Analytical Data Management

Entdecken Sie neue
Perspektiven.

trivadis analytical data management

Data Warehouse-Lösungen müssen immer höheren Ansprüchen an Flexibilität und Anpassbarkeit genügen und dabei kostengünstig in der Implementierung und im Betrieb bleiben. Eine Herausforderung, die sich nur schwer mit traditionellen Vorgehensweisen und Methoden realisieren lässt. Darüber hinaus steigt ständig der Bedarf unstrukturierte oder semistrukturierte Daten mit den klassischen Daten aus dem Data Warehouse zu verbinden und so noch mehr Nutzen aus den internen und externen Datenquellen zu ziehen.

Mit der stetigen Anreicherung der analytischen Datengrundlagen wird auch die Sicherstellung einer ausreichenden Datenqualität zu einer immer größeren Herausforderung. Trivadis hat für all diese Schlüsselherausforderungen im analytischen Datenmanagement Lösungen entwickelt, die einerseits auf den umfassenden Erfahrungen aus unzähligen Umsetzungsprojekten beruhen und andererseits auch von innovativen Architekturansätzen auf Basis von Big Data Technologien getragen sind.

 

LEISTUNGSMERKMALE

  • Agile Data Warehousing
  • DWH Automation
  • Hybride Architekturen
  • Unified Analysis
  • Data Quality
  • BI Test Management

«Durch den Einsatz der neuen BI-Lösung konnten wir die jährlichen Betriebs- und Entwicklungs­kosten um mehr als 50% reduzieren.»

Stephan Ischer, Verantwortlicher SAP, HACO AG

 

Trivadis BI Service Framework.

Das Trivadis BI Service Framework biGeniusTM ist das Bindeglied zwischen den Anforderungen und der produktiven BI-Lösung. biGeniusTM ist sowohl Methode als auch Werkzeug und unterstützt nahtlos von der Anforderungsanalyse über die Umsetzung in die technische Lösung bis zum Betrieb alle Phasen von BI-Projekten.

  • Schnelle Implementierung
  • Hohe Einsparungspotentiale
  • Best Practices & Standards

trivadis module bigenius

Data Quality
und Test-
management

Erfolgsfaktor Datenqualität!

trivadis analytical data management

Die Datenqualität im Data Warehouse ist der entscheidende Erfolgsfaktor für die Akzeptanz der Nutzer der Daten. Liegt in einem Bereich begründetes Misstrauen aufgrund mangelnder Datenqualität vor, wird schnell die gesamte Data Warehouse Lösung in Frage gestellt.

 

Deshalb ist es von großer Wichtigkeit geeignete Prozesse und Verfahren zur laufenden Sicherstellung der Datenqualität zu etablieren. Trivadis unterstützt dabei mit Lösungen zur Automatisierung von Datenqualitätsroutinen für den laufenden Betrieb aber auch für die Entwicklung und das Changemanagement.

 

LEISTUNGSMERKMALE

  • Automatisierte Prüfroutinen
  • Für Entwicklung und Betrieb
  • Verwaltung und Monitoring der Tests
  • Testdaten Generierung

Durchgehende Qualität auf allen Ebenen.

Das Trivadis BI Service Framework biGeniusTM beinhaltet auch Komponenten, die für die durchgängige Daten-Qualitätssicherung auf allen Ebenen einer Business Intelligence und Data Warehouse Lösung sorgen. Durch Automatisation sind sowohl die Entwicklungs- als auch die Betriebs-Prozesse entsprechend effizient.

  • Laufende Datenqualitätssicherung
  • Geringer Aufwand durch Automatisierung
  • Durchgängigkeit über alle Ebenen

trivadis data quality testing

Agile Data
Warehouse

Agilität mit Data Warehouse Automation!

trivadis analytical data management

Unter Data Warehouse (abgekürzt "DWH", inzwischen ist auch der eingedeutschte Begriff "Datenlager" etabliert) versteht man ein zentrales Datenbanksystem, welches auf Analysezwecke optimiert ist. Die Daten stammen aus externen, meist heterogenen Quellen und werden im Data-Warehousing-Prozess zusammengeführt. Die Datensammlung erfolgt in der Regel themenbezogen, wobei die Daten strukturiert in relationalen und denormalisierten Datenbanken dauerhaft gespeichert werden.

Ein wesentliches Merkmal von DWH ist die Historisierung von Datensätzen - diese verändern sich fortlaufend, wobei bestehende Daten nicht ständig überschrieben, sondern versioniert abgelegt werden. Dies ermöglicht Vergleiche von Daten innerhalb verschiedener Zeiträume (Beispiel: Quartals-Umsatzzahlen).


LEISTUNGSMERKMALE

  • Sehr kurze Time to Market
  • Hohe Zeit und Kosten Einsparungen
  • Hohe Qualität durch Standardisierung
  • Minimale Umsetzungsrisiken

«Ich bin überzeugt, dass das Tool den Entwicklungsaufwand für ein Data Warehouse um mindestens 50% reduziert.»

Mag. Markus Tanzer, Head of IT, Austria Tabak GmbH/JTI

Ziele des Data Warehousings

Data-Warehouse-Systeme wurden eingeführt, um Geschäftsprozesse im Unternehmen abteilungsübergreifend zu kontrollieren und zu steuern. Kundenrelevante Informationen bilden dabei die Basis einer Wertschöpfungskette, die u. U. auch zu einer Produktgenerierung führen kann. Hierbei werden aus verfügbaren Kundendaten wertvolle Informationen sowohl über den Kunden selbst als auch über den Markt gewonnen, um daraus Aktionen zu generieren. Das kann z. B. eine Produktentwicklung, eine Serviceleistung oder eine Marketingkampagne sein.

  • Schnelle Implementierung
  • Hohe Einsparungspotentiale
  • Best Practices & Standards

trivadis module bigenius

In der Praxis

Durch die Einführung von SQL