für Administratoren ist es, IT-Ressourcen und -Dienstleistungen bereitzustellen, wann und wo sie benötigt werden. Die Frage ist, wie geht

Mehr

Test zur Bereitschaft für die Cloud

Test zur Bereitschaft für die Cloud Bericht zum EMC Test zur Bereitschaft für die Cloud Test zur Bereitschaft für die Cloud EMC VERTRAULICH NUR ZUR INTERNEN VERWENDUNG Testen Sie, ob Sie bereit sind für die Cloud Vielen Dank, dass Sie sich

Mehr

CA Clarity PPM. Übersicht. Nutzen. agility made possible

CA Clarity PPM. Übersicht. Nutzen. agility made possible PRODUKTBLATT CA Clarity PPM agility made possible CA Clarity Project & Portfolio Management (CA Clarity PPM) unterstützt Sie dabei, Innovationen flexibel zu realisieren, Ihr gesamtes Portfolio bedenkenlos

Mehr

Mit dem 6. Rundbrief gelange ich mit einem Update des Zeitservers an Alle.

Mit dem 6. Rundbrief gelange ich mit einem Update des Zeitservers an Alle. Rundbrief 6 Aktuelles aus der SAS Softwarewelt. 0.1 Zeit Server Update Werte Anwender Mit dem 6. Rundbrief gelange ich mit einem Update des Zeitservers an Alle. Das Update wurde aus Kompatibilitätsgründen

Mehr

!"#$"%&'()*$+()',!-+.'/',

!#$%&'()*$+()',!-+.'/', Soziotechnische Informationssysteme 5. Facebook, Google+ u.ä. Inhalte Historisches Relevanz Relevante Technologien Anwendungsarchitekturen 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3, Historisches Facebook

Mehr

Cloud Data Management

Cloud Data Management 1 Cloud Data Management Dr. Martin Grund 2 Die Evolution des Web Web 1.0: Entstehung des World Wide Web 1989 (CERN) Tim Berners-Lee. 1991 weltweite Verbreitung Navigation zwischen statischen Seiten Keine

Mehr

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden

Mehr

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" HANS-JOACHIM EDERT

WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN? HANS-JOACHIM EDERT WEBINAR@LUNCHTIME THEMA: SAS TOOLS FÜR DIE DATENVERARBEITUNG IN HADOOP ODER WIE REITET MAN ELEFANTEN?" Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. HANS-JOACHIM EDERT EBINAR@LUNCHTIME

Mehr

Teil VI. Datenbanken

Teil VI. Datenbanken Teil VI Datenbanken Überblick 1 Grundlegende Begriffe Motivation 2 Relationale Datenbanksysteme Das Relationale Datenmodell SQL 3 Entwurf von Datenbanken Das Enity Relationship (ER) Modell Abbildung von

Mehr

Oracle GridControl Tuning Pack. best Open Systems Day April 2010. Unterföhring. Marco Kühn best Systeme GmbH marco.kuehn@best.de

Oracle GridControl Tuning Pack. best Open Systems Day April 2010. Unterföhring. Marco Kühn best Systeme GmbH marco.kuehn@best.de Oracle GridControl Tuning Pack best Open Systems Day April 2010 Unterföhring Marco Kühn best Systeme GmbH marco.kuehn@best.de Agenda GridControl Overview Tuning Pack 4/26/10 Seite 2 Overview Grid Control

Mehr

Big Data Anwendungen Chancen und Risiken

Big Data Anwendungen Chancen und Risiken Big Data Anwendungen Chancen und Risiken Dr. Kurt Stockinger Studienleiter Data Science, Dozent für Informatik Zürcher Hochschule für Angewandte Wissenschaften Big Data Workshop Squeezing more out of Data

Mehr

Neue Ansätze der Softwarequalitätssicherung

Neue Ansätze der Softwarequalitätssicherung Neue Ansätze der Softwarequalitätssicherung Googles MapReduce-Framework für verteilte Berechnungen am Beispiel von Apache Hadoop Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik

Mehr

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

Mehr

Canon Business Services

Canon Business Services Canon Business Services Transforming Your Business Canon Business Services Die neue Dynamik des Kundenverhaltens führt zu Veränderungen in den Arbeitsweisen von Unternehmen und damit verändern sich auch

