BARC M1: Trends im Data Warehousing und Datenmanagement

Größe: px
Ab Seite anzeigen:

Download "BARC M1: Trends im Data Warehousing und Datenmanagement"

Transkript

1 BARC M1: Trends im Data Warehousing und Datenmanagement München, 17. Juni 2013 Otto Görlich, Timm Grosser, Lars Iffert BARC

2 Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität Würzburg (Prof. Thome) 1999: Spin-Off als eigenständiges Analystenhaus (BARC GmbH) 2005: Internationalisierung 2011: Fusion mit CXP zu einer Unternehmensgruppe (80 Mitarbeiter, davon 40 Analysten) BARC Heute 35 Mitarbeiter, davon 15 Analysten & Berater über 1200 Kunden jährlich Themen: Business Intelligence, Datenmanagement, Enterprise Content Management, IT Service Management, ERP, CRM, HR Standorte: Würzburg, Zürich, Wien, London, Paris BARC

3 Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen, basierend auf eigenem IT-Anwender-Panel The BI Survey 13 Datenqualitätsmanagement Planung und Budgetierung in Europa etc. Marktforschungsstudien Produktvergleichsstudien Business Intelligence Datenmanagement Enterprise Content Management IT Service Management Veranstaltungen Tagungen - LIVE-Demos von Software-Lösungen Seminare und individuelle Workshops Webinare zu unterschiedlichen Themenschwerpunkten Online Demos auf Consulting Individuelle Unterstützung für Strategie, Architektur und Software-Auswahl Unabhängige Beratung in den Bereichen BI, Data Warehousing und Datenintegration, ECM, IT Service Management, ERP, CRM BARC

4 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

5 Die Krise hat Anforderungen an BI verändert Kurzfristig verfügbare Transparenz und Frühindikatoren Prozessorientierte Auswertungen Planung und Simulation Dezentrale Flexibilität - Umsetzungsgeschwindigkeit für Änderungen BARC

6 Angebot Nachfrage IT-Lösungsangebot Consumerization Heutige Angebotsentwicklung Private und betriebliche Nutzung von IT verschwimmt Historische Angebotsentwicklung Anwendererwartungen wachsen rapide Anwendermacht ebenso Unternehmen Konsument Bild in Anlehnung an: BARC

7 Anwender fordern frischere Daten zur Entscheidungsunterstützung % aller Daten Aktualisierungszyklen werden heterogener Aktualisierungszyklen verkürzen sich real time mehrmals am Tag Schätzung BARC 2008 täglich monatlich jährlich Aktualisierungszyklus BARC

8 Echtzeit-Daten Wie viel Prozent der Daten werden in welchem Zeitintervall zur Verfügung gestellt? < 5 Sekunden < 1 Minute < 1 Stunde Einmal am Tag Einmal in der Woche Einmal im Monat 4% 10% 4% 7% 6% 9% 13% 9% 27% 24% 45% 40% BARC Big Data Survey 2013 n = 160 0% 20% 40% 60% Heute Geplant BARC

9 Status quo Agiles BI stellt besondere Flexibilitäts- und Skalierbarkeitsanforderungen an das Datenmanagement, die durch die hohe Komplexität in den historisch gewachsenen Analytischen Systemen nur mit hohem Aufwand und hoher Latenz umgesetzt werden können BARC

10 Dezentrale Flexibilität durch Self Service BI Self Service BI Modifikation von Berichten und Dashboards Erzeugung von Berichten und Dashboards ad-hoc Integration privater, lokaler Daten Modifikation und Erzeugung von Datenmodellen Data Stewardship (Verbesserung Datenqualität) Data Governance BARC

11 Dezentrale Flexibilität durch Sandboxing BI Services BI Sandbox Data Mart Data Mart Data Mart DP Services Data Warehouse Ind. copy DP Sandbox IQ Services IQ Sandbox OLTP BARC

12 Status quo Agiles BI stellt besondere Flexibilitäts- und Skalierbarkeitsanforderungen an das Datenmanagement, die durch die hohe Komplexität in den historisch gewachsenen Analytischen Systemen nur mit hohem Aufwand und hoher Latenz umgesetzt werden können BARC

13 Datenwachstum Wie stark wachsen die für Berichtswesen und Analyse bereitgestellten Daten im Unternehmen pro Jahr? % 66% 19% 7% % 54% 35% 8% % 48% 36% 13% 0% 20% 40% 60% 80% 100% Negatives / Kein Wachstum Leicht wachsend (1-25%) Stark wachsend (25%-50%) Sehr stark wachsend (>50%) n = BARC

14 Verwendete Daten Welche Daten nutzen Sie für die Analyse? Transaktionsdaten 70% 20% 10% Logs 55% 30% 15% Sensorik 44% 31% 24% Unstrukturierte Daten (Dokumente, Video, Bild) 40% 29% 32% Social-Media-Daten 14% 50% 36% 0% 20% 40% 60% 80% 100% Im Einsatz Geplant Nicht geplant Q: BARC Big Data Survey Europe, n = BARC

15 Höhere Anwenderzahlen Höhere Komplexität der klassischen BI-Infrastrukturen Größere Datenmengen Höhere Anwenderzahlen BARC

16 Höhere Abfragekomplexität Höhere Komplexität der klassischen BI-Infrastrukturen Größere Datenmengen Höhere Anwenderzahlen Höhere Abfragekomplexität Traditionelle BI-Anwendungen Dashboards Standard- Reporting Ad hoc Reporting Analyse Data Mining Planung Wir wollen nicht mehr nur Reporting machen BARC

17 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

18 Wesentliche Treiber für Data Governance Prüfung und Umsetzung von Big Data Initiativen Antworten finden auf die wachsenden Flexibilitätsanforderungen aus den Fachbereichen Sicherstellung der Datenqualität & Steigerung der Vertrauenswürdigkeit von Daten Sicherstellung der Skalierbarkeit Erfüllung und Einhaltung von gesetzlichen Vorschriften Einhaltung des Datenschutz BARC

19 Hauptprobleme in BI-Projekten Keine nennenswerte Probleme 32% Abfragegeschwindigkeit zu langsam Fehlendes Interesse der Nutzer Schlechte Datenqualität Unternehmenspolitik Uneinigkeit über Anforderungen Administrative Probleme Anforderungen änderten sich 17% 15% 15% 14% 13% 12% 12% Was sind die schwerwiegendsten Probleme, die bei der Nutzung von BI auftreten? Schlechte Data Governance Software ist nicht flexibel genug Unzuverlässige Software Daten aus einigen Vorsystemen nicht übernehmbar Fehlende Schlüsselfunktionen Softwarebedienung zu schwierig 9% 9% 8% 7% 6% 6% Zu große Datenvolumen für Produkt 4% Sicherheitbeschränkungen im Produkt 3% Quelle: BARC BI Survey 12 Zu große Nutzerzahlen für Produkt 2% (Oktober 2012), n= % 20% 40% BARC

