Transcript
Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht Michael Ehrmantraut (Executive IT Architect, FSS)
Mainframe Aktuell 2015 Nürnberg, den 13. November
Analytics
Agenda
1. Die Herausforderung an Unternehmen durch die Digitalisierung 2. Die Analytics „Schattierungen“ 3. Data Reservoir
1
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
2
Die Herausforderungen an Unternehmen durch die Digitalisierung
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
1 v 0.2
© 2015 IBM Corporation
Der Begriff „Digitalisierung“ im Wandel der Zeit „Cognitive Berater“
Analytics Maturity
„ProzessAutomatisierung“
„Datenzentrierung“
„multiChannel“
„papierloses Büro“
• „eAkte“ / ECM • Suchen, Darstellen • Scannen, OCR
Zeit 3
• „One-Click-Abschluss“ • BPM, Cloud, Mobile First
• Big Data / 360° • Next-Best-Action • Hadoop, Social Media
• Kioske, Web-Shops • Call-Center • SOA, 3-Tier
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
• Advisor- / Expertensystem • IBM Watson
Erwartungen und Verhalten von Kunden, Partnern und Mitarbeitern haben sich nachhaltig verändert. Im Back-Office bieten sich durch Automatisierung erhebliche Effizienzpotenziale.
Die Verbindung von Hyperdigitalisierung von Inhalten und Lebenssituationen mit Social Media Analytik schafft neue Möglichkeiten und Bedrohungen im etablierten Geschäftsmodell
Digitalisierung ist nicht nur ein technologisches, sondern vor allem ein gesellschaftliches Phänomen. M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Vier Faktoren treiben durch ihr Zusammenspiel die digitale Transformation. Mobiler Lebensstil Zugang in die digitale Welt immer und überall. Smartphones (Wearables,...) plus „Konten“ werden zur digitalen Identität der Menschen Visuelle und akustische Darstellung von Inhalten für Menschen.
Social Media Explosion
Hyperdigitalisierung Alle Inhalte werden digitalisiert (Musik, Filme, Bücher, Fotos,...). In allen Lebenssituationen werden Daten erzeugt (von Smartphones, Sensoren,...)
Jeder Konsument wird zu einem Produzenten von Inhalten („Procument“) Bedürfnis nach Selbstdarstellung treibt Nutzung der Plattformen. Zwischenmenschliche Interaktion wird digital aufgezeichnet.
*
Macht von Daten und Analysen Mächtige Technologien sind verfügbar, die alle Informationen (unstrukturiert, strukturiert) in Echtzeit kognitiv auswerten können und Menschen visuell und in menschlicher Sprache verfügbar gemacht werden..
Die Digitalisierung verändert massiv die Kundeninteraktion (Front-OfficeTransformation) und die Anbindung ans Back-Office. 4
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Auch der Begriff „Analytics“ unterliegt einem Wandel. Dabei wird „Analytics“ oft entlang unterschiedlicher Dimensionen definiert. Dimension: Analytics Maturity Modell Dimension: Datentyp
Dimension: Datennutzung Dispositive Daten
Operative Daten 5
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
6
Die Analytics „Schattierungen“
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
2 M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
1
In-Transaction-Analytics (In-Tx-Analytics): Die klassische Wurzel von Analytics in Enterprises Operational Systems
Beschreibung: Anwendung basiert auf IMS, CICS oder einer relationalen Datenbank (RDBMS)
Tx
Daten-Verarbeitung: • DB Transaction (Tx) − Short running − All-or-nothing • OLTP Load • ACID Prinzip
Application
Use Cases: a) Traditionell:
Einfache Berechnungen und Aggregationen, um Laufzeit zu minimieren
b) Zukunft:
“Money Laundering” (Analytics während Zahlungsverkehrs Transaktionen)
Infrastruktur: - Text basierte Terminals - IBM System Z - AS400 - BS2000
Treiber: a) Regulatorische Anforderungen
In-TX-Analytics
7
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
2
Post-Transaction-Analytics(Post-Tx-Analytics): Analytics wird komplexer, da stärker entkoppelt von Tx Operational Systems Tx
Step of Workflow
Datenverarbeitung: • Workflow • DB Transaction (Tx) • DB Queries − long running − Wohl-definiert • Mixed Load − OLTP − OLAP für Analytics • ACID Prinzip
ESB
Analytics
Analytics
Application
Beschreibung Anwendung basiert auf relationaler Datenbank (RDBMS)
non-operational System Use Cases: a) “Know-your-customer” (KYC) b) “Peer group validation” c) Trends gehen in Richtung Analytics auf nicht-operationalen bzw. dispositiven Systemen
8
Treiber: a) ESB:
Initiativen wie z.B. SOA, Big Data, Digitalisierung
b) UseCases:
Regulatorische Anforderungen, Prozess Optimierungen
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
Infrastruktur: - Web Anwendungen - IBM System Z - RDBMS - Unix / Windows Anw.. - Enterprise Service Bus
Post-TXAnalytics
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
3
Operational Analytics(OpAnalytics): Verwendet durch Analysten mit Interesse an spezifischen Daten Operational Systems
Beschreibung Analytics Werkzeug / Anwendung verwendet SQL zum direkten Zugriff auf die Operationalen Systeme
Application
OpAnalytics – alternative A: “direct” Copy Replication
E(T)L
OpAnalytics – alternative B: “Copy”
OpAnalytics – alternative C: “Data Mart”
Use Cases: a) Analysen auf homogenen Daten eines Einzelsystems oder einer Systemgruppe b) Use Case Beispiel: Berechnung von Quartals-Berichten c) Trend: Forderung nach immer mehr Ad-Hoc Abfragen
Datenverarbeitung: • DB Queries − long running − well-known − Ad-hoc • OLAP Load • System RessourcenSeiteneffekte mit Op. System möglich in Alternative “direct”! Infrastructure: - RDBMS - Reporting Werkzeuge (COGNOS, SPSS, N) - Windows Frontend
Treiber: a) Verwendung von Daten, die sehr „nah“ (zeitlich & inhaltlich) an den Operationalen Systemen sind
9
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
Operational Analytics
v 0.2
© 2015 IBM Corporation
4
Dispositive Analytics(DisAnalytics): Der traditionelle Weg für Analysen in Unternehmen Operational Systems
Beschreibung Analytics Werkzeug / Anwendung verwendet via SQL ein Data Warehouse (DWH), welches mit transformierten Daten geladen wurde.
Dispositive Systems
Application
Extract Extract
Core DWH
Analytics DWH
Data Marts
Data Warehouse
Application
Use Cases: a) Reporting, Controlling, Vertriebssteuerung, Regulatorische Meldungen u.v.m.
Datenverarbeitung: • DB Queries − long running − well-known − (Ad-hoc) • OLAP Load • Entkoppelt von Op. Anwendungen!! Infrastruktur: - UnternehmensDatenmodelle - RDBMS - Reporting Werkzeuge (COGNOS, SPSS, N)
Treiber: a) Zentraler, unternehmensweiter Datenhaushalt
Dispositive Analytics
b) Transformation: Konsolidierung, Bereinigung (cleansing), Filterung c) Aufbau einer Datenhistorie mit fachlichen und technischen timestamps 10
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
5
Big Data Analytics(BDAnalytics): Der Weg zur Erweiterung des DWH für neue Datentypen und Analytics Operational Systems
Beschreibung: Unstrukturierte Daten (Dokumente, Social Media, Multimedia) oder strukturierte Daten (Replikate, Archive, externe) wird “as-is” gespeichert
Dispositive Systems
Application
Extract Extract
Core DWH
Analytics DWH
Data Marts
Data Warehouse Replication / Load
Landing Zone External Sources
Table Zone
Big Data HUB
11
Infrastruktur: - High-perform. cluster (HPC) auf low-cost x86 Hardware - Hadoop/Spark Eco-Sys. - Reporting Tools (COGNOS, SPSS, N)
Big Data Analytics
Use Cases: a) Typische Big Data Use Cases Social Media
Datenverarbeitung: • „As-is“ Speicherung • Massive parallele Datenverarbeitung • Text Analyse • Batch Prozessierung • BASE Prinzip
Treiber: a) Ermöglicht Analytics auf bis dato nicht verfügbaren Daten
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
6
In-Hadoop-Analytics(InHadAnalytics): Der Trend: Bringe Analytics zu den Daten (vs. Datenabfragen) Operational Systems
Beschreibung: Erweiterung der Big Data Analytics durch Verlagerung des Analytics Algorithmus in das Hadoop Cluster hinein
Dispositive Systems
Application
Extract Extract
Core DWH
Analytics DWH
Data Marts
Data Warehouse Replication / Load
Landing Zone External Sources
Table Zone
Deep Analytics Z.
Big Data HUB
Datenverarbeitung: • „As-is“ Speicherung • Massive parallele Datenverarbeitung • Text Analyse • Batch Prozessierung • BASE Prinzip Infrastruktur: - High-perform. cluster (HPC) auf low-cost x86 Hardware - Hadoop/Spark Eco-Sys - Reporting Werkzeuge (BigSheets, SPSS, R, SAS)
In-Hadoop Analytics
Use Cases: a) Big Data Analytics mit extrem parallelisierten Algorithmen Social Media 12
Treiber: a) Deep Analytics auf sehr großen Datenmengen
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
7
Analytics auf Near-Time Daten (NTDataAnalytics): Der Trend zur Nutzung aktueller Daten für Analytics (vs. tagesaktuell) Operational Systems
Beschreibung: Ersetzen von klassischen ETL basierten LadeVerfahren durch Replikation
Dispositive Systems
Application
OpAnalytics – alternative A: “direct” Replication
Core DWH
Replication
Analytics DWH
Data Marts
Data Warehouse
Replication
Landing Zone
Table Zone
Deep Analytics Z.
Big Data HUB Use Cases: a) Real-time Kopie von Daten für Analytics
Datenverarbeitung: a) Direkter Zugriff auf Quellsysteme bei bereits erwähnten Seiteneffekten b) Schrittweise “neartime” Kopie von Quelldaten zur Vermeidung der erwähnten Seiteneffekte Infrastruktur: - Quelle: RDBMS - Ziel: RDBMS oder Hadoop / Spark - Reporting Werkzeuge (Cognos, SPSS, N)
Analytics on near-time data
Treiber: a) Aktuelle Sicht auf Unternehmensdaten 13
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
8
Real-Time- / Stream- Analytics(StreamAnalytics): Analytics auf großen, nicht persistierten Datenströmen Operational Systems
Dispositive Systems
Use Cases: a) Analytics auf “data in motion” Treiber: a) Zeitnahe Reaktion auf Events, die aus großen Datenströmen zu identifizieren sind
Core DWH
Analytics DWH
Data Marts
Data Warehouse
Landing Zone
Table Zone
Deep Analytics Z.
Sensor
Big Data HUB OP
OP OP
Social Media
14
Beschreibung: Analytics auf großen Datenströmen durch Filterung, Aggregation und andere Berechnungen auf interessanten Teilbereich reduziert. Datenverarbeitung: • “Data-in-motion” • parallele Stream Prozessierung • Nur Ergebnisse werden persistiert Infrastruktur: - Stream Analytics Werkzeuge - Benutzung von Datenspeichern (DWH, Hadoop, Spark) für Ergebnis Persistierung
OP OP
Stream Analytics
OP OP
Stream Analytics
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
9
In-Memory-Analytics (InMemAnalytics) Verwendung des Hauptspeichers zur Beschleunigung von Analytics Operational Systems
Beschreibung Hauptspeicherbasierte Datenverwaltung in Verbindung mit spaltenbasierter Organisation der Daten zur Beschleunigung von OLAP Analytics.
Dispositive Systems
Application
Core DWH
Analytics DWH
Data Marts
Data Warehouse
Landing Zone
Table Zone
Deep Analytics Z.
Big Data HUB OP
OP OP
Datenverarbeitung: • OLAP Load • High Performance Abfragen • Benötigt zusätzliche Persistierung (z.B. RDBMS) Infrastruktur: - In Memory Datenbank - Große Datenmengen benötigen trotz sehr guter Komprimierung (teuren) RAM
OP OP
In-Memory Analytics
OP OP
Stream Analytics 15
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
“All Shades of Analytics” in einer Gesamtübersicht Operational Systems
Tx
Tx Application
1
Dispositive Systems
In-Transaction Analytics
2
Step of Workflow
Post-Transaction Analytics
ESB
7
Analytics
Near-time Analytics
Operational Analytics Extract Extract
Core DWH
Analytics DWH
Data Marts
4
Data Warehouse Replication / Load
5 Landing Zone
Table Zone
External Sources
6
Big Data HUB OP Sensor Social Media
16
Deep Analytics Z.
OP OP
OP OP
8
OP OP
Stream Analytics
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
Dispositive Analytics Big Data Analytics
In-Memory Analytics
3
9
In-Hadoop Analytics
Stream Analytics v 0.2
© 2015 IBM Corporation
3
Data Reservoir
17
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Typische Anforderungen der Fachbereiche bei UnternehmenN Fachbereichsmitarbeiter benötigen Zugang zu den Informationen ihres Unternehmens, um sie zu untersuchen, auszuwählen, zu kontrollieren und zu erweitern. Dabei möchten sie ihre eigene Geschäftsterminologie unter Berücksichtigung eines Mindestmaß an Sicherheit und Governance nutzen. Data Scientisten suchen Daten für neue analytische Modelle.
• Day-to-day Aktivitäten • benötigen Ad-hoc Zugang zu einem weiten Feld an Datenquellen. • Unterstützen Analysen und Entscheidungsfindungen. • Verwenden Geschäftsterminologie.
Marketiers suchen Daten für neue Kampagnen. Betrugsfahnder suchen Daten um die Details von suspekten Aktivitäten zu verstehen
Erwünscht ist die Flexibilität von Spreed Sheets aber mit den Skalierungsmöglichkeiten für sehr große Volumen und eine breite Palette von unterschiedlichen Informationstypen - jedoch unter Berücksichtigung von Konzepten zum Schutz, Optimieren und Bereitstellen von Daten. 18
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
N resultieren in einem Spannungsfeld mit der IT des Unternehmens. Fachabteilungen möchten • • •
uneingeschränkten Zugang zu allen verfügbaren Informationen mächtigere Analyse- und Visualisierungs-Werkzeuge Schnelle Umsetzung und niedrige Kosten für die Bereitstellung neuer Daten IT Abteilungen sorgen sich um
•
Fachabteilungen betreiben • • • •
IT Abteilungen
eigene Server mit zusätzlichen Daten • bewirtschaften Daten manuell meist fehlende Governance • betrachten Datenqualität als „IT Problem“ •
Aufbau einer sog. Schatten-IT Compliance 19
• Klare und stabile Prozesse • Datenqualität und Pflegeprozesse • Wartung und Pflege von Anwendungen • Einhaltung von Unternehmensstandards Governance und regulatorische Anforderungen
Datenqualität
konzentrieren sich auf Kernbereiche wie z.B. Produktionssysteme und DWH verharren weiterhin in starren Prozessen ignorieren Brüche der Standards
„saubere“ aber unflexible Kern-IT Unternehmens-Standards
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
Gesamt-IT-Kosten v 0.2
© 2015 IBM Corporation
Der Wunsch: Ein Data Lake für alle verfügbaren Informationen Ein Data Lake • enthält alle verfügbaren Informationen eines Unternehmens (strukturiert/unstrukturiert, intern/extern) • bietet standardisierten Zugriff • enthält Daten unterschiedlicher Herkunft und Qualität koexistent nebeneinander
Durch exzessive Nutzung dieses Konzeptes kann jedoch ein Data Swamp entstehen! • Nutzer verlieren den Überblick bei den verfügbaren Daten • Das Vertrauen in die Daten (-Qualität) geht schrittweise verloren • Informationen sind zwar verfügbar aber nicht auffindbar 20
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Die Idee: Ein Data Reservoir Ein Data Reservoir • enthält ebenfalls alle verfügbaren Informationen eines Unternehmens, verfügt jedoch über eine strenge „Zulaufkontrolle“ • enthält als zentrale Komponente einen Katalog mit Metadaten (fachlich, technisch, dynamisch) zu allen verfügbaren Informationen • Der Katalog ist der Schlüssel sowohl für die Kontrolle der Daten als auch für deren Nutzung
21
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
22
Was ist ein Data Reservoir?
