w26M2

Big-Data-Technologien – Wissen für Entscheider
Verzeichnis der Abbildungen
Abbildung 1: Big-Data-Anforderungen und Technologieansätze 21
Abbildung 2: Taxonomie von Big-Data-Technologien 23
Abbildung 3: CAP-Dreieck 29
Abbildung 4: Architektur-Komponenten für Big Data 31
Abbildung 5: Kostenvergleich Hadoop versus Alternativen 36
Abbildung 6: Performance-Begrenzung für unterschiedliche Parallelisierungsgrade 37
Abbildung 7: Shared-Nothing-Architektur des MapReduce-Ansatzes 38
Abbildung 8: Hadoop-Gesamtarchitektur 40
Abbildung 9: Klassifikation von Datenbanken nach Einsatzgebieten 43
Abbildung 10: In-Memory-Data-Grid-Architektur am Beispiel Terracotta BigMemory 46
Abbildung 11: Pig-Latin-Illustration – Umsetzung des legendären Hadoop Wordcount-Beispiels 50
Abbildung 12: Illustrationsbeispiel für HiveQL 51
Abbildung 13: Werkzeuge zum Umbau eines vorhandenen ETL-Jobs in einen MapReduce-Job 52
Abbildung 14: RStudio – freie grafische Benutzeroberflächen für R 63
Abbildung 15: Rattle – freie grafische Benutzeroberfläche für Data Mining 63
Abbildung 16: Schritt 1 – Laden des Beispieldatensatzes 64
Abbildung 17: Schritt 2 – Gewinnung des Überblicks über die Daten 64
Abbildung 18: Schritt 3 – erste grafische Analyse von zwei Variablen 64
Abbildung 19: Schritt 4 – grafische Analyse einer weiteren Variablen 64
Abbildung 20: Schritt 5 – Untersuchung der verschiedenen Variablen im Zusammenhang 65
Abbildung 21: Schritt 6 – Generierung eines Entscheidungsbaums 65
Abbildung 22: Schritt 7 – Auslesen der Regeln des Entscheidungsbaums 65
Abbildung 23: Schritt 8 – Überprüfung der Modellgüte 66
Abbildung 24: Machine-Learning-Pipeline 68
Abbildung 25: OLAP-Würfel zur multidimensionalen Datenanalyse 70
Abbildung 26: Klout-Architektur 71
Abbildung 27: Rollen, Ziele und Visualisierungstechnologien im Überblick 73
Abbildung 28: Anscombe’s Quartett 74
Abbildung 29: Struktur des Abschnitts 4.4 75
Abbildung 30: Interaktives Dashboard mit sukzessiven Detailsichten in Tableau Software 77
Abbildung 31: Mitarbeiterbezogener Datenanalyseprozess 79
Abbildung 32: Cross-Industry Standard Process for Data Mining 81
Abbildung 33: Visualisierungspipeline – komplexe Informationsvisualisierung als mehrstufiger Prozess 82
Abbildung 34: Beispiel für multiple koordinierte Ansichten 84
Abbildung 35: Konzeptuelles Modell des Visual Analytics Loop 85
Abbildung 36: Bezug der VA-Methodik zum CRISP-DM 87
Abbildung 37: Etablierte und neue (grün) Datenintegrationskomponenten im Kontext von Big Data 91
Abbildung 38: Grafische Entwicklung von Hadoop-Integrationsszenarien am Beispiel von Talend 92
Abbildung 39: Data Lineage – Wo kommen die Daten her 98
Abbildung 40: Zusammenspiel von Hadoop mit herkömmlichen Lösungen (vereinfacht) 102
Abbildung 41: Hadoop als unternehmensweite Plattform 102
5