Daten über Daten über Daten

“The value of an idea lies in the using of it.”

Thomas A. Edison

Große Mengen Daten werden übereifrig gesammelt, aber wertschöpfend eingesetzt wird oftmals nur ein kleiner Anteil aller verfügbaren Daten. So viel Potenzial bleibt bisher ungenutzt, obwohl es sich kaum einer erlauben kann vor Themen wie Big Data, Machine Learning, Data Science, KI und weiteren neuen Technologien die Augen zu verschließen. Ursachen dieses Phänomens sind die fehlenden Fähigkeiten Daten zu verstehen und diese als Kapitalanlage systematisch zu nutzen.

US-Studien zeigen einerseits, das Unternehmen unzureichend auf Herausforderungen im Umgang mit Daten vorbereitet sind, andererseits wird mangelnde Datenkompetenz („Data Literacy“) mit als größte Hürde einer erfolgreichen Data Management Strategie eingestuft.

von Branimir Karacic

Der Unternehmer und Autor Frank Martin Püschel erzählt in seinem Buch „Radical Change“ von seinem neu entwickelten Wirtschaftskonzept TRI-MONY, welches zum Ziel hat, die scheinbare Kluft zwischen Profitmaximierung und Nachhaltigkeit zu überwinden.

Künstliche Intelligenz oder irgendwas mit neuronalen Netzen

Künstliche Intelligenz hat es als Gesprächsstoff inzwischen sogar in die Politik und in die Feuilletons der Zeitungen geschafft, wo insb. die gesellschaftlichen Auswirkungen dieser neuen Technologien diskutiert werden. Da häufig neuronale Netze eine beliebte Technologie sind, mit denen künstliche Intelligenz erklärt wird, bleibt bei den Lesern das Bild eines nachprogrammierten Gehirns haften, was entsprechende Emotionen wie Angst oder Ungewissheit weckt.

Dabei sind neuronale Netze nur ein Ansatz für das sogenannte maschinelle Lernen (Englisch: Machine Learning). Hierbei lernt ein Algorithmus aus Beispielen, also historischen Daten, und kann diese nach Beendigung der Lernphase verallgemeinern, und damit auf neue, unbekannte Daten wieder anwenden. Dabei werden oft auch schon seit Jahrhunderten bekannt statistische Verfahren wie z.B. die lineare Regression angewendet.

Neben der eigentlichen Extraktion, Aufbereitung und Analyse der Daten bietet maschinelles Lernen die Möglichkeit, Zusammenhänge zwischen den Daten in Algorithmen auszudrücken und zu nutzen. Die Vorteile maschinellen Lernens gegenüber von Menschen programmierten Algorithmen werden mit der derzeitigen Entwicklung der Datenquellen in den Unternehmen begünstigt. Im Big-Data-Zeitalter stehen Unternehmen in Qualität und Quantität ausreichend Daten zur Verfügung, um diese zu analysieren und algorithmische Zusammenhänge sicher zu erkennen.

Data Warehouse und Big Data –
Grundpfeiler eines modernen Data Hubs - Teil 3

Unter dem Motto – „Data Warehouse und Big Data – Grundpfeiler eines modernen Data Hubs“ – stellen wir Ihnen hier diese beiden Lösungen vor. Neben einer Gegenüberstellung der Unterschiede beider Welten, erhalten Sie auch eine Nutzendarstellung. Ziel ist es, das „Warum“ und „Wofür brauche ich welche Ansätze“, zu liefern.

Dies ist der dritte Teil der Serie. In diesem Artikel geht es um den Nutzen und die Zielrichtung von Data Warehouse und Big Data.

Die Entscheidung zur Nutzung einer klassischen DWH-Welt oder einer modernen Big Data-Welt hängt maßgeblich von der Zielrichtung ab (vgl. Abbildung 4). Im Folgenden werden unterschiedliche Zielrichtungen von beiden Welten aus dem praktischen Erfahrungsschatz vieler Kundenprojekte der Autoren diskutiert.

In den letzten Jahren sind die Trends Agilität und Microservices sowie DevOps und Containerisierung im Bereich der Softwareentwicklung zu erkennen. Diese Trends unterstützen und fördern einander mit dem Ziel, Aufwände und damit Kosten zu senken oder neue Wege zu eröffnen. Daher wollen wir heute ein Buch vorstellen, welches einen Einblick in die derzeit populärste Containertechnologie bietet: Docker.

Docker bietet im Großen und Ganzen 4 Vorteile:
1. Heterogene Technologie-Stacks lassen sich auf einheitliche Weise installieren und betreiben.
2. Dadurch lassen sich die Arten verschiedener Hosts reduzieren (von nodeJs-Host, JavaEE-Host, Ruby-Host etc. auf Docker-Host)

3. Diese Einheitlichkeit ermöglicht es, mit Tools wie Kubernetes oder Docker-Swarm relative kostengünstig ausfallsicherere und skalierbare Cluster aufzubauen
4. Das Setup der Container-Images lässt sich über die Docker-Files sehr gut nach dem Infrastructure-as-Code-Ansatz in eine Versionsverwaltung aufnehmen

Tradeoff dieser Vorteile ist vor allem das Updatemanagement der Docker-Images und -Container.