20 Data Governance (Datensteuerung) entspricht in Summe den Menschen, Prozessen und Technologien, die zur Verwaltung und zum Schutz des Datenkapitals des Unternehmens benötigt werden, um allgemein verständliche, korrekte, vollständige, vertrauenswürdige, sichere und auffindbare Unternehmensdaten garantieren zu können BARC

21 Nutzen einer Data Governance Bessere Entscheidungsunterstützung durch unternehmensweit abgestimmte Daten und Prozesse Erhöhung der Skalierbarkeit der IT-Landschaft durch klare Regeln Optimierung der Datenverwaltungskosten (zunehmend wichtig im Zeitalter explodierender Datenmengen) Steigerung der Effizienz durch Nutzung von Synergieeffekten Höheres Vertrauen in Daten durch qualitätsgesicherte und zertifizierte Daten sowie eine durchgängige Dokumentation der Datenprozesse, Erfüllung von Compliance Richtlinien, wie bspw. Basel III, Solvency II, u.a., Sicherheit für interne und externe Daten durch Überwachung und Prüfung der Datenschutzrichtlinien Steigerung der Prozesseffizienz durch Standardprozesse Klare Verantwortung und transparente Kommunikation BARC

22 Herausforderungen bei der Einführung einer Data Governance Politik & Menschen Kommunikation Budgets & Stakeholder Standardisierung vs. Flexibilität BARC

23 Marktsegmentierung: Werkzeuge zur Unterstützung von Data Governance Initiativen Data Governance Metadatenmanagement Datenqualitätsmanagement Stammdatenmanagement Datenintegration Datenmodellierung BARC

24 Erkenntnis Data Governance ist Voraussetzung für die erfolgreiche Nutzung von Daten. Wer Data Govnernance nicht beachtet handelt grob fahrlässig und verbaut Potentiale. Data Governance Projekte sind richtig aufgesetzt keine unbeherrschbaren, hoch-komplexen Projekte BARC

25 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

26 Big Data verkörpert neue Daten Merkmale erzeugt vom heutigen digitalisierten Marktplatz Eigenschaften von Big Data Volume Variety Velocity Daten in großen Mengen Terabytes bis Petabytes von Daten Daten in vielen Formen Strukturierte, polystrukturierte, Text, Multimedia Daten Daten in Bewegung Analyse von Datenströmen für Entscheidungen in Sekundenbruchteilen Veracity Daten Verlässlichkeit Management der Zuverlässigkeit und Berechenbarkeit von inhärent ungenauen Datentypen BARC

27 Die andersartigen, zusätzlichen (riesigen) Daten(mengen) und die technischen und wirtschaftlichen Verarbeitungsmöglichkeiten eröffnen ein neues IT-Modell: contextual computing Smartphones, Browser, Apps, etc. erzeugen eine riesige Menge an Daten über Nutzer und Kunden Menschen tauschen in sozialen Netzwerken (frei) Meinungen, Wissen, Bedürfnisse und ihre Absichten aus Open Data und Open API ermöglichen den Durchbruch im Hinblick auf Zugang und Integration Semantik-Technologie wie RDF ermöglichen automatisierte Datenverwertung und -aufnahme Neue Datenbanken zur Speicherung und web-scale Verarbeitung kontextabhängiger Informationen Advanced Analytics erschließen (automatisiert) Zusammenhänge für weitreichende Analyse und Prognosemöglichkeiten Watson-style Beratung mithilfe großer Speicher und kontextabhängiger Daten Mehrwert und konkretere Sichten durch lern- und anpassungsfähige Interaktionen und Visualisierungen BARC

28 Big Data macht nicht alles neu, sondern ergänzt bekannte Konzepte Traditioneller Ansatz Strukturiert, analytisch, logisch Neuer Ansatz kreativ, ganzheitlich, intuitiv Transaction Data Data Warehouse Hadoop Streams Web Logs Internal App. Data Strukturiert Mainframe Data Wiederholbar Linear OLTP Systems Data Enterprise Data Integration Social Data Unstrukturiert Erforschend Text Data, s Iterativ Sensor Data, Images ERP Sytems Data Traditional Sources New Sources RFID BARC

29 Events / Streams Social Media Multimedia Documents (unstructured) Data at Rest Packages Big Data ergänzt das traditionelle DWH um Daten- und Analyse-Typen sowie weitere Dimensionen Produce Collect Integrate Provide Calculate Analyse Consume Orders, Lieferanten, Warenwirtschaft, CRM, etc. Traditionelles DWH Big Data Extract / Import Integrate/Cleanse/ De-duplicate Customer Master Data Map Enterprise DWH Reduce Cube Data Mart Data Mining & Statistics Optimization & Simulation Semantic Analysis Operational Analytics Business Analytics Predictive Analytics Analytics on Data at Rest Extract / Import Shuffle / Transform Fuzzy Comparison Calculation Networks Business Rules Real Time Analytics Event detection Capture real-time data Visualization Discovery Alle verfügbaren Daten Big Data Governance BARC

30 Events / Streams Social Media Multimedia Documents (unstructured) Enterprise Query Layer Orders, Lieferanten, Warenwirtschaft, CRM, etc. Das Big Data Zielbild bietet den Fachbereichen end-to-end Analyse- Möglichkeiten und Transparenz der zugrundeliegenden Technologie Produce Collect Integrate Provide Calculate Analyse Consume Enterprise DWH Cube Operational Analytics Integrate/Cleanse/ De-duplicate Customer Master Data Data Mart Business Analytics Data Mining & Statistics Predictive Analytics Map Reduce Optimization & Simulation Semantic Analysis Analytics on Data at Rest Extract / Import Event detection Shuffle / Transform Fuzzy Comparison Business Rules Calculation Networks Real Time Analytics Visualization Discovery Capture real-time data Enterprise Data Hub Big Data Governance Analytics Platform Analytics Portal BARC

