Unternehmen sammeln mehr Daten schneller als je zuvor. Und da die Zahl der vernetzten IoT-Geräte bis 2030 voraussichtlich 24,1 Milliarden erreichen wird1, there’s no sign of slowing. Viele Unternehmen haben jedoch Schwierigkeiten, diese Datenstapel in Erkenntnisse umzuwandeln, mit denen sie ihr Geschäft ausbauen können.
Hier können Echtzeitanalysen nützlich sein. In diesem Artikel erfahren Sie, wie Unternehmen Echtzeitanalysen verwenden, wie sie in Ihre Datenstrategie integriert werden und welche Infrastruktur für die erfolgreiche Implementierung in Ihrem Unternehmen erforderlich ist.
Was versteht man unter Echtzeitanalyse?
Echtzeitanalysen verwandeln Daten unmittelbar nach ihrer Erfassung in Erkenntnisse. Diese Art von Einsichten wird verwendet, wenn Zeit von entscheidender Bedeutung ist. Echtzeitanalysen, die auch als operative Erkenntnisse bezeichnet werden, können vorhersagen, wann ein Gerät ausfallen wird, und Ihr Betriebsteam warnen, bevor dies geschieht. Fordern Sie Einzelhändler auf, mobile Werbeaktionen an Kunden zu senden, wenn diese sich in der Nähe eines Geschäfts befinden. Erkennen Sie Kreditkartenbetrug, bevor eine Transaktion abgeschlossen ist.
Um besser zu verstehen, wie Echtzeitanalysen funktionieren, vergleichen wir sie mit herkömmlichen Analysen oder der Stapelverarbeitung. Beim herkömmlichen Ansatz werden begrenzte Sätze historischer Daten gespeichert und indiziert. Wenn Geschäftsbenutzer Einblicke benötigen, fragen sie das System ab. Die Stapelverarbeitung wird normalerweise für Routineaufgaben wie das Generieren monatlicher Verkaufsberichte oder das Ausführen der Gehaltsabrechnung verwendet.
Während die Stapelberichterstattung für nicht zeitkritische Aufgaben geeignet ist, erfordern andere sofortige Erkenntnisse, wie z. B. die Überwachung der Patientensicherheit oder die Aufdeckung von Betrug. Hier kommt die Echtzeitanalyse ins Spiel.
Echtzeit-Datenanalyse vs. Streaming-Analyse
Es gibt verschiedene Arten von Echtzeitanalysen, einschließlich In-Demand und kontinuierlicher oder Streaming-Analysen. Gartner erläutert den Zusammenhang anhand der folgenden Definition: „In-Demand-Echtzeitanalysen warten darauf, dass Benutzer oder Systeme eine Abfrage anfordern, und liefern dann die Analyseergebnisse. Kontinuierliche Echtzeitanalysen sind proaktiver und alarmieren Benutzer oder lösen Antworten aus, wenn Ereignisse eintreten.”2
Da Edge-Computing und das Internet der Dinge (IoT) mehr Daten mit höherer Geschwindigkeit an Unternehmen senden, hat die Notwendigkeit, diese Daten zu verarbeiten, während sie in Bewegung sind – bevor sie gespeichert werden –, die Nachfrage nach Streaming-Analysen erhöht. Darüber hinaus verlassen sich immer mehr Unternehmen auf Streaming-Analysen, um Geschäftsanalysen in Echtzeit bereitzustellen, mit denen sie Entscheidungen in Sekundenbruchteilen treffen und sich einen Wettbewerbsvorteil verschaffen können.
91 % der CIOs geben an, dass Streaming-Analysen ihnen dabei helfen können, ihren Gewinn zu steigern.3
Anwendungsfälle für Echtzeit-Analysen
Unternehmen – von Einzelhändlern und Herstellern über Finanzdienstleistern bis hin zu Einrichtungen der Gesundheitsversorgung – haben Schwierigkeiten, mit dem schnellen Datentempo Schritt zu halten. Da der Wert dieser Daten innerhalb von Tagen, Stunden, Minuten oder sogar Sekunden verfliegen kann, ist die Verarbeitung nahezu in Echtzeit entscheidend, um die wertvollsten Geschäftsinformationen zu erhalten.
Beispielsweise werden IoT-Daten, die einen fahrerlosen LKW steuern, wertlos – und sogar gefährlich –, wenn die Daten veraltet sind. In gleichem Maße kommen Daten, die auf Materialermüdung bei einer Maschine oder einer Fertigungsstraße hinweisen, zu spät, wenn die entsprechende Anlage bereits ausfällt.
Die Echtzeitanalyse bietet Lösungen für viele drängende Probleme in Unternehmen. Online-Einzelhändler kombinieren Transaktionsvorgänge mit Aktivitäten beim Web-Browsing, um ihren Kunden die besten Angebote machen zu können. Banken analysieren Verhaltensweisen, um betrügerische Aktivitäten zu ermitteln oder um Anzeichen dafür zu erkennen, dass ein Kunde, der in einer ihrer Filialen sein Konto hat, in einer anderen Filiale besser aufgehoben wäre. Dynamische Preisgestaltung, Risikomanagement, die Optimierung von Callcentern und die Verbesserung der IT-Sicherheit sind nur einige der Prozesse, die durch Echtzeitanalyse optimiert werden können.
Sogar Sportmannschaften nutzen Streaming-Analysen, um den Kartenverkauf, die Verkaufsstände, den Einzelhandelsverkauf und die Spielleistung besser zu verwalten. Wenn beispielsweise ein Eingang zu voll wird, kann die Organisation sofort mehr Ticket- und Sicherheitspersonal an diesen Standort schicken, um die Wartezeiten niedrig zu halten und die Sicherheit der Menschenmenge zu gewährleisten.
In diesen Fällen können Unternehmen mithilfe von Echtzeitdaten Mehrwertdienste und -produkte in dem Moment bereitstellen, in dem der Kunde sie wünscht, und gleichzeitig gefährliche Situationen vermeiden, bevor sie eintreten.
Wie fügt sich die Echtzeitanalyse in eine umfassende Analysestrategie ein?
Die Datenanalyse umspannt ein breites Spektrum und die meisten Unternehmen verwenden eine Mischung von Analyseverfahren, basierend auf Datentypen, Workloads und der Art der zu lösenden geschäftlichen Probleme. Analysen umfassen jetzt fünf Kategorien:
- Die deskriptive (beschreibende) Analyse beantwortet Fragen dazu, was in der Vergangenheit geschah.
- Die diagnostische Analyse bietet Einblicke darüber, weshalb Vorfälle stattgefunden haben.
- Die vorausschauende Analyse (Prädiktive Analytics) nutzt aktuelle und Verkaufsläden für Erkenntnisse darüber, was in der Zukunft passieren könnte.
- Präskriptive Analysen schlagen Maßnahmen vor, die eine Organisation basierend auf diesen Vorhersagen ergreifen könnte.
- Kognitive Analysen automatisieren oder verbessern menschliche Entscheidungen.
Diese fünf Kategorien bauen schrittweise aufeinander auf und entwickeln ein Unternehmen zu einer In-Jemand-Firma, in der Entscheidungen besser und zügiger getroffen werden können.
Vorausschauende Analyse ist der Beginn der „Advanced Analytics“, mit deren Hilfe Entscheidungen durch Informationen in Echtzeit ermöglicht werden können. Vorausschauende, präskriptive und kognitive Analysen sind daher Anwendungsfälle, die von der Fähigkeit der Echtzeit-Datenanalyse profitieren.
Unabhängig davon, welche Art von Analysen Unternehmen verwenden, müssen sie eine umfassende Datenstrategie anwenden, die auf einer Echtzeit-Analysearchitektur basiert, die sowohl Daten- als auch Organisationssilos einreißen. Generell geht es um die Fähigkeit, Daten so zu erfassen, zu speichern, zu analysieren und zu sichern, dass Erkenntnisse schnell im gesamten Unternehmen verfügbar sind und zeitnahe geschäftliche Entscheidungen möglich werden.
Infrastrukturanforderungen für Echtzeitanalysen
Die gesamte Analyselösung umfasst vier Ebenen: Infrastruktur, Daten, Analyse und Anwendung. Die Technik von Intel® deckt jeden wichtigen Bereich der IT-Infrastruktur eines Unternehmens ab – Netzwerk-, Datenspeicher- und Computertechnik – und ermöglicht es, dass Daten effizient verwaltet und schnell für Wettbewerbsvorteile genutzt werden können. Eine konsistente Architektur innerhalb eines Unternehmens, die zum Beispiel auf der skalierbaren Intel® Xeon® Prozessorreihe basiert, bietet kalkulierbare Möglichkeiten einer schnellen Skalierung von Analyseprojekten, ohne dass mehrere Architekturen unterstützt werden müssen.
Herkömmliche, auf Data-Warehousing fokussierte Big-Data-Lösungen sind für die Echtzeit-Verarbeitung meist nicht geeignet. Cloud-Anbieter bieten in zunehmendem Maße PaaS-Lösungen (Platform-as-a-Service) und Software-as-a-Service (SaaS) an, die für die Echtzeitanalyse eingesetzt werden können. Über Clouds vermittelte Lösungen ermöglichen es Unternehmen, Aufgaben je nach Umfang, Vielfalt und Geschwindigkeit der Informationen überall dort auszuführen, wo die Unternehmen es wünschen.
Wenn Unternehmen große Datenmengen in der Cloud erzeugen, müssen sie bestimmen, welche Daten zurück ins Unternehmen fließen müssen, um intelligente Entscheidungen zu treffen. Echtzeitdaten können möglicherweise am Netzwerkrand, also beim Endsystem („Edge“) verarbeitet werden, wobei die Datenanalyse am Ort oder in der Nähe der Datenerfassung erfolgt. Die Echtzeitanalyse im Rechenzentrum macht es allerdings notwendig, weiter wachsende große Datenmengen schnell einlesen und analysieren zu können. Daher ist es wichtig, alle Ebenen Ihrer Infrastruktur zu optimieren – von der CPU bis zu den Arbeits- und Datenspeichersubsystemen.
Neue Technik für nichtflüchtigen Systemspeicher ermöglicht es, mehr Daten näher an der CPU vorzuhalten und selbst bei Stromausfällen „In-Memory“ zu behalten, was Verzögerungen durch I/O-Engpässe und das Einlesen der Daten von langsameren SSDs beseitigt und den Neustart beschleunigt.
Bei der Echtzeitanalyse müssen Daten von überall und in jedem Format in das richtige Datensatzformat gebracht werden, damit sie als Ganzes verarbeitet werden können. Wichtig ist dabei zu verstehen, wo die Daten entstehen und wie sie zur Verbesserung von Geschäftsprozessen und für die Entscheidungsfindung genutzt werden.
Wer sind die Hauptakteure auf dem Gebiet der Echtzeit-Datenanalyse?
Als Partner für Analysetechnik bietet Intel die Flexibilität, aus branchenführenden Analysesoftware-Lösungen entweder proprietäre oder Open-Source-Lösungen auswählen zu können.
SAP HANA ist ein Datenbanksystem, das eine Datenbank mit fortgeschrittener Datenverarbeitung, Anwendungsdiensten und flexiblen Integrationsdiensten für Daten kombiniert. HANA nutzt In-Memory-Datenbank-Software, ein Verfahren, bei dem die Daten bei der Abfrage statt auf physischen Laufwerken im Systemspeicher (RAM) liegen.
Auf diese Weise können Kunden Daten auf viele neue Arten und schneller verarbeiten und eine Reihe von „Was-wäre-wenn“-Szenarien erstellen, um Chancen zu nutzen oder Probleme zu vermeiden. Auch andere etablierte Technologie-Unternehmen wie IBM und Oracle haben den Echtzeitbetrieb mit neuer Technik bei ihren Plattformen ermöglicht.
Open-Source-Lösungen, die mit dem Basiscode von Apache Spark arbeiten, machen die Echtzeitanalyse für unstrukturierte Daten, wie soziale Medien, Bilder und Videos, möglich. Stark nutzt eine auf zahlreiche Systeme ausgedehnte In-Memory-Analyse, sodass große Datenmengen parallel verarbeitet werden können.
Viele dieser Lösungen können in der Cloud angeboten werden und gestatten die Durchführung der Analyse dort, wo Daten in sozialen Medien oder im IoD erzeugt werden. Auf diese Weise können Unternehmen Transaktions- und Online-Daten abfragen, um Muster und Trends in Echtzeit an den Tag zu bringen und so agil sein wie ihre Kunden.
Neue Lösungen und Anbieter kommen ständig auf den Markt. So entsteht eine große Vielfalt von Lösungen, die von dem Leistungsvermögen der Computer-, Netzwerk- und Datenspeichertechnik von Intel profitieren, um eine höhere Flexibilität bei Unternehmensanalysen und Entscheidungen zu ermöglichen.
Echtzeit-Analysetechnik von Intel
Von skalierbaren Prozessoren bis hin zur In-Memory-Technologie bietet Intel Lösungen, die die Leistung rechenintensiver Anwendungen beschleunigen und Echtzeitanalysen und schnelle Entscheidungen ermöglichen.
Skalierbare Intel® Xeon® Prozessorreihe
Skalierbare Intel® Xeon® Prozessoren bieten Hochgeschwindigkeitsleistung für Echtzeitanalysen, KI und andere datenintensive Workloads.
Intel® Optane™ Technik
Die Intel® Optane™ Technik umfasst Intel® 3D XPoint™ Speichermedien, Intel® Arbeits- und Datenspeichercontroller, Intel® Interconnect IP und Intel® Software. Sie arbeiten zusammen, um eine geringere Latenz und beschleunigte Systeme für Analyse-Aufgaben bereitzustellen, die eine große Kapazität und schnellen Datenspeicher erfordern.4
Intel® Memory Drive Technology
Intel® Memory Drive Technology erweitert den Systemspeicher für schnellere analytische Erkenntnisse. Die Technologie integriert das Intel® Optane™ Solid-State-Laufwerk (SSD) transparent in das Speichersubsystem und erhöht die Kapazität über DRAM-Einschränkungen hinaus.
Echtzeit-Erkenntnisse für Echtzeitwert
Echtzeit-Streaming-Analysen helfen Ihnen, schneller einen Mehrwert aus Ihren Daten zu erzielen. Von der Verbesserung der Bestandsmodellierung bis hin zur Abwehr von Sicherheitsbedrohungen im Netzwerk stellen Unternehmen in allen Branchen die Infrastruktur bereit, die für genauere Vorhersagen und sicherere Entscheidungen erforderlich ist.