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Was ist ein Data Reservoir? Data Reservoir Services
Ein Data Reservoir ist ein Data Lake, der alle Daten eines Unternehmens für vielfältige Arten von Analytics enthält wie z.B.: – – – – –
Discovery und Exploration Simple Ad-hoc Analysen komplexe Analysen für Geschäftsentscheidungen Reporting Echtzeit-Analysen
Es ist möglich, Analytics in das Data Reservoir zu verlegen, um zusätzlichen Erkenntnisse über die Daten zu erlangen. Ein Data Reservoir verwaltet gemeinsam genutzte Repositories mit Informationen für analytische Zwecke. Jedes Data Reservoir Repository ist für einen speziellen Typ von Analytics optimiert (Real-time Analytics, Data Mining, explorative Analytics, OLAP, Reporting, …) 23
Data Reservoir Repositories
Information Management and Governance Fabric Data Reservoir
Daten können prinzipiell mehrfach in verschiedenen Repositories enthalten sein, sie wurden jedoch kontrolliert und katalogisiert mittels einer klar definierten Verarbeitungskette hinzugefügt. Daten können über unterschiedliche Schnittstellen - den Data Lake Services ausgelesen werden.
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
24
11
Typisches FSS DWH Scenario
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
IBM Referenzarchitektur für Advanced Analytics und Big Data Alle Datenquellen Streaming Data
Text Data
Applications Data
Advanced Analytics / New Insights
Platform Merkmale • • • •
Neue / erweiterte Anwendungen
Information Ingest and Refinery Watson
Batch & Real Time Analytics Warehouse & Analytic Appliances Information Governance
Cognitive Learn Dynamically?
Real-time
Real-time Data Processing & Analytics Analytics
Prescriptive
Alerts Automated Process
Best Outcomes?
Zone
Time Series
Geo Spatial
Information Ingestion and Operational Operational Information
data zone
Video & Image
Landing, Exploration Landing and and Archive Exploration data zone Zone
Deep Enterprise Warehouse Analytics and Mart dataZone zone
Predictive What Could Happen?
Descriptive What Has Happened?
EDW and data mart zone
Exploration and Discovery What Do You Have?
Relational Information Governance, Security and Business Continuity Information Integration & Governance
Social Network
Systems
Security
Case Management
Analytic Applications
Cloud Services
ISV Solutions
Storage
On premise, Cloud, As a service 25
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Ein typisches DWH / Analytics Szenario besteht meist aus mind. zwei voneinander getrennten Bereichen (Silos) mit separierten Daten-Domänen Operational Systems / Data
ETL, Transformation, Cleasing
Analytics Systems /
DWH / EDWH Predict Data Integration
SAP BI-BW
SAP Module 26
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
In vielen Unternehmen der Finanzindustrie haben sich parallel mehrere DWH etabliert, welche separate Geschäftsbereiche abdecken Operational Systems / Data
Analytics Systems /
Data Integration
Data Integration
DWH A
Predict DWH B
SAP BI-BW
SAP Module 27
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Aktuell haben viele Unternehmen ein weiteres Silo für PoCs/Projekte für Analytics auf nicht-strukturierten Daten auf Basis von Hadoop gestartet Operational Systems / Data
Analytics Systems /
Data Integration
DWH A
Data Integration
DWH B Predict External Sources
Social Media
Big Data Analytics Sensor
SAP BI-BW
SAP Module 28
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Ein IBM Data Reservoir löst die Silos auf und etabliert eine Agile Datenversorgung für Self-Service BI für direkten Zugriff auf alle Unternehmensdaten Operational Systems / Data
Analytics Systems /
Social Media
All Data / Data Types in as-is format
External Sources
ETL, Load, Replication
Governance Catalog
DWH A Data Mart
Predict
DWH B Data Mart
Sensor
Explore
Big Data Analytics Data Mart Refinery
SAP Module 29
Landing Zone
SAP BI-BW
Data Reservoir
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Zusammenfassung
• Digitalisierung fördert massiv Analytics • Alle Arten von Arten sind betroffen • Viele Analytics sind prädestiniert für den Mainframe
30
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
BI-SPEKTRUM Ausgabe 01/2015 Titelthema: Big-Data-Architekturen
http://www.tdwi.eu/fileadmin/user_uploa d/zeitschriften//2015/01/ehrmantraut_BI S_01_2015_jhre.pdf 31
IBM Analytics – Wie die Technologie-Evolution für Analytics einen „Datensee“ ermöglicht
M. Ehrmantraut
v 0.2
© 2015 IBM Corporation
Thank You ! Michael Ehrmantraut Executive Information Architect Lead Architect IM FSS Germany Member of the IBM TEC
IBM Deutschland GmbH Telefon: E-Mail:
+49-171 223 7186
[email protected]
Analytics