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

Ratgeber Integration von Big Data

Ratgeber Integration von Big Data SEPTEMBER 2013 Ratgeber Integration von Big Data Gesponsert von Inhalt Einführung 1 Herausforderungen der Big-Data-Integration: Neues und Altes 1 Voraussetzungen für die Big-Data-Integration 3 Bevorzugte

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

Mehr

Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien. Berlin, Mai 2013

Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien. Berlin, Mai 2013 Prozessoptimierung in der Markt- und Medienforschung bei der Deutschen Welle (DW) mit Big Data Technologien Berlin, Mai 2013 The unbelievable Machine Company? 06.05.13 The unbelievable Machine Company

Mehr

Einführung in Hadoop

Einführung in Hadoop Einführung in Hadoop Inhalt / Lern-Ziele Übersicht: Basis-Architektur von Hadoop Einführung in HDFS Einführung in MapReduce Ausblick: Hadoop Ökosystem Optimierungen Versionen 10.02.2012 Prof. Dr. Christian

Mehr

ROPit-R8. ROP-IRMA & ROP-FiBu TECHNISCHE INFORMATIONEN

ROPit-R8. ROP-IRMA & ROP-FiBu TECHNISCHE INFORMATIONEN ROPit-R8 ROP-IRMA & ROP-FiBu TECHNISCHE INFORMATIONEN Softwarelösung Gastronomie Event-Management Catering Gemeinschaftsverpflegung Stand 05/2010 INHALT Installationsvarianten 3 ROPit R8 als Einzelplatzlösung

Mehr

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2 Seminar Cloud Data Management WS09/10 Tabelle1 Tabelle2 1 Einführung DBMS in der Cloud Vergleich verschiedener DBMS Beispiele Microsoft Azure Amazon RDS Amazon EC2 Relational Databases AMIs Was gibt es

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

Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC. Alexander Scholz

Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC. Alexander Scholz Hochverfügbar und Skalierung mit und ohne RAC Szenarien zu Hochverfügbarkeit und Skalierung mit und ohne Oracle RAC Alexander Scholz Copyright its-people Alexander Scholz 1 Einleitung Hochverfügbarkeit

Mehr

Collaborative Virtual Environments

Collaborative Virtual Environments Collaborative Virtual Environments Stefan Lücking Projektgruppe Kreativität und Technik AG Domik WS 02/03 09.01.2003 1/35 Was sind CVE? Versuch einer Definition : Ein CVE ist ein Programm, das eine virtuelle

Mehr

Industrie 4.0 und Smart Data

Industrie 4.0 und Smart Data Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen

Mehr

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit Big Data und Business Analytics für Kunden und Unternehmen Umfangreiche und ständig anwachsende Datenvolumen verändern die Art und Weise, wie in zahlreichen Branchen Geschäfte abgewickelt werden. Da immer

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

OLAP und der MS SQL Server

OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

Tech-Clarity Perspective: Best Practices für die Konstruktionsdatenverwaltung

Tech-Clarity Perspective: Best Practices für die Konstruktionsdatenverwaltung Tech-Clarity Perspective: Best Practices für die Konstruktionsdatenverwaltung Wie effektive Datenmanagement- Grundlagen die Entwicklung erstklassiger Produkte ermöglichen Tech-Clarity, Inc. 2012 Inhalt

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

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung

Mehr

Business Analytics verbessert die Wertschöpfungskette

Business Analytics verbessert die Wertschöpfungskette Pressemitteilung Hamburg, 05. September 2013 Business Analytics verbessert die Wertschöpfungskette accantec zeigt auf dem SAS Forum in Mannheim vom 11.- 12.09.2013, wie Unternehmen mit SAS Visual Analytics

Mehr

Produktinformation eevolution OLAP

Produktinformation eevolution OLAP Produktinformation eevolution OLAP Was ist OLAP? Der Begriff OLAP steht für Kurz gesagt: eevolution -OLAP ist die Data Warehouse Lösung für eevolution. Auf Basis verschiedener

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

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

Trends im Markt für Business Intelligence. Patrick Keller, Senior Analyst & Prokurist CeBIT 2016