Data Warehouse und Big Data –
Grundpfeiler eines modernen Data Hubs - Teil 2

Unter dem Motto – „Data Warehouse und Big Data – Grundpfeiler eines modernen Data Hubs“ – stellen wir Ihnen hier diese beiden Lösungen vor. Neben einer Gegenüberstellung der Unterschiede beider Welten, erhalten Sie auch eine Nutzendarstellung. Ziel ist es, das „Warum“ und „Wofür brauche ich welche Ansätze“, zu liefern.

Dies ist der zweite Teil der Serie. In diesem Artikel geht es um die Unterschiede zwischen Data Warehouse und Big Data-Lösungen.

Beide Lösungen haben durchaus Gemeinsamkeiten wie z.B. die Verwaltung großer Datenmengen und deren Verwendung im Reporting. Dennoch gibt es einige wichtige Unterschiede, die in dieser Tabelle übersichtlich dargestellt werden.

Data Warehouse und Big Data –
Grundpfeiler eines modernen Data Hubs – Teil 1

Unter dem Motto – „Data Warehouse und Big Data – Grundpfeiler eines modernen Data Hubs“ – stellen wir Ihnen hier diese beiden Lösungen vor. Neben einer Gegenüberstellung der Unterschiede beider Welten, erhalten Sie auch eine Nutzendarstellung. Ziel ist es, das „Warum“ und „Wofür brauche ich welche Ansätze“, zu liefern.
In dieser 3-teiligen Blogserie starten wir heute mit der Definition von Data Warehouse und Big Data. Im zweiten Blogbeitrag erwartet Sie dann die Gegenüberstellung der Beiden sowie in Teil 3 eine Nutzendarstellung und möglicher Ausblick auf zukünftige Lösungsansätze.

Daten sind in Unternehmen mittlerweile ein anerkannter Vermögenswert. Um diesen Vermögenswert intelligent zu nutzen, haben sich in der Praxis konventionelle Data-Warehouse (DWH)- und moderne Big-Data-Ansätze entwickelt. Da Daten die Grundlage dieser beiden Ansätze bilden, werden sie aus einer Makroperspektive häufig gleichgesetzt. Tatsächlich nehmen sie jedoch unterschiedliche technische, fachliche und rechtliche Parameter in den Blick: Ein klassisches DWH und Big-Data-Technologien bieten also Lösungen für ganz unterschiedliche Aufgabenstellungen und Zielrichtungen eines Unternehmens. Für eine optimale Ausschöpfung der Daten und Steigerung der Konkurrenzfähigkeit ist für Unternehmen eine zielgerichtete Symbiose der Ansätze eines DWH sowie von Big Data Lösungen umzusetzen. Die Koexistenz beider Ansätze schafft eine maximale Wertschöpfung.

Kanban ist eine Methodik, die in der agilen sowie klassischen Softwareentwicklung eingesetzt wird. Ursprünglich kommt Kanban aus der Produktionssteuerung und hilft dabei, die Anzahl paralleler Arbeiten zu begrenzen, um kürzere Durchlaufzeiten zu erreichen und Engpässe sichtbar zu machen. Da das erste Kanban-System schon im Jahr 1947 entworfen wurde, gibt es natürlich zahlreiche Abhandlungen zu dem Thema. Ich möchte hier das Buch „Kanban in der Praxis“ von Klaus Leopold rezensieren.

Wie der Titel von „Kanban in der Praxis“ bereits suggeriert, wendet sich das Buch an Leser, die in Kanban bereits erprobt sind, ihre Methodik verbessern und die Thematik praxisorientiert weiter vertiefen möchten.

Nachdem wir uns im vorherigen Beitrag mit der Automatisierung von Aufgaben in Prozessen mit Process und Rule Engines beschäftigt haben, steht in diesem Beitrag die Robotic Process Automation, kurz RPA genannt, im Vordergrund. Ich werde zunächst eine kurze Einführung zu RPA geben, bevor ich dann Anwendungsfälle für den Einsatz von Softwarerobotern vorstelle und auf die damit verbundenen Herausforderungen eingehe. Danach beleuchte ich die verschiedenen Möglichkeiten Softwareroboter zu konstruieren und gebe einen Ausblick auf mögliche Weiterentwicklungen von RPA.

Um ein Unternehmen zu verändern sind viele Maßnahmen denkbar. An den Prozessen anzusetzen hat die mit Abstand größte Wirkung. Die Prozesse sind der Puls des Unternehmens – ohne sie kann ein Unternehmen nicht koordiniert arbeiten. Process Engines sind dazu da, an diesen Prozessen anzusetzen – und sie zu automatisieren. Process und Rule Engine greifen ineinander, sodass die Process Engine den Prozess ausführt und die Rule Engine die notwendigen Entscheidungen automatisiert. Für den eigentlichen Mitarbeiter, welcher diesen Prozess realisiert, ist das eine gute Entwicklung, denn ihm werden die automatisierbaren Aufgaben abgenommen und nur Aufgaben, welche zu komplex für die Automatisierung sind,  werden vom Mitarbeiter übernommen.