31 Fehlannahmen über Big Data Big Data ist in erster Linie große Datenmengen Wir müssen alle älteren Systemen in der neuen Welt von Big Data ersetzen "Big Data ist nur Hadoop oder Open Source "Ältere Transaktionsdaten spielen keine Rolle mehr "Data Warehouses sind eine Sache der Vergangenheit "Big Data ist für die Internet-versierten Unternehmen. Traditionelle Unternehmen sind immun "Wir haben nicht die Notwendigkeit oder das Budget oder entsprechende Fähigkeiten, also interessiert es uns auch nicht "Big Data erfordert viele Data Scientists für Codierung und Betrieb" BARC

32 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

33 Was ist eine Analytische Datenbank - was macht eine DWH Appliance aus? Analytische Datenbank (SW-only oder DWH Appliance) DBMS mit besonderer Eignung (Architektur, Arbeitsweise, Funktionen) für Analytik, was vor allem durch Abfrage- Eigenschaften bestimmt wird Vorkonfigurierte HW/SW-Pakete zur Sicherstellung eines ausgewogenen Systems und einfachem Betrieb (DWH) Appliance BARC

34 Key Points Marktentwicklung Analytische Datenbanken Die Komplexität analytischer Infrastrukturen wächst Anwender fürchten Anforderungen mit traditionellen Datenbanken nicht mehr effizient umsetzen zu können. Deutliche Sichtbarkeitsschwelle für analytische Datenbanken vor 10 Jahren. Neue Lösungsangebote sorgen für steigende Marktdynamik. Datenbankhersteller kommen und gehen. Etablierte Anbieter ziehen nach durch Aufkäufe und/oder Eigenentwicklungen. Einsatz von analytischen Datenbanken auf dem DACH Markt eher zurückhaltend. Vertrauen wird vor allem einheimischen neuen Anbietern geschenkt. Nachwievor stark vorne liegen die etablierten DB Anbieter IBM, Oracle und Teradata. Traditionelle Anbieter rüsten Bestandskunden auf, haben einen schwachen Neukundengewinn BARC

35 Dritte Generation der Datenbank-Technologie 1. Generation DBMS: Proprietäre DBMS wie IMS, IDMS, Datacom 2. Generation DBMS: RDBMS für offene Systeme hängen von Disk Layout ab, Begrenzungen bzgl. Skalierbarkeit und Disk I/O 3. Generation DBMS: Die meisten Data Warehouse Datenbanken werden einen Column Store verwenden Die meisten (OLTP) Datenbanken werden entweder durch eine In-Memory-Datenbank ergänzt werden, oder selbst vollständig im Hauptspeicher liegen Die meisten Datenbank Server für große Systeme werden horizontale Skalierbarkeit durch Clustering erreichen Analytische Datenbanken BARC

36 Trends im Markt analytischer Datenbanken Technologische Innovationen Hardware Speicherformen für analytische Datenbanken Speicherorte für analytische Datenbanken Lieferformen für analytische Datenbanken Prozessoren Speicher(-hierarchie) Software Relational, zeilenorientiert Relational, spaltenorientiert Festplatte Solid State Disks Software Appliance Verschiedene Ausprägungen Speicherform Speicherort Lieferform Architektur Multidimensional Sonstige (Objekt-relational, Assoziativ, Datei, Streaming) Single-Node SMP SMP-Cluster RAM Prozessor-Cache optimiert Architekturen SMP- 2tierCluster Cluster MPP-symetr. Data as a Service MPP-asymetr. Einer für alles versus aufgabenspezifisch optimiert BARC

37 Architekturprinzipien und Designansätze optimiert für die Analyse Skalierbarkeit ist die Fähigkeit die Leistung durch hinzufügen von Ressourcen zu steigern Optimal: 100% mehr Ressourcen führen zu 100% mehr Leistung Gut ist auch schon eine Steigerung der Leistung von > 80% In der Vergangenheit konnte Leistungssteigerung auch durch schnellere Systemkomponenten erreicht werden Dies ist heute fast nicht mehr möglich, weil einzelne Bauteile nicht mehr deutlich schneller werden (z.b. CPUs) sondern nur die Anzahl erhöht werden kann Operationen müssen also zusätzliche Ressourcen nutzen, was eine entsprechende Architektur erfordert Voraussetzung für Skalierbarkeit ist somit die Parallelisierung Essentiell für die Skalierbarkeit ist die Vermeidung von sequentieller Verarbeitung und die Reduktion von Abhängigkeiten BARC

38 Parallele Query Verarbeitung 46 select sum(x) from table_a,table_b where a = b connect Sum Join Optimize Coord Get statistics Read A Read B sum( ) Catalog sum=10 sum=12 sum=13 sum=11 Agent Agent Agent Agent Sum Sum Join Join Join A B A B A B Part1 Part2 Part3 PartN Sum Sum Join A B table_a table_b BARC

39 Funktionen analytisch optimierter Technologien: Zusammenfassung der Trends Hohe Kompression Notwendig, da RAM der limitierende Faktor ist. Zeilen & spaltenbasierte Speicherung Zeilenformat für transaktionale Workloads und spaltenformat bei Datenzugriffen für OLAP Queries. Multi-Core und Vector optimierte Algorithmen Vermeidung von Locks oder Synchronisation. Ausnutzen von speziellen HW Features In-Memory Datenbanken Datenbanktechnologie der 3. Generation vermeidet (Disk) I/O. Kompression und spezielle Technologien erlauben auch große Datenbanken im Memory zu halten. Prädikat-Evaluierung mit komprimierten Daten Verarbeitung (Scans und Evaluierung) der Daten in komprimiertem Format Frequency Partitioning Voraussetzung für den effektiven parallelen Zugriff auf die komprimierten Daten mit horizontaler und vertikaler Eliminierung von Datenpartitionen. Massive Parallelität Alle Prozessor-Cores werden für Queries genutzt. MPP und shared nothing Architekturen BARC

40 Vieles ist nicht mehr notwendig: Keine Indexkreierung- und pflege Keine materialisierte View-Verwaltung Keine Aggregate und Summaries Keine Statistikverwaltung Keine Storage-Allokation Keine Anwendungsänderungen Fazit: der Einsatz einer analytischen Datenbank verbessert die Performance, vereinfacht die Administration und senkt die Betriebskosten BARC