Trends im Markt für Business Intelligence. Patrick Keller, Senior Analyst & Prokurist CeBIT 2016 Trends im Markt für Business Intelligence Patrick Keller, Senior Analyst & Prokurist CeBIT 2016 18.03.2016 BARC 2016 2 IT Meta-Trends 2016 Digitalisierung Consumerization Agilität Sicherheit und Datenschutz

Mehr

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren

Mehr

SQL Server 2012 und SharePoint im Unternehmenseinsatz. Referent Daniel Caesar

SQL Server 2012 und SharePoint im Unternehmenseinsatz. Referent Daniel Caesar SQL Server 2012 und SharePoint im Unternehmenseinsatz Referent Daniel Caesar sqlxpert Daniel Caesar Publikationen Themen SQL Server Admin, Entwicklung SharePoint Admin, Entwicklung.NET Entwicklung Rechtssichere

Mehr

System Center Essentials 2010

System Center Essentials 2010 System Center Essentials 2010 Microsoft System Center Essentials 2010 (Essentials 2010) ist eine neue Verwaltungslösung aus der System Center-Produktfamilie, die speziell für mittelständische Unternehmen

Mehr

Operational Big Data effektiv nutzen TIBCO LogLogic. Martin Ulmer, Tibco LogLogic Deutschland

Operational Big Data effektiv nutzen TIBCO LogLogic. Martin Ulmer, Tibco LogLogic Deutschland Operational Big Data effektiv nutzen TIBCO LogLogic Martin Ulmer, Tibco LogLogic Deutschland LOGS HINTERLASSEN SPUREN? Wer hat wann was gemacht Halten wir interne und externe IT Richtlinien ein Ist die

Mehr

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM Datenreorganisation > Effiziente und performante Stammdatenreorganisation mit SAP Data Services < Simon Hartstein / T-Systems Data Migration Consulting AG / Harmonization & Consolidation Mai 21, 2014 Agenda

Mehr

Business Intelligence mit MS SharePoint Server

Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server erleichtert es den Entscheidungsträgern, auf Informationen jederzeit

Mehr

Microsoft Solutions Framework. Daniel Dengler CN7. Unterschied MSF - MOF Microsoft Solutions Framework

Microsoft Solutions Framework. Daniel Dengler CN7. Unterschied MSF - MOF Microsoft Solutions Framework Einführung MSF MOF Microsoft Solutions Framework Microsoft Operations Framework Daniel Dengler CN7 Agenda Unterschied MSF - MOF Microsoft Solutions Framework Elementare Komponenten grundlegende Richtlinien

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit

Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit make connections share ideas be inspired Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit Artur Eigenseher, SAS Deutschland Herausforderungen SAS Umgebungen sind in

Mehr

Business Intelligence Governance

Business Intelligence Governance Business Intelligence Governance von der Vision zur Realität im Unternehmensalltag Webinar September 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das intelligente Unternehmen

Mehr

Check_MK. 11. Juni 2013

Check_MK. 11. Juni 2013 Check_MK 11. Juni 2013 Unsere Vision IT-Monitoring muss werden: 1. einfach 2. performant 2 / 25 Was macht IT-Monitoring? IT-Monitoring: Aktives Überwachen von Zuständen Verarbeiten von Fehlermeldungen

Mehr

OPNET s Application Response Expert (ARX)

OPNET s Application Response Expert (ARX) OPNET s Application Response Expert (ARX) Root Cause Analyse und End2End Monitoring für Web Anwendungen Summary Werden im IT Betrieb Probleme durch die Anwender gemeldet, müssen schnell Informationen aus

Mehr

DB2 Express: IBM Data Management Angebot für kleine und mittelständische Unternehmen

DB2 Express: IBM Data Management Angebot für kleine und mittelständische Unternehmen IBM Software Group DB2 Express: IBM Data Management Angebot für kleine und mittelständische Unternehmen IBM Data Management CEBIT 2003 IBM ist der führende Datenbankanbieter Kundenakzeptanz fördert Wachstum

Mehr

Eine native 100%ige Cloud-Lösung.

Eine native 100%ige Cloud-Lösung. Eine native 100%ige Cloud-Lösung. Flexibel. Skalierbar. Sicher. Verlässlich. Autotask Endpoint Management bietet Ihnen entscheidende geschäftliche Vorteile. Hier sind fünf davon. Autotask Endpoint Management

Mehr