Big Data erfordert Big Data Management - Uniserv

ExpErtENiNtErviEW
speichern und auswerten und bilden so häufig die Klammer
um die verschiedenen Daten-Welten.
Dr. Wolfgang Martin:
Eine Big-Data-Architektur lehnt sich an traditionelle Architekturen
an. Die unterste Schicht ist die der Datenhaltung.
Hier brauchen wir jetzt alternative, hoch-performante
Technologien zur Datenhaltung, die die relationalen Technologien
ergänzen. Auf der Datenhaltungsschicht sitzt
Information Management, das zunächst einmal die traditionellen
Komponenten wie Integrationsplattform, Repository
und Data Quality Management enthält, dann aber
auch neue wie Quellenidentifikation mittels Suchmaschinen
und Extraktionswerkzeuge, die auch ohne APIs Daten extrahieren
können. Hier werden verstärkt In-Memory und
Parallelverarbeitung Einzug halten. Schließlich folgt die
Analytik-Schicht, wo jetzt Data Discovery eine große Rolle
spielt. Wichtig ist auch neben Data und Text Mining die Textanalytik,
die sich insbesondere mittels linguistischer Verfahren
gut für die Analyse unstrukturierter Daten eignet.
Weiterhin spielen in der Analytik jetzt auch Suchmaschinen
eine bedeutende Rolle. Dazu kommen noch Anreicherungsverfahren
wie Geocoding, um all die Lokalisierungsdaten
aus dem mobilen Internet auch gewinnbringend in Analysen
und Prozessen nutzen zu können.
4
Holger Stelz, Director Business Development
& Marketing, UNISERV GmbH.
Datenqualität & Datenintegration trifft Big Data. Wie be-
einflusst die Datenqualität Big-Data-Management?
Holger Stelz
Das Paradigma „der Prozess bestimmt die Datenqualität“
ändert sich auch bei Big Data nicht. Datenqualität ist auch
bei Big Data von enormer Bedeutung. Vor allem dann,
wenn – wie schon von mir angesprochen – Unternehmens-
daten mit Informationen aus Big Data angereichert wer-
den. Wenn also beispielsweise Kundendaten durch Daten
aus den sozialen Medien ergänzt werden sollen, zum Beispiel
bei den benutzerangepassten Suchergebnissen einer
Google-Suche. Eine hohe Datenqualität muss bereits vor
der Datenanalyse gewährleistet sein – am besten schon
bei der Dateneingabe beziehungsweise Datenerhebung.
Denn erst eine einheitliche, qualitativ hochwertige Datenbasis
versetzt die Anwender in die Lage, Daten schnell zu
analysieren und so beispielsweise rechtzeitig auf Markttendenzen
zu reagieren. Die Grundaufgaben von Data
Management in Bezug auf Big Data bleiben dabei die
gleichen: Profiling, Cleansing sowie Anreichern und Abgleichen
mit Referenzdaten. Aber auch hier steigt im Bereich
Big Data die Bedeutung von Datenqualität: Das Schaffen
des Single Point of Truth ist beim gegebenen Datenvolumen
schwieriger geworden und auch die Anforderungen
an die Performance der Datenqualitätslösungen sind stark
angewachsen.
Dr. Wolfgang Martin
In der Vergangenheit hatten wir uns stets bemüht, den Single
Point of Truth herzustellen und zu bewahren. Das wird
nicht mehr so wie bisher, also deterministisch, im Big Data
machbar sein, da eine Konsistenz über alle Datenquellen
in der Regel nicht mehr erreichbar sein wird. Daher wird
der Single Point of Truth eher mit wahrscheinlichkeitstheoretischen
Ansätzen formuliert und definiert werden
müssen. Mit diesen Überlegungen stehen wir aber noch
ganz am Anfang.
Holger Stelz
Um auch mit Big Data im Unternehmen den Single Point of
Truth anzustreben, müssen neben der Performance auch
die Service-Orientierung der Werkzeuge, die Services selbst
und die Plattformen stimmen. Denkbar ist hier zum Beispiel
der Einsatz von hybriden Cloud-Lösungen, bei denen
bestimmte Services in der Cloud zur Verfügung stehen und
andere wiederum on demand abgerufen werden können.