Business Intelligence 2.0 – Neue Architektur verspricht weniger Komplexität und bessere Performance

Die Umwandlung von Geschäftsdaten in relevante Informationen mittels Business-Intelligence Lösungen ist vor dem Hintergrund steigender Datenmengen und wachsender Anforderungen an das Berichtswesen zum Top-Thema für Controller geworden. Dabei erfordert dieser Prozess eine enge Verzahnung der vorliegenden Werkzeuge und Techniken zum Zugriff auf heterogene Datenquellen, deren Integration, Aufbereitung, eine Analyse der syntaktischen, semantischen sowie temporalen Strukturen und Visualisierung.

Herkömmliche Technologien weisen aus Sicht der Anwender jedoch erhebliche Einschränkungen auf: sowohl bei der Verarbeitung großer Datenmengen als auch hinsichtlich der Performance beziehungsweise der Flexibilität, mit der Informationen ausgewertet werden können. Hauptspeicher-basierte Ansätze stellen heutzutage aufgrund der verfügbaren Serverkapazitäten bei überschaubaren Kosten eine überzeugende Alternative dar.

Traditionelle OLAP-Ansätze

Traditionell werden Business Intelligence Softwarelösungen auf Basis des Online-Analytical-Processing eingesetzt. Grundsätzlich lassen sich OLAP-Produkte hierbei in zwei Gruppen unterteilen: multidimensionales und relationales OLAP. Multidimensionale OLAP-Server (MOLAP) unterstützen die mehrdimensionale Sicht auf Daten durch eine multidimensionale Storage-Engine. Sie speichern Daten direkt in bestimmten Datenstrukturen (z.B. Arrays) und implementieren OLAP-Operationen über diesen Strukturen. Das ermöglicht die Implementierung mehrdimensionaler Front-Ends, die die Auswertung von Kennzahlen oder Key Performance Indikatoren (KPI) entlang von Dimensionen erlauben ("Slicing und Dicing").

Dieser Ansatz hat den Vorteil einer relativ guten Performance bei der Abfrage aufgrund sehr guter Indexeigenschaften - trägt jedoch nicht zu einer effizienten Nutzung der Speicherkapazitäten bei. Darüber hinaus werden nur Ausschnitte der Datenbanken extrahiert und aggregiert, die dann in einer mehrdimensionalen Struktur abgelegt werden können.

Durch dieses Vorgehen kann nicht auf alle Unternehmensdaten zugegriffen werden sondern nur auf Teilbereiche der Datenbank, Data Marts oder Cubes. Des weiteren ist das verarbeitbare Datenvolumen auf wenige Gigabyte beschränkt, ebenso wie die Attribute, die ausgewertet werden können, mengenmäßig limitiert sind. Sollen modifizierte Fragestellungen analysiert werden, müssen neue Cubes oder Data Marts erstellt werden.

Typisch für diese Technologie sind zudem lange Ladezeiten, da die Berechnung der Aggregate viel Zeit in Anspruch nehmen kann. Im Gegensatz dazu können ROLAP-gestützte Architekturen auch auf standardisierten oder erweiterten relationalen Datenbanksystemen implementiert werden. ROLAP-Server sind dabei Zwischenserver zwischen relationalen Back-End-Servern (auf denen die Daten des Data Warehouse gespeichert sind) und Client-Front-End-Tools.

Die ROLAP-Server erweitern herkömmliche relationale Server mit spezialisierter Zugriffs- und Implementierungsmethoden sowie SQL-Erweiterungen für eine effiziente Unterstützung multidimensionaler OLAPQueries. Mit dieser Technik können weit mehr Dimensionen verwaltet werden und auch aktuelle Daten für aggregierte Informationen berücksichtigt werden. Diese Technologie ist zwar flexibler, als MOLAP-Ansätze, jedoch ist die Verarbeitung von hohen Datenvolumina mit langen Antwortzeiten verbunden.

Grenzen traditioneller OLAP-Technologie

Laut einer Umfrage des Business Application Reserach Center BARC (OLAP-Survey 2006) mit 4.270 befragten Unternehmen aus über 70 Ländern haben nur 28% angegeben, keinerlei fachlichen oder technischen Probleme mit Ihrem OLAP-Produkt zu haben. Als größtes Problem wird eine schlechte Abfragegeschwindigkeit genannt, die deutlich mit der Höhe des Datenvolumens korreliert. Der Median der Abfragezeit lag bei 7,4 Sekunden. Die Spanne reicht von 3,8 Sekunden bis 41 Sekunden. Interessanterweise sind die Beschwerden hinsichtlich der mangelhaften Performance in jeder der mittlerweile sechs Ausgaben des OLAP Survey gestiegen.

Diese Entwicklung ist unabhängig von der tatsächlichen Abfragegeschwindigkeit, zeigt aber deutlich, dass Unternehmen eine gestiegene Erwartungshaltung an die Leistungsfähigkeit eines OLAPProduktes entwickelt haben. Ursächlich hierfür ist zum einen die stark wachsende Informationsmenge, der steigende Wettbewerbsdruck sowie rechtliche Rahmenbedingungen, die eine wesentlich schnellere Reaktionszeit der Unternehmen zum Beispiel hinsichtlich Basel II-relevanter Reportings erfordern.

Die weltweit größte unabhängige Umfrage zu OLAP-Produkten ergab auch, dass neben den technischen insbesondere personenbezogene Probleme genannt wurden. An erster Stelle rangieren dabei administrative Schwierigkeiten sowie fehlendes Interesse der Nutzer, die auf die häufig komplizierte Implementierung respektive Anwendung solcher Lösungen zuführen sind.

Alternativarchitektur: In-Memory Analyse

Um die OLAP-Problematik der zeitintensiven Erstellung und Aktualisierung der angelegten Cubes zu umgehen, etabliert sich zunehmend ein speicherbasierter BI-Ansatz. Einige dieser BI-Tools wie beispielsweise die Analyse- und Reportinglösung QlikView verzichten auf eine aufwändige und starre Definition des Datenmodells und laden alle erforderlichen Daten von Anfang an direkt in den Arbeitsspeicher. Dazu werden Daten unaggregiert eingelesen, was die bei konventionellen BI-Tools erforderliche Voraggregierung der Daten erspart. Anschließend werden Metadaten extrahiert, welche die Beziehungen zwischen den verschiedenen zu analysierenden Datenelementen beschreiben, und in einer separaten Datei gespeichert.

Die eigentlichen Daten werden in einer assoziativen Datenbank im Arbeitsspeicher stark komprimiert abgelegt. Auch Daten aus unterschiedlichen ERP-Systemen wie SAP, Intentia Movex, Navision und J.D. Edwards, aus Datenbanken wie ORACLE, Informix, AS/400 und Access oder aus sonstigen Datenquellen wie Excel oder dem Internet können ohne Vorverarbeitung (bzw. zusätzliche ETL-/ Data Warehouse Lösungen) miteinander verbunden und analysiert werden.

Da die Daten nur noch inkrementell geladen werden, können beispielsweise bei einem Ladevolumen von einer Mrd. Datensätze (ca. 10 TB) Antwortzeiten von unter einer Sekunde erreicht werden (Auf HP 64-Bit-Dual-Prozessor-Plattformen Intel® Itanium® 2 und Xeon®) . Aufgrund der Tatsache, dass QlikView ständig alle Daten/Dimensionen geladen hat, kann der Anwender jederzeit den Analyseblickwinkel durch Hinzufügen einer neuen Dimension/Kennzahl variieren und den gedanklichen Analysepfad - ohne neu anzusetzen - nahtlos bis zum Ende durchlaufen.

Bestätigt wird dieser Trend zu speicherbasierten BI-Lösungen durch den 2006 erschienenen Gartner-Report "BI Applications Benefit from In-Memory Technology Improvements", in dem die Analysten zu dem Schluss kamen, dass spätestens 2012 70 Prozent der weltweit größten Unternehmen kritische Daten mit dieser Technologie auswerten.

Für diese speicherbasierte Alternative entschieden hat sich beispielsweise der Medizintechnikanbieter Radiometer. Ausgewertet werden Daten aus der Finanzbuchhaltung, einem ERP einer CRM- Lösung, um Analysen des Kundenumsatzes im Zeitverlauf,Plan-Ist- sowie Periodenvergleiche, TrendReports etc. zu erstellen.


Download des vollständigen Beitrages: Business Intelligence 2.0

letzte Änderung Andrea Fischedick am 20.12.2022