41 Marktübersicht Analytische Datenbanken Anbieter/DB-Engine Speicherstelle Lieferform Speichertyp Architektur Disk (HDD/SSD) In- Memory (RAM) Software Appliance DaaS Column Row SMP MPP Actian Vectorwise x x x (x) x Calpont InfiniDB x x x x x x EMC Greenplum x x x x x x A Exasol ExaSolution x x x x x x x S HP Vertica Analytics Platform x x x x x (x) x S IBM DB2 (PureData Op. Analytics) x x x x x S IBM Netezza (PureData Analytics) x x x x A InfoBright x x x Kognitio WX2 (x) x x x x x x S Microsoft SQL Server / PDW x x x x x C x Oracle Database / Exadata x x x (x) x 2TC ParAccel Analytic Platform x x x x x x x ParStream x x x x x x SAND Analytics Server x x x x x x SAP HANA (x) x x x (X) x S Sybase IQ x x x C Teradata x x x x x S Teradata Aster Database x x x x x x x S Auszug BARC-Studie Analytische Datenbanken 2013 X= ja C=SMP Cluster 2TC=2-tier-Cluster S=symetrisch A=asymetrisch BARC

42 Auszug aus der BARC Studie Analytische Datenbanken (Bewertung) Anbieter und Produkt 5 Flexibilität 4 3 Abfrage-Fähigkeiten 2 1 Gesamtkosten 0 Pflege-Fähigkeiten Anbieter und Produkt 5 Flexibilität 4 3 Abfrage-Fähigkeiten Umsetzungseffizienz Mixed Workloads 2 1 Hochverfügbarkeit Gesamtkosten 0 Pflege-Fähigkeiten Actian Hersteller Vectorwise x v2.5 Durchschnitt Umsetzungseffizienz Mixed Workloads Hochverfügbarkeit IBM Hersteller DB2 v10/isas/puredata y for op. Analytics Durchschnitt BARC

43 BARC-Bundle: Analytische Datenbanken Schnelle Analysen, einfacher Betrieb, niedrige Kosten noch Wunsch oder schon Wirklichkeit? Bestandteile: - Aktuelle Markttrends, -übersicht und klassifizierung der ADB-Technologien - Analystenkommentare zu Einsatz, Nutzen und Potential von ADBs - Vergleichende funktionale Bewertung relevanter ADBS anhand Stärken- Schwächen-Analysen - Beschreibung der Datenbank-Leistungsfähigkeit anhand von bestmöglichen Einsatzszenarien für jede analysierte Datenbank - PPT-Grafiken für Ihre Präsentationen - Eintägiges Seminar zur Vertiefung und Beantwortung individueller Fragen und Beschleunigung der Umsetzung des Themas in Ihrem Unternehmen BARC

44 Exkurs In-Memory: Entwicklung Preis-/Nutzen der Hardware BARC

45 In-Memory Datenbanken (IMDB) - Charakteristika Daten befinden sich permanent im Hauptspeicher Hauptspeicher ist die primäre "Persistenz Immer noch: Logging auf die Festplatte / Recovery von der Festplatte Der Zugriff auf den Hauptspeicher ist der neue Engpass Cache - bewusste Algorithmen / Datenstrukturen sind entscheidend (Lokalität ist wichtig) Nutzung von Prozessor Features (Vector Instruktionen, SIMD) Spaltenbasierte Datenspeicherung mit hohem Komprimierungsfaktor (Memory ist der limitierende Faktor) (Teilweise) Verarbeitung der Daten in komprimierter Form spart Rechenleistung Hauptspeicher optimierte Algorithmen und Verarbeitung BARC

46 In-Memory Datenbank - Beispiele EXASOL EXASolution IMDB für analytsche Anwendungen IBM DB2 mit In-Memory Erweiterung BLU Hybride Datenspeicherung (klassisch und In-Memory) für OLTP und analytische Anwendungen DB2 with BLU Acceleration Runtime Classic DB2 runtime Classic DMS (non-blu tables) CPUs with SIMD BLU runtime BLU DMS (BLU tables) Classic DB2 bufferpool SAP HANA IMDB für analytische und OLTP Anwendungen Storage classic row structured table C1 C2 C3 C4 C5 C6 C7 C8 compressed, encoded columnar C1 C2 C3 C4 C5 C6 C7 C BARC

47 BARC-Coaching-Paket: SAP HANA Erhalten sie einen realistischen Einblick in die Chancen und Herausforderungen des Einsatzes von SAP HANA und der Alternativen für Ihr Unternehmen! Bestandteile: - Workshop - Übersicht BI mit SAP - Vergleich Leistungsfähigkeit - Positionierung in der BI-Landschaft Herausforderungen und Potentiale - Projekterfahrungen und Fallbeispiele - Technik, Markttrend, Benchmarks, Best Practices - Individuelle Gestaltung nach Ihren Wünschen - BARC-Studie Analytische Datenbanken - Unabhängige Bewertung aller marktführenden Produkte und interessante Neueinsteiger - Ein einheitlicher Kriterienkatalog sorgt für Transparenz und Vergleichbarkeit - Research Service BI Manager - 6 Monate Zugriff auf weitere wertvolle Informationsquellen - Monatliche Research Notes zu aktuellen Themen - Marktanalysen und Hintergrundbeiträge - Kostenfreie Teilnahme an BARC-Tagungen BARC

48 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

49 Die vier Kernsätze für Data Warehousing formuliert in den 90er Jahren Operative und dispositive Umgebungen sollten sowohl aus Geschäfts- als auch aus technischen Gründen getrennt werden Ein Data Warehouse ist der einzige Weg, um eine zuverlässige, integrierte Sicht auf das Unternehmen zu erhalten Das Data Warehouse ist die einzig mögliche Instanziierung des vollständigen Unternehmens-Datenmodells Eine mehrschichtige Data Warehouse Architektur ist notwendig für die schnelle und zuverlässige Abfrage-Performance BARC

50 Herausforderungen im Umgang mit Daten und Informationen Quelle: BARC Data Warehousing 2011 Survey BARC

51 Aberdeen Study: Best-In-Class Data Management for BI 216 global organizations Significant trends in high performing companies Best in class are twice as likely to use MDM as all other companies 1.8 times more likely to have data cleansing capabilities 2.2 times more likely to have the ability to optimize queries Competitive maturity assessment showed Average of 39 days average time to integrate new data sources versus 8.9 months for laggards Average 60 percent decrease in time to information compared to 10 percent for laggards Average 81 percent of analytical employees have access to BI whereas laggards have only 23 percent Outstanding companies had an 18 percent average year-over-year profit margin increase, compared to the 12 percent industry average Source: Data Management for BI: Strategies for leveraging the Complexity and Growth of Business Data, Aberdeen Group, BARC

52 DWH-Architektur Das geschichtete Data Warehouse seit den frühen 90er Jahren Business Intelligence Services Monitoring Reporting Ad-hoc Analysis Management Services Planning Legal Consolidation Advanced Analysis Visualization Collaboration Business Layer, Data Marts Layer, Access Layer,... Wichtige Annahme: separate Semantic Layer Data Marts Data Provisioning Services benötigt, um Core Leistungseinschränkungen Data Warehouse Layer von Caching Relational Data Dimensional Federation/ relationalen Datenbanken zu überwinden Storage Data Storage Virtual Data Stores Integration & Quality Services Staging Layer, ODS, Near Real-Time Data,... System & Process Monitoring Data Modeling Meta Data Mgt. Security Automation Data Quality Data Integration Enrichment Master Data BARC

53 ERP SCM CRM Strukturierte Geschäftsdaten Externe Systeme DWH-Architektur Das geschichtete Data Warehouse seit den frühen 90er Jahren ETL (batch) Enterprise BI/DWH Lösung Staging (EDW) Komplexe Business Rules Star Schemas Komplexe Business Rules + Abhängigkeiten System of Record (EDW) Staging + Historie Conformed Dimensions Lookup Tables Hierarchien Fact Tables 65

54 Dashboards ERP SCM CRM Strukturierte Geschäftsdaten Standard- Reporting Ad hoc Reporting Analyse Externe Systeme Data Mining Planung Fortgeschrittene DWH-Architektur für Self Service BI, reduzierten Datenintegrationsaufwand, höhere Flexibiliät ETL (batch, continuous ingest,) Enterprise BI/DWH Lösung Star Schemas on demand Staging EDW Advanced Analytics ETL (batch, continuous ingest,) Komplexe Business Rules Report Collections Fundamentale Ziele wiederholbar konsistent Fehlertolerant skalierbar auditable Die business rules sind näher zu den Fachbereichen verlegt Verbesserte Reaktionszeiten in der IT Reduzierte Kosten und minimierte Beeinflussung des Enterprise Data Warehouse (EDW) 66

55 Fortgeschtrittene DWH-Architektur: Verbesserungen der Flexibilität, Abfrageperformance und Datenaktualität Business Intelligence Services Monitoring Reporting Verbesserte Abfrage Performance durch Ad-hoc Nutzung Analysis neuer Technologien Management Services Planning Legal Consolidation Advanced Analysis Visualization Collaboration System & Process Monitoring Data Provisioning Services Relational Data Storage Dimensional Data Storage Semantic Layer Federation/ Virtual Data Stores Datenbank Performance Caching Data Modeling Meta Data Mgt. Security Integration & Quality Services Data Quality Data Integration Enrichment Verbesserte Pflege Performance durch Vereinfachung der DI Strecken Master Data Automation BARC

56 Fortgeschrittene Data-Warehouse-Architektur: Zielbild Enterprise Query Layer/Daten Virtualisierung Logisches Data Warehouse Streaming/ Event Data Historical Reporting Data Core Business Data Business Analysis Data Multistructured Data Etc. Etc. Metadata Datenakquise und Integration ERP SCM CRM Externe Systeme Sensor-Daten Web Logs Social Media Dokumente Strukturierte Geschäftsdaten Maschinengeneriert (strukt.) Mensch generiert (polystr.) Integrierte Strukturen Säulen anstatt Schichten Daten über Säulen hinweg gemeinsam genutzt Gespeichert & Streaming RDBMS und nicht-relational per Verarbeitungsanforderung Metadaten (& Modelle) über die Säulen hinweg genutzt BARC

57 Trend zur gemischten BI/DWH-Topologie Data Sources Beispiele Event Data CRM Internet / Social Media ERP Data Integration Big Data Processing Real-time Analytics Traditional, centralized Enterprise Data Warehouse Queryable Archive IBM Logical Data Warehouse Architecture Teradata Analytic Eco-System Microsoft Distributed Data Warehouse Architecture External Sources Operational Analytics BI + Ad Hoc Analytics Q: IBM Data Governance, Security and Lifecycle Management Departmental Reporting Regional Reporting Central EDW Hub High-Performance Reporting Q: Teradata Landing Zone Q: Microsoft ETL Tools 69

58 Finales Beispiel: ebay-bi-umgebung (Mitte 2012) Tom Fastner, Sr. MTS APD Architecture, ebay 70

59 Schlussfolgerung: Big Data erweitert BI auf eine neue Ebene Jenseits des Hype, Big Data ist Mainstream und bietet neue Geschäftsmöglichkeiten in der Analytik- und Prozessinnovation Hadoop und zugehörige Tools sind eine (Entwicklungs) Umgebung die für Analytik und Datenaufbereitung geeignet ist Der Einsatz einer analytischen Datenbank kann die Performance verbessern, die Administration vereinfachen und die Betriebskosten senken. Big Data (und mehr) verlangt nach einem neuen Ansatz Inklusive aller Informations- Quellen, Typen und Nutzung Technologie und mehr und andersartige Daten eröffnen neue Möglichkeiten in Richtung context computing Fortgeschrittene Data Warehouse Architektur als Integrationsplattform für alle Daten BARC

60 Trends im Data Warehousing und Datenmanagement Agenda Status quo Datenmanagement Data Governance Big Data Analytische Datenbanken Datenarchitekturen Datenqualitätsmanagement & Stammdatenmanagement BARC

61 Gründe für Datenqualitätsinitiativen und Stammdatenmanagement: höhere Anforderungen im Fachbereich Big Data Mobile Social Media Fachbereich Verlässliche Daten (Stammdatenmanagement und Datenqualität) BARC

62 Datenmanagement Relevante Themen aus Anwendersicht SaaS / Cloud-Angebote / gehostete Lösungen 40% 28% 29% Big Data 56% 20% 21% Nutzung mobiler Endgeräte 64% 21% 13% Echtzeit-Daten zur Analyse 66% 16% 17% Self-Service BI 72% 17% 8% Stammdatenmanagement (MDM) und Datenqualität 82% 10% 5% 0% 20% 40% 60% 80% 100% (Sehr) wichtig Gleichgültig Kaum / (un-)wichtig Bewerten Sie die Relevanz der folgenden Trendthemen für Ihr Unternehmen, n=192 BARC Big Data Survey Europe 2012, Dez 2012, BARC

63 Datenmanagement Relevante Themen aus Anwendersicht SaaS / Cloud-Angebote / gehostete Lösungen 40% 28% 29% Big Data 56% 20% 21% Nutzung mobiler Endgeräte 64% 21% 13% Echtzeit-Daten zur Analyse 66% 16% 17% Self-Service BI 72% 17% 8% Stammdatenmanagement (MDM) und Datenqualität 82% 10% 5% 0% 20% 40% 60% 80% 100% (Sehr) wichtig Gleichgültig Kaum / (un-)wichtig DQ und MDM als wichtigstes Trend -Thema Bewerten Sie die Relevanz der folgenden Trendthemen für Ihr Unternehmen, n=192 BARC Big Data Survey Europe 2012, Dez 2012, BARC

64 Hauptprobleme in BI Projekten (aus Anwendersicht) Keine nennenswerte Probleme 32% Abfragegeschwindigkeit zu langsam Fehlendes Interesse der Nutzer Schlechte Datenqualität Unternehmenspolitik Uneinigkeit über Anforderungen Administrative Probleme Anforderungen änderten sich 17% 15% 15% 14% 13% 12% 12% Was sind die schwerwiegendsten Probleme, die bei der Nutzung von BI auftreten? Schlechte Data Governance Software ist nicht flexibel genug Unzuverlässige Software Daten aus einigen Vorsystemen nicht übernehmbar Fehlende Schlüsselfunktionen Softwarebedienung zu schwierig 9% 9% 8% 7% 6% 6% Zu große Datenvolumen für Produkt 4% Sicherheitbeschränkungen im Produkt 3% Quelle: BARC BI Survey 12 Zu große Nutzerzahlen für Produkt 2% (Oktober 2012), n= % 20% 40% BARC

65 Hauptprobleme in BI Projekten (aus Anbietersicht) Schlechte Datenqualität 36% Keine nennenswerte Probleme 26% Unternehmenspolitik 21% Uneinigkeit über Anforderungen Anforderungen änderten sich Administrative Probleme Daten aus einigen Vorsystemen nicht übernehmbar Fehlendes Interesse der Nutzer 13% 13% 13% 16% 19% Was sind die schwerwiegendsten Probleme, auf die Anbieter bei Ihren Kunden stoßen? Softwarebedienung zu schwierig 12% Abfragegeschwindigkeit zu langsam 12% Zu große Datenvolumen für Produkt Fehlende Schlüsselfunktionen 5% 5% Unzuverlässige Software 3% Zu große Nutzerzahlen für Produkt 2% Quelle: BARC BI Survey 12 Sicherheitsbeschränkungen im Produkt 1% (Oktober 2012), n=512 0% 20% 40% BARC

66 Datenqualitätsinitiativen erhöhen das Vertrauen in Datenqualität signifikant Vertrauen in Daten analysiert nach Status der Datenqualitätsinitiative: (n = 133, in %) Bereits im Einsatz 56% In der Umsetzung 13% Planung innerhalb des Jahres 23% langfristig geplant 21% Hohes Vertrauen nicht geplant 13% Quelle: BARC Studie Datenqualität in Deutschland Organisation und Initiativen BARC

67 Datenqualitätsmanagement und Stammdatenmanagement Bereich Ziel Lösung über Datenqualitätsmanagement Stammdatenmanagement Datenqualität in Daten verbessern Daten aus verschiedenen Datenquellen verwalten; dabei notwendig: Datenqualität Fachlichkeit Organisation Technik Richtlinien und Prinzipien Datenprofile Anwenderprofile Anwendungsfälle Regelwerke, Checklisten DQ und MDM sind ganzheitliche Themen BARC

68 Klassische Herangehensweisen zur Steigerung der Datenqualität BARC

69 Datenqualitätszyklus Datenqualität kann durch Umsetzung des DQ-Zyklus dauerhaft gesichert werden BARC

70 Datenqualitätszyklus, Beispiel Analyse (IBM) BARC

71 Datenqualitätszyklus, Beispiel Bereinigung (DataFlux: Aufbau von DQ-Prozessen) 83

72 Datenqualitätszyklus, Beispiel Referenzdaten (Microsoft SQL Server Data Quality Services: Definition von Referenzdaten)

73 Datenqualitätszyklus, Beispiel Kontrollieren und Überwachen (Trillium Software: DQ-Monitoring) BARC

74 Aktuelle Trends des Datenqualitätsmanagements BARC

75 Treiber des Datenqualitätsmanagements: Datenqualitätsmanagement im Fachbereich Treiber: DQ-Verständnis im FB, nicht IT Trends auf Anbieterseite: Werkzeuge für den Fachbereich (weniger technisch) Oberflächen für verschiedene Rollen (Regelersteller, Datenverwalter, Datennutzer ) BARC

76 Treiber des Datenqualitätsmanagements: Abdeckung des gesamten DQ-Zyklus Treiber: DQ soll ganzheitlich und nachhaltig verwaltet werden (Analyse, Bereinigung, Anreicherung, Überwachung und Kontrolle) Trends auf Anbieterseite: Komplettierung von Funktionen zur Abdeckung DQ-Zyklus Fehlende Funktionen aus DQ-Zyklus durch offene Schnittstellen durch Drittanbieter umsetzen BARC

77 Treiber des Datenqualitätsmanagements: DQ bereits bei Datenanlage sichern Treiber: Bereits in den operativen Systemen nur qualitativ hochwertige Daten halten Trends auf Anbieterseite: Integration von DQ-Logik in operative Systeme Erweiterung oder Ersetzung operativer Masken BARC

78 Treiber des Datenqualitätsmanagements: Schnellstart der DQ-Initiative Treiber: Schnelles und korrektes Starten der DQ-Initiative auch im kleinen und bei beschränkten Budgets Trends auf Anbieterseite: Vorlage-Datenmodelle Vorlage-Logik Online Services Pakete für bestimmte Aufgabenstellungen (Solvency II) BARC

79 Klassische Herangehensweisen zum Management von Stammdaten BARC

80 Stammdatenmanagement Klassischer Anforderung: Stammdaten aus verschiedenen Systemen sollen verwaltet werden Wesentliche Voraussetzung: qualitätsgesicherte Daten Persistenter MDM Hub (Repository, ein OLTP-System) Persistenter MDM Hub (Repository, spezielle Applikation) MDM OLTP-System OLTP-System MDM Leading OLTP-System OLTP-System Operational Systems Data Warehouse Data Mart Virtual MDM Hub (Registry) Analytical MDM (Repository, manuelle Datenpflege, Zielsystem: DWH) MDM MDM Operational systems Virtual Operational Systems Data Warehouse Data Mart BARC

81 MDM-Beispiel: Entwicklung von MDM-Regeln (Talend) 93 Screenshots: Talend

82 MDM-Beispiel: Anlage von Organisations-Stammdaten (SAP Netweaver Master Data Governance) BARC Screenshots: SAP

83 MDM-Beispiel: MDM mit anbieterspezifischen Workflows und Masken (ZetVisions SPoT: Pflege von Kreditoren/Debitoren) BARC

84 Aktuelle Trends des Stammdatenmanagements BARC

85 Treiber des Stammdatenmanagements: Integration weiterer Datenquellen Treiber: Integration weiterer Datenquellen Daten weiterer Standorte Integration der Datenmodelle Übersetzen von Daten Pflege von Daten Verteilung von Daten Trends auf Anbieterseite: Parallelbetrieb vs. Integration in operative Systeme Erweiterung oder Ersetzung operativer Masken Vorlage-Datenmodelle BARC

86 Treiber des Stammdatenmanagements: Datenqualität Treiber: Unzureichende Datenqualität = hohe Kosten, niedrige Motivation; DQ-Verständnis im FB, nicht IT Trends auf Anbieterseite: Eigene DQ-Lösung Integration externer DQ-Lösungen (Installation, Web Services) Abbildung gesamter DQ-Zyklus BARC

87 Treiber des Stammdatenmanagements: Mehr Datenlieferanten, mehr Datennutzer Treiber: Supply Chain Management, mehr Kanäle (Mobile Devices), soziale Medien Trends auf Anbieterseite: Abbildung von Rollen Besondere Benutzeroberflächen Workflows Regel-Management Business Glossare BARC

88 Treiber des Stammdatenmanagements: MDM-Daten für BI Treiber: MDM-Daten als Grundlage für BI-Systemen Trends auf Anbieterseite: MDM als Bestandteil der Business Intelligence / Data Integration Suite / Angebots BARC

89 Auszug Marktüberblick MDM Anbieter Dun&Bradstreet zetvisions Fachliche Spezialisten Vision Ware Zynapse Heiler Software Netconomy SAP Oracle Datanomics Hyperion Silver Creek Daten- Management Informatica Siperian Talend Amalto SAS DataFlux Tibco Teradata Service Orientierte Infrastruktur IBM Trigo, DWL, Initiate Microsoft Stratature Software AG Data Foundations Information Builders Ataccama (OEM) Ab Initio Ataccama Innovative Systems Stibo Systems Kalido ISO Systems Scarus Unterschiedliche Anforderungen an MDM werden von Anbietern durch verschiedene Herangehensweisen bedient Technische Integration BARC

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

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

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

Mehr

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

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

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC

Markttrends im Data Warehousing Bereich. Aktuelle Tendenzen und Technologien. CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Markttrends im Data Warehousing Bereich Aktuelle Tendenzen und Technologien CAS AG SPoT 2012 07. Mai 2012 Lars Iffert Analyst BARC Was sind die Hauptprobleme in BI-Projekten? Top 5 Probleme beim Einsatz

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

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

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

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

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

Master Data Management - Wege aus der Datenkrise

Master Data Management - Wege aus der Datenkrise Master Data Management - Wege aus der Datenkrise Conect 2008-04-03 Dr. Siegmund Priglinger Business Application Research Center (BARC) Steinbachtal 2b D-97082 Würzburg +49-931-8806510 www.barc.de Agenda

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

Big Data, small Data und alles dazwischen!

Big Data, small Data und alles dazwischen! Technologische Entwicklung Governance & Compliance Entwicklung 15.05.2015 Big Data, small Data und alles dazwischen! Wien, 20.5.2015 Herbert Stauffer Geschichtliche Entwicklung der Weg zu Big Data 1970

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

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

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Patrick Keller Senior Analyst BARC Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement.

Mehr

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015

Symbiose hybrider Architekturen im Zeitalter digitaler Transformation. Hannover, 18.03.2015 Symbiose hybrider Architekturen im Zeitalter digitaler Transformation Hannover, 18.03.2015 Business Application Research Center (BARC) B (Analystengruppe Europas führendes IT-Analysten- und -Beratungshaus

Mehr

Digitalisierung wie aus einer Strategie Realität wird.

Digitalisierung wie aus einer Strategie Realität wird. Digitalisierung wie aus einer Strategie Realität wird. Information Builders International Summit Frankfurt, 10.06.2015 Dr. Carsten Bange, Business Application Research Center (BARC) Knüpfen wir dort an,

Mehr

erhöhen, aber Wildwuchs verhindern Jacqueline Bloemen, Patrick Keller

erhöhen, aber Wildwuchs verhindern Jacqueline Bloemen, Patrick Keller Self Service Business Intelligence: Flexibilität erhöhen, aber Wildwuchs verhindern TDWI München, 18. Juni 2013 Jacqueline Bloemen, Patrick Keller 1 Business Application Research Center Historie 1994:

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

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Integration und massiver Excel-Einsatz Herausforderungen in der Planung

Integration und massiver Excel-Einsatz Herausforderungen in der Planung Integration und massiver Excel-Einsatz Herausforderungen in der Planung CeBIT, Hannover, 10.03.2014 Dr. Christian Fuchs, Senior Analyst Business Application Research Center Historie 1994: Beginn der Untersuchung

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

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

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

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Unternehmen 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

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

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

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008

Business Intelligence: Markt, Trends und Technologien. Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence: Markt, Trends und Technologien Dr. Carsten Bange Darmstadt, 22.1.2008 Business Intelligence & Corporate Performance Management Entwicklung des BI-Softwaremarktes Seit Jahren robustes

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

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

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

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

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

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

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

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Software AG Innovation Day 2014 Bonn, 2.7.2014 Dr. Carsten Bange, Geschäftsführer Business Application Research Center

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

Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch

Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch Business Intelligence Architektur im Umfeld von Big Data (IDAREF) [D2] Bernd Meister Uetliberg, 16.09.2014 www.boak.ch In dieser Session wird IDAREF, ein Framework, dass auf logischer Ebene eine analytische

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

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

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

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

Die Rolle von Stammdaten-Management in einer SOA

Die Rolle von Stammdaten-Management in einer SOA Die Rolle von Stammdaten-Management in einer SOA Frankfurt, Sept. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence Rolle

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

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

Wird BIG DATA die Welt verändern?

Wird BIG DATA die Welt verändern? Wird BIG DATA die Welt verändern? Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data Entmythisierung von Big Data. Was man über Big Data wissen sollte. Wie

Mehr

Willkommen im Haifischbecken:

Willkommen im Haifischbecken: Willkommen im Haifischbecken: Strategien der vier Megavendoren Zürich 18. November 2009 Wolf K. Müller Scholz Business Intelligence Magazine wms@bi-magazine.net 1 Business Intelligence: Tastsinn Lehre

Mehr

WAVE Solutions Information Technology GmbH Evaluierung und Auswahlprozess für BI-Tools. Best Practices der WAVE Solutions für die Bank Austria

WAVE Solutions Information Technology GmbH Evaluierung und Auswahlprozess für BI-Tools. Best Practices der WAVE Solutions für die Bank Austria 2008 WAVE Solutions Information Technology GmbH Evaluierung und Auswahlprozess für BI-Tools. Best Practices der WAVE Solutions für die Bank Austria WAVE: Steckbrief WAVE Solutions Information Technology

Mehr

Big Data in Marketing und IT

Big Data in Marketing und IT Big Data in Marketing und IT Chancen erkennen, Strategien entwickeln und Projekte erfolgreich umsetzen T-Systems Hacker Day 30. September 2015 Prof. Dr. Alexander Rossmann Reutlingen University Big Data

Mehr

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

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

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

Intelligentes Datenmanagement und Architekturen für flexibles Reporting und Analytik

Intelligentes Datenmanagement und Architekturen für flexibles Reporting und Analytik Intelligentes Datenmanagement und Architekturen für flexibles Reporting und Analytik Dr. Martin Hebach, Cebit 2015 Senior Solution Architect mhebach@informatica.com Abstract Für Business Intelligence Aufgaben

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

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Big Data & High-Performance Analytics

Big Data & High-Performance Analytics Big Data & High-Performance Analytics Wolfgang Schwab, Senior Business Advisor Berlin 20.4.2012 PROJECTING THE GROWTH OF BIG DATA Source: IDC Digital Universe Study, sponsored by EMC, May 2010 THRIVING

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

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

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

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

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

BARC T1: Das BI Ökosystem: Analytische Landschaften optimal gestalten. München, 18. Juni 2013 Timm Grosser, Patrick Keller

BARC T1: Das BI Ökosystem: Analytische Landschaften optimal gestalten. München, 18. Juni 2013 Timm Grosser, Patrick Keller BARC T1: Das BI Ökosystem: Analytische Landschaften optimal gestalten München, 18. Juni 2013 Timm Grosser, Patrick Keller BARC 2013 Business Application Research Center Historie 1994: Beginn der Untersuchung

Mehr

O-BIEE Einführung mit Beispielen aus der Praxis

O-BIEE Einführung mit Beispielen aus der Praxis O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg

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

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

Die Rolle des Stammdatenmanagements im digitalen Unternehmen

Die Rolle des Stammdatenmanagements im digitalen Unternehmen Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Die Rolle des Stammdatenmanagements im digitalen Unternehmen Frankfurt, April 2015 Die Digitalisierung der Welt Nach der Globalisierung

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014. Martin Böhn, Head of CRM, Senior Analyst

Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014. Martin Böhn, Head of CRM, Senior Analyst Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014 Martin Böhn, Head of CRM, Senior Analyst CRM in der heutigen Praxis: Kampf Vor-Ort- Termine Prospekte, Beispiele

Mehr

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren BI, Big Data, CRM Forum @ CeBIT 2015, Hannover, 19.03.2015 Patrick Keller, Senior Analyst Status Quo Business Intelligence

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

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

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Dr. Carsten Bange Gründer und Geschäftsführer BARC Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten-

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

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

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Dr. Carsten Bange Business Intelligence (BI) beschreibt die Erfassung, Sammlung und Darstellung von Information zur Planung, Steuerung und Kontrolle der Unternehmensleistung.

Mehr

Kann man Big Data managen?

Kann man Big Data managen? Kann man Big Data managen? Information Governance in Retail-Unternhmen Uwe Nadler Senior Managing Consultant Big Data Architect Sales Leader Information Governance D-A-CH Themen Die Bedeutung von Information

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Business Intelligence Center of Excellence

Business Intelligence Center of Excellence Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).

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

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services COGNOS PERFORMANCE MANAGEMENT Jörg Fuchslueger, COGNOS Austria Manager Professional Services Agenda Cognos Performance Management Unternehmensweites Berichtswesen AdHoc Analysen Überwachung und Steuerung

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

Datenintegration mit Informatica PowerCenter

Datenintegration mit Informatica PowerCenter Datenintegration mit Informatica PowerCenter Mein Weg vom Studenten zum Consultant Christoph Arnold 03.07.2013 1 Agenda Von der THM zu Infomotion Datenschieberei oder doch mehr? Die weite Welt von Informatica

Mehr

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen Nahezu 70% aller Data Warehouse Anwendungen leiden unter Leistungseinschränkungen der unterschiedlichsten Art. - Gartner

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

Rolle des Stammdatenmanagements in einer SOA

Rolle des Stammdatenmanagements in einer SOA Rolle des Stammdatenmanagements in einer SOA Forum Stammdatenmanagement, November 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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

09:45 10:45 Keynote - Ein Blick in die Zukunft: Wie künftige Anforderungen die IT-Infrastruktur beeinflussen

09:45 10:45 Keynote - Ein Blick in die Zukunft: Wie künftige Anforderungen die IT-Infrastruktur beeinflussen 1 Wir denken IHRE CLOUD weiter. Agenda 08:30 09:30 Einlass 09:30 09:45 Eröffnung / Begrüßung / Tageseinführung 09:45 10:45 Keynote - Ein Blick in die Zukunft: Wie künftige Anforderungen die IT-Infrastruktur

Mehr

Agile Analytics Neue Anforderungen an die Systemarchitektur

Agile Analytics Neue Anforderungen an die Systemarchitektur www.immobilienscout24.de Agile Analytics Neue Anforderungen an die Systemarchitektur Kassel 20.03.2013 Thorsten Becker & Bianca Stolz ImmobilienScout24 Teil einer starken Gruppe Scout24 ist der führende

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

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP Seminar WS 2012/13 S. Chaudhuri et al, CACM, Aug. 2011 Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP 2 Vorkonfigurierte, komplette Data Warehouse-Installation Mehrere Server,

Mehr

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA Agenda VORSTELLUNG B.TELLIGENT WIE ENTSTEHT EINE KENNZAHL? WAS SIND METADATEN? AUFBAU UND FUNKTIONSWEISE DES BI WIKI LIVE DEMO ZUSAMMENFASSUNG

Mehr

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen Fabian Geist, B.Sc. Dipl.-Wirtsch.-Ing. Torsten Kluin Prof. Dr. Harald Ritz Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Mehr

SAS Analytics bringt SAP HANA in den Fachbereich

SAS Analytics bringt SAP HANA in den Fachbereich Pressemitteilung Hamburg, 08. November 2013 SAS Analytics bringt SAP HANA in den Fachbereich Ergonomie kombiniert mit Leistungsfähigkeit: die BI-Experten der accantec group geben der neuen Partnerschaft

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr