Was ist In-Memory-Analyse?
Daten sind heutzutage überall anzutreffen. Das Datenvolumen, das Tempo, mit dem die Daten wechseln und ihre Verschiedenheit steigen jenseits aller Erwartungen an. Die Datenanalyse hat bereits vielen führenden Marken geholfen, über die bislang übliche Business-Intelligence hinaus durch Echtzeitanalyse Effizienzen zu steigern, Risiken zu vermeiden und durch kundenindividuelle Angebote den Umsatz zu steigern. Unternehmen, die sich den Wert von Daten nur zögernd mithilfe von Analyselösungen erschließen, können sich einen gewichtigen Wettbewerbsnachteil einhandeln.
Für eine IT-Infrastruktur, die auf Datenanalyse beruhende Entscheidungen unterstützen soll, ist Schnelligkeit eine Grundvoraussetzung . Der geschäftliche Nutzen von Lösungen für die Entscheidungsunterstützung hängt oft davon ab, ob diese die Ergebnisse mindestens tausendmal schneller als herkömmliche Lösungen liefern können. Um dieses ambitionierte Ziel zu erreichen, bedarf es eines neuen Konzepts für die Datenverarbeitung – In-Memory-Computing.
Die In-Memory-Methode ist einfach zu erklären. Bei der herkömmlichen Datenverarbeitung befinden sich die Daten auf einer Festplatte im System oder werden über ein Netzwerk bereitgestellt. Zur Verarbeitung werden sie in den lokalen Systemspeicher (RAM) geladen und dort von der CPU abgerufen. Lange Suchzeiten bei Daten, die sich auf Festplatten befinden, können oft zum Engpass werden.
Beim In-Memory-Computing werden die Daten direkt im Systemspeicher abgelegt. Dieses prinzipiell andersartige Konzept reduziert Latenzen erheblich, da der Zeitverlust durch die Suche nach Daten auf der Festplatte und das Laden in den Arbeitsspeicher wegfällt. Heute beruht In-Memory-Computing auf DRAM, der kostspielig und daher für große Datenmengen nicht rentabel ist. Aber neue nichtflüchtige Speichertechnik bietet eine Lösung, indem sie hohe Kapazität, Erschwinglichkeit und nichtflüchtige Speicherung mit Leistungsmerkmalen kombiniert, die nahe an DRAM heranreichen.
Bei der In-Memory-Analyse kommen häufig noch zwei weitere technische Aspekte hinzu, die die Leistungsfähigkeit der Software erhöhen.
Spaltenweise gespeicherte Daten: Anstelle der bislang üblichen zweidimensionalen Datenstrukturierung (Zeilen und Spalten) haben die Daten für die In-Memory-Analyse eine eindimensionale, lineare Struktur.
„Massively Parallel Processing“ (MPP) bzw. hochgradig parallele Verarbeitung: Bei der In-Memory-Analyse können die Fähigkeiten der Mehrkern- und Multithread-Prozessoren besser genutzt werden, denn durch die reduzierten Zugriffsverzögerungen können die CPUs ungehindert mit den Daten arbeiten.
Ausgereiftheit des Business-Intelligence-Portfolios
Wie bei vielen anderen IT-Initiativen, kann bei Business Analytics der Nutzen für ein Unternehmen weiter wachsen, wenn das Unternehmen Erfahrungen gesammelt und bei der Bereitstellung eine bestimmte Ausgereiftheit erlangt hat. Eher herkömmliche oder konventionellere Methoden, wie deskriptive (beschreibende) und diagnostische Analyse, beziehen sich darauf, was geschehen und wie die Situation zu bewerten ist. Sie geben keinen Hinweis darauf, wie es weitergehen könnte.
Auf der nächsten Stufe der Analyseleiter folgt Predictive Analytics, also die vorausschauende oder prognostische Analyse, die in die Zukunft blickt. Sie ersetzt eine Entscheidungsfindung, die mehr auf Gutdünken basiert, durch eine disziplinierte, datengesteuerte Methode. Die vorausschauende Analyse erfolgt in Echtzeit. Oftmals ist sie auch für Personen von Bedeutung, die mit ausführenden Tätigkeiten betraut sind und ständig Entscheidungen mit geringerer Reichweite treffen, zum Beispiel welche Paletten in welchen Container geladen werden sollen.
Diese kleinen Entscheidungen sind für sich zwar nicht entscheidend wichtig, in der Summe können sie jedoch einen großen Unterschied für das Geschäftsergebnis verursachen, sei es durch die Vermeidung von Kosten oder höhere Einnahmen. Im Laufe der Zeit werden Unternehmen dank vorausschauender Analyse in der Lage sein, bisher noch manuelle Prozesse zu automatisieren, die dann im Computertempo ablaufen.
In einem ausgereifteren Stadium der Analyse untersucht Prescriptive Analytics „Was-wäre-wenn“-Szenarien über längere Zeiträume und sagt mögliche Ergebnisse voraus. So kann z. B. der optimale Standort für eine neue Filiale ermittelt werden.
Alle diese zukunftsbezogenen Methoden nutzen im Unternehmen vorhandene Daten, etwa auch Transaktionsdaten, sowie viele andere Arten von Daten, die von Drittanbietern erhältlich sind.
Lösungen für In-Memory-Analyse mögen herkömmliche Data-Warehouses zwar nicht ersetzen, können jedoch die gesamte Entscheidungsunterstützung eines Unternehmens aufwerten. Mit der In-Memory-Analyse kann begonnen werden, bevor man sich für eine umfassende Plattformerneuerung im Unternehmen entscheidet.
Geschäftlicher Nutzen der Datenanalyse
Es gibt zahllose Datenquellen, die geschäftlichen Nutzen liefern: Daten von Sensoren in der Fabrik, aus verschiedenen Einzelhandelskanälen, aus sozialen Medien und sogar von Wettersatelliten sowie von anderen Drittanbietern. Neue Entwicklungen, wie intelligente Städte und das Internet der Dinge, steigern die Datenproduktion weiter. Unternehmen können diese Daten nicht einfach ignorieren, wenn sie wettbewerbsfähig bleiben wollen. Mit der geeigneten Analyse können sie durch die Vorhersage, welches Upselling am wahrscheinlichsten zum Erfolg führt, zur Steigerung des Umsatzes beitragen, die Vertriebskosten durch intelligentere Streckenplanung und Bestandsmanagement senken, die Herstellungskosten reduzieren und die Qualität durch eine ausgefeilte Ursachenanalyse verbessern – die Liste ist nahezu endlos.
Manchmal besteht der Weg zu verwertbaren Informationen aus dieser Datenflut einfach darin, Muster in den bisherigen Geschehnissen aufzuspüren. In anderen Fällen werden Echtzeit-Ergebnisse benötigt, um den Komfort für die Kunden zu verbessern, einen Malware-Angriff zu stoppen oder der betrügerischen Verwendung einer Kreditkarte vorzubeugen, um nur einige Beispiele zu nennen.
Die Hürden für die Anwendung der Datenanalyse fallen. Alle großen IT-Anbieter bieten Analyselösungen an, und es gibt auch zahlreiche branchenspezifische Lösungen. Die Zahl der Datenwissenschaftler, die über das erforderliche Know-how verfügen, um anspruchsvolle Datenanalyse zu nutzen und zu unterstützen, wächst. Außerdem arbeiten viele Firmen daran, den Einsatz der Datenanalyse durch einfachere Schnittstellen und integrierte Algorithmen einer größeren Anwendergemeinde zugänglich zu machen. Die Publicity rund um die Datenanalyse (zusammen mit soliden wirtschaftlichen Argumenten) hat es einfacher gemacht, Mittel für die Umsetzung zu erhalten.
Unter dem Strich liefert die Datenanalyse einen klaren geschäftlichen Nutzen. Zahlreiche Marken nutzen die In-Memory-Analyse bereits, um den Umsatz zu steigern und Kosten zu senken. Wer diese betrieblichen Vorteile nicht verfolgt, riskiert Wettbewerbsnachteile.
Datenanalyse in Aktion
Die In-Memory-Analyse ist eine bahnbrechende Technik, die schon jetzt einen enormen Einfluss auf alle Aspekte des Geschäftsbetriebs hat, einschließlich Produktion, Supply-Chain-Management, Personalwesen, Marketing, Vertrieb, Finanzen und auf vieles mehr.
Für zahlreiche Unternehmen besteht der Hauptvorteil der In-Memory-Analyse in der Fähigkeit, große Datenmengen schnell genug zu verarbeiten, um die daraus resultierenden Erkenntnisse zu einem Differenzierungsfaktor machen zu können. Ein zentraler Anwendungsfall ist die Mustererkennung bei großen Datenmengen. Die Bundessteuerbehörde der USA (Internal Revenue Service, IRS*) analysiert beispielsweise Steuererklärungen, während sie bearbeitet werden, um Muster für Fehler oder Probleme zu erkennen. Das Ergebnis waren Interventionen, die den IRS davon abhielten, fälschlicherweise mehrere hundert Millionen Dollar zurückzuzahlen.
Die vorausschauende Analyse ist möglicherweise die Anwendung der In-Memory-Technik, die den größten Nutzen bringt. Bei UPS* sind Prognosemodelle für den Lieferbetrieb für die Reduzierung der gefahrenen Kilometer verantwortlich, wodurch das Unternehmen Geld spart und den gesamten CO2-Fußabdruck des Unternehmens verringert.
Die vorausschauende Analyse zeigt sich besonders effektiv im Einzelhandel. So ist ein Einzelhandelsunternehmen beispielsweise in der Lage, mithilfe eines In-Memory-Analyseprojekts gezielte Marketingkampagnen durchzuführen und dadurch Kosten zu reduzieren. Von solchen Methoden kann jedoch jede Branche profitieren.
Vorgehensweise für den Einstieg
Dieser kurze Leitfaden in fünf Schritten beschreibt den Einstieg in die In-Memory-Analyse.
- Identifizieren Sie drängende Probleme. Sprechen Sie mit den Leitern der Fachabteilungen, um eine Liste drängender Probleme aufzustellen, die mit den vorhandenen Systemen nur schwer oder gar nicht zu lösen wären. Die Priorität auf dieser Liste sollten jene Punkte haben, die mit den bestehenden Strategien übereinstimmen, neue Erkenntnisse versprechen, innerhalb der Fähigkeiten der IT-Organisation liegen und für die solide wirtschaftliche Argumente sprechen. Nach einer schrittweisen Annäherung sollte das Endergebnis aus einer klaren Liste der Ziele und der Ressourcen zu ihrer Erreichung bestehen.
- Recherchieren Sie und machen Sie sich mit den auf dem Markt verfügbaren Analyselösungen vertraut. Nehmen Sie mit diesem Wissen eine Bewertung Ihrer aktuellen Infrastruktur vor. Es ist wichtig zu verstehen, woher die zu analysierenden Daten stammen, wer für sie zuständig ist und welche Maßnahmen notwendig sind, um für die Datenqualität und -sicherheit zu sorgen.
- Bestimmen und fördern Sie die Fachkompetenz, die Ihr Team benötigt. Stellen Sie neue Fachkräfte ein oder planen Sie, falls notwendig, einige Aufgaben auszulagern. In vielen Fällen werden neue Mitarbeiter bereits über Fähigkeiten verfügen, die Ihren Bedürfnissen entsprechen.
- Stellen Sie die IT-Anforderungen zusammen, die über das hinausgehen, was derzeit vorhanden ist. Die In-Memory-Analyse erfordert moderne Hardware, einschließlich Rechen-, Datenspeicher- und Netzwerkinfrastruktur. Sie müssen auch festlegen, welche Analyse-Abfragen und -Algorithmen erstellt werden müssen, um die gewünschten Ergebnisse zu erzielen, und dann entscheiden, wie diese Ergebnisse in ansprechender Weise dargestellt werden können. Schauen Sie sich, was Ihre Software anbelangt, sowohl proprietäre als auch Open-Source-Lösungen an, da es eine Fülle von Optionen gibt.
- Formulieren Sie die endgültigen Anwendungsfälle für das Projekt. Legen Sie fest, welche Daten verwendet werden sollen, und stellen Sie die Datenflüsse dar. Entwickeln Sie dann eine Testumgebung für eine Produktivversion.
Intel und die Datenanalyse: Hardware und mehr
Intel bietet die branchenweit umfassendste Plattform für In-Memory-Analyse an, die sich mit wachsender Beanspruchung skalieren lässt. Sie kann eine Vielzahl verschiedener Analyseaufgaben unterstützen, wie Echtzeitverarbeitung, In-Memory-Datenbanken, Scale-out-Spark*-Implementierungen, High-Performance-Computing (HPC) und maschinelles Lernen. Sie umfasst Rechen-, Datenspeicher-, Arbeitsspeicher-, Fabric- und Netzwerktechnik – alles für die beste Interaktion aller Komponenten optimiert.
Das Ergebnis ist eine flexible Infrastruktur mit eingebauter Sicherheit, mit der die hohe Leistung zur Verfügung steht, die für die heutigen Aufgaben erforderlich ist, und die gleichzeitig eine solide, vertrauenswürdige Grundlage für die Zukunft bildet.
Die Intel®-Architektur bietet IT-Organisationen eine konsistente Basis für ihre gesamte Infrastruktur, mit kalkulierbaren Möglichkeiten für eine längerfristige Skalierung von Analysevorhaben und einem breiten Produktangebot, das die Unterstützung mehrerer Architekturen unnötig macht. Weiterhin bietet sie den Entwicklern ein konsistentes Software-Programmiermodell, das es ihnen ermöglicht, sich auf Verbesserungen von Leistung und Funktionalität zu konzentrieren.
Die Intel® Architektur wird durch ein großes Technologieumfeld mit Hardware- und Softwarepartnern unterstützt. Intel arbeitet fortlaufend aktiv mit diesen Partnern zusammen, um die Leistungseigenschaften ihrer Produkte in Verbindung mit der Intel® Architektur zu optimieren.
Mit Intel als Partner für die Datenanalyse genießen Unternehmen die Freiheit, sich für eine Open-Source-Softwareplattform oder eine der branchenführenden kommerziellen Plattformen wie die von SAS, SAP, Oracle, IBM und Microsoft sowie vielen anderen entscheiden zu können.
Mit seiner Erfolgsgeschichte ist Intel eine ergiebige Informationsquelle bezüglich der Voraussetzungen für erfolgreiche In-Memory-Analyse-Initiativen.
Intel ist vor allem für seine Prozessoren bekannt, und für viele ist die skalierbare Intel® Xeon® Prozessorreihe ein Synonym für In-Memory-Analyse. Das ganze Bild ist jedoch sehr viel bunter und es lohnt sich, einen genaueren Blick darauf zu werfen. Klicken Sie hier, um mehr darüber zu erfahren, wie Intel Ihr Unternehmen bei der Entwicklung einer In-Memory-Analysestrategie unterstützen kann.