Architekturen für BI & Analytics

Architekturen für BI & Analytics

by Peter Gluchowski, Frank Leisten, Gero Presser
Released October 2021
Publisher(s): dpunkt
ISBN: 9783864908644

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

Sowohl regulatorische Vorgaben als auch gesteigerte Anforderungen seitens der Fachanwender haben in den letzten Jahren zu immer komplexeren Business-Intelligence- und Analytics-Landschaften geführt, die es zu entwickeln und betreiben gilt. So setzt sich eine heute übliche Architektur aus zahlreichen Einzelkomponenten zusammen, deren Zusammenspiel und funktionale Abdeckung als wesentlicher Erfolgsfaktor für zugehörige BIA-Initiativen zu werten ist.

Dieses Buch setzt sich das Ziel, die derzeit gebräuchlichen Architekturmuster zu beschreiben und dabei einen Überblick über die aktuell verwendeten Technologien zu liefern. Dabei werden nicht nur die architektonischen Frameworks der großen Produktanbieter aufgegriffen, sondern darüber hinaus Lösungen für konkrete Anwendungsfälle präsentiert.

Table of contents

  1. Cover
  2. Über den Author
  3. Titel
  4. Impressum
  5. Vorwort
  6. Inhaltsübersicht
  7. Inhaltsverzeichnis
  8. Teil I Grundlagen
    1. 1 Einführung in die BIA-Architekturen
    2. 1.1 BIA-Trends und -Entwicklungen
    3. 1.2 Architekturkonzepte und -facetten
    4. 1.3 Datenbezogene Rahmenbedingungen
    5. 1.3.1 Datenstrategie
    6. 1.3.2 Data Valuation
    7. 1.3.3 Data Management
    8. 1.4 Anforderungen an eine ganzheitliche BIA-Architektur
    9. 1.5 Klassische Architekturen für BIA-Ökosysteme
    10. 2 Architekturen und Technologien für Data Lakes
    11. 2.1 Historie der dispositiven Datenplattformen
    12. 2.2 Das Data-Lake-Konzept
    13. 2.3 Architektur eines Data Lake
    14. 2.4 Datenarchitektur eines Data Lake
    15. 2.5 Technologien für einen Data Lake
    16. 2.6 Herausforderungen in der Umsetzung eines Data Lake
    17. 3 Datenzugriffsstrategien für Analytics bei beschränktem Datenquellenzugriff
    18. 3.1 Ursachen von Einschränkungen auf Datenquellen
    19. 3.2 BIA-Anforderungen an Datenquellen
    20. 3.3 Datenstrategische Überlegungen
    21. 3.3.1 Trennung von Problemstellung und technischer Lösung
    22. 3.3.2 Skalierbarkeit
    23. 3.3.3 Cloud-Strategie und Datenschutz
    24. 3.3.4 Data Management
    25. 3.4 Lösungsansätze bei unterschiedlichen Einschränkungen
    26. 3.4.1 Technische Probleme der Connectivity
    27. 3.4.2 (Firmen-)»Politische« Themen und Lizenzen
    28. 3.4.3 Datenschutzanforderungen beim Zugriff
    29. 3.5 Entkoppeln von Systemen und Datenvirtualisierung
    30. 3.6 Abgrenzung und weiterführende Themen
    31. 4 Enterprise Application Integration: aktuelle Ansätze
    32. 4.1 Ein altbekanntes Thema vor immer neuen Herausforderungen
    33. 4.2 Der Unterschied zwischen Theorie und Praxis ist in der Praxis weit höher als in der Theorie
    34. 4.3 Die Zeit des ESB
    35. 4.4 Neue Anforderungen durch die Clouds
    36. 4.5 Drei aktuelle Lösungsansätze
    37. 4.5.1 iPaaS – Integration mittels Low Code und als Turnkey-Lösung
    38. 4.5.2 Kafka – der neue ESB?
    39. 4.5.3 Serverless Integration – alles in der Cloud
    40. 4.6 Fazit
  9. Teil II Plattformen und Ökosysteme
    1. 5 Cloud Data Platform für die Logistikbranche: eine Lösung auf Basis von AWS
    2. 5.1 Herausforderung
    3. 5.2 Grundlegende Architektur
    4. 5.3 Technische Architektur mit AWS
    5. 5.4 Data Lake: AWS S3 und AWS Lake Formation
    6. 5.5 ETL und mehr: AWS Glue
    7. 5.6 Data Warehouse: AWS Redshift
    8. 5.7 Query Engine: AWS Redshift Spectrum
    9. 5.8 Visualisierung: AWS QuickSight
    10. 5.9 Flexibilität in der Architektur
    11. 5.10 Betrieb und Wartung
    12. 5.11 Ergebnis und Resümee
    13. 6 Organise the world's data – like Google
    14. 6.1 Einführung
    15. 6.1.1 Herausforderungen für eine erfolgreiche BI-Landschaft
    16. 6.1.2 Der Nutzen einer erfolgreichen BI-Landschaft
    17. 6.2 BI in der Public Cloud vs. On-Premises BI
    18. 6.2.1 Vom Budgetprozess hin zum aktiven Kostenmonitoring
    19. 6.2.2 Neue Unternehmensstrukturen rund um BIA in der Cloud
    20. 6.2.3 Trennung von Datenspeicherung und Rechenleistung
    21. 6.2.4 Elastizität und Skalierbarkeit
    22. 6.2.5 Infrastruktur als Code – IaC
    23. 6.2.6 Konvergenz von SQL und KI/ML
    24. 6.2.7 Vom Prototyp zur Applikation
    25. 6.3 Moderne Ansätze und neue Konzepte für BIA
    26. 6.3.1 Data Mesh aka Enterprise Data Evolution
    27. 6.3.2 Lake House als nächste Generation des Data Lake
    28. 6.4 Business Intelligence mit Google Cloud
    29. 6.4.1 Einführung einer serverlosen Architektur
    30. 6.4.2 Einführung innovativer KI/ML-Technologien
    31. 6.4.3 KI/ML im produktiven Einsatz
    32. 6.4.4 Ende-zu-Ende-Anwendung von einer mit KI/ML integrierten Datenplattform
    33. 6.4.5 Das »Big Picture« als Referenzarchitektur für ein modernes Lake House
    34. 6.4.6 Betrieb produktiver Anwendungen mit Google
    35. 6.5 Fazit und Ausblick
    36. 7 Die Modern-Data-Warehouse-Architektur von Microsoft
    37. 7.1 Datenablage mit Azure Data Lake Storage Gen2
    38. 7.2 Data Ingest und Orchestrierung
    39. 7.3 Transformation, Serving und ML mit Azure Synapse Analytics
    40. 7.4 Transformation, Serving und ML mit Azure Databricks
    41. 7.5 Data Lab Toolbox – Machine Learning
    42. 7.5.1 Azure Machine Learning (AML)
    43. 7.5.2 Azure Cognitive Services
    44. 7.6 Visualisierung mit Power BI
    45. 7.7 Data Governance mit Azure Purview
    46. 7.8 Azure DevOps
    47. 8 SAP Business Warehouse von gestern bis morgen
    48. 8.1 Business Intelligence made in Walldorf
    49. 8.1.1 SAP Business Warehouse – Wie alles begann
    50. 8.1.2 Probleme, Kritik und Herausforderungen im SAP BW-Kontext
    51. 8.2 Entwicklung des SAP BW
    52. 8.2.1 Die Zeit vergeht, das SAP BW bleibt
    53. 8.2.2 Der große Wurf bleibt aus
    54. 8.3 SAP Business Intelligence – heute und morgen
    55. 8.3.1 HANA und Cloud geben die Strategie vor
    56. 8.3.2 Features und Werkzeuge für Data Management und Data Integration
    57. 8.3.3 Reporting und Analyse dort, wo die Daten generiert werden
    58. 8.3.4 Hybride Konzepte als State-of-the-Art-Architektur
    59. 8.4 Ausblick und Fazit
    60. 9 Aus der Theorie in die Praxis – der Einfluss regulatorischer Anforderungen auf eine moderne Referenzarchitektur
    61. 9.1 Aktuelle Herausforderungen
    62. 9.2 Historisierung
    63. 9.2.1 Bitemporale Historisierung
    64. 9.2.2 Best Practice
    65. 9.3 Datenschichtenarchitektur
    66. 9.3.1 Datenschichten der Referenzarchitektur
    67. 9.3.2 Archivierung und Housekeeping
    68. 9.4 Integrationsarchitektur
    69. 9.4.1 Verfahren und Werkzeuge
    70. 9.4.2 Anbindung Metadatenmanagement
    71. 9.4.3 Anbindung Datenqualitätsmanagement
    72. 9.5 Metadatenmanagement (MDM)
    73. 9.5.1 MDM – Kernanforderungen
    74. 9.5.2 Die Metamodelllandkarte (Modellsichten)
    75. 9.5.3 Data Lineage
    76. 9.5.4 Best Practice MDM – Technologie
    77. 9.5.5 Best Practice MDM – Architektur
    78. 9.6 Datenqualitätsmanagement (DQM)
    79. 9.6.1 DQM – Kernanforderungen
    80. 9.6.2 Prüfregeln
    81. 9.6.3 Korrekturen
    82. 9.6.4 Best Practice DQM – Architektur
    83. 9.7 Fazit und Handlungsempfehlungen
    84. 10 Case Study: Crédit Agricole Consumer Finance Netherlands
    85. 10.1 Herausforderungen
    86. 10.1.1 Lange Time-to-Market
    87. 10.1.2 Zugang zu Echtzeitdaten
    88. 10.1.3 Daten für operative Zwecke
    89. 10.1.4 DSGVO-Konformität
    90. 10.1.5 Anbindung von modernen Datenquellen
    91. 10.2 Anforderungen an die neue Lösung
    92. 10.3 Moderne Datenarchitektur
    93. 10.4 Use Cases
    94. 10.4.1 360°-Blick auf Kunden
    95. 10.4.2 Echtzeit-Sales-Monitoring
    96. 10.4.3 Marketinganalysen
    97. 10.4.4 Risk Management
    98. 10.4.5 Data Preparation für regulatorische Reportings
    99. 10.5 Schlussfolgerung: Datenvirtualisierung das Allheilmittel?
    100. 11 Datenvirtualisierung
    101. 11.1 Moderne Datenarchitekturen für das Zeitalter der Digitalisierung
    102. 11.2 Datenvirtualisierung – ein Überblick
    103. 11.2.1 Anwendungsfälle der Datenvirtualisierung
    104. 11.3 Die Technologie der Datenvirtualisierung
    105. 11.3.1 Zugriff auf das Datenmodell
    106. 11.3.2 Datenschutz und Sicherheit
    107. 11.3.3 Query-Optimierung
    108. 11.3.4 Daten-Caching
    109. 11.3.5 Datenkatalog
    110. 11.4 Abgrenzung zu anderen Integrationstechnologien
    111. 11.5 Kundenbeispiel: Die Festo Gruppe
    112. 11.5.1 Unternehmensprofil der Festo Gruppe
    113. 11.5.2 Geschäftsanforderungen
    114. 11.5.3 Die Lösung
    115. 11.5.4 Die Mehrwerte
    116. 11.6 Zusammenfassung
    117. 11.6.1 Die Anwenderperspektive
    118. 11.6.2 Die Data-Governance-Perspektive
    119. 11.6.3 Die IT-Perspektive
  10. Teil III Architekturbeispiele
    1. 12 BIA-Architekturen für klinische Studien
    2. 12.1 Über klinische Studien
    3. 12.2 Anforderungen an die BI-Architektur
    4. 12.3 Architekturdetails
    5. 12.3.1 Architekturüberblick
    6. 12.3.2 Staging
    7. 12.3.3 Core
    8. 12.3.4 Publish
    9. 12.3.5 Virtualisierung (Domänen durch Konfiguration)
    10. 12.4 Entwicklungsgeschichte und Ausblick
    11. 12.5 Use Cases
    12. 12.5.1 Virtual Cut Off
    13. 12.5.2 Subject Status
    14. 12.5.3 Baseline Flags
    15. 12.5.4 Clean Patient Tracker
    16. 12.5.5 Fraud Detection in Clinical Trials
    17. 12.5.6 Testautomatisierung (TAT)
    18. 13 BIA-Architekturen in der Versicherungsbranche
    19. 13.1 Ausgangssituation
    20. 13.2 Zielsetzung
    21. 13.3 Zielarchitektur
    22. 13.4 Data Lake
    23. 13.5 Datenverarbeitung
    24. 13.6 Ablaufsteuerung
    25. 13.7 Data-Science-Labor
    26. 13.8 Reporting
    27. 14 BIA-Architekturen für kleine und mittlere Unternehmen
    28. 14.1 Ausgangssituation
    29. 14.2 Neue Themen als Treiber für Innovationen
    30. 14.2.1 Stammdaten- und Datenqualitätsmanagement
    31. 14.2.2 Cloud-Infrastrukturen
    32. 14.2.3 Data Science im Mittelstand
    33. 14.3 Konsequenzen für kleine und mittlere Unternehmen
    34. 14.3.1 Tabellen- und Textdateien ersetzen keine Datenbank
    35. 14.3.2 Cloud-Servicemodelle verstehen
    36. 14.3.3 Data Science light einführen
    37. 14.4 Fazit
    38. 15 Integrierte Planung und Reporting im Business-Analytics-gestützten Controlling
    39. 15.1 Die Entwicklung der Finanzplanung und -analyse
    40. 15.2 Der Weg zur datengetriebenen Unternehmenssteuerung
    41. 15.3 CCH® Tagetik – eine Lösung für alle Corporate-Performance-Management-Bereiche
    42. 15.4 Data Literacy – Aufbau von Datenkompetenz im Controlling
    43. 15.5 Einsatz und Nutzen von Self-Service im Controlling
    44. 15.6 Power BI als Self-Service-Reporting- und Analyse-Architektur
    45. 15.7 Einsatz von Power BI im Umfeld von CCH®Tagetik
  11. Anhang
    1. A Autoren
    2. Fußnoten
    3. B Abkürzungen
    4. C Literaturverzeichnis
    5. Index

Product information

  • Title: Architekturen für BI & Analytics
  • Author(s): Peter Gluchowski, Frank Leisten, Gero Presser
  • Release date: October 2021
  • Publisher(s): dpunkt
  • ISBN: 9783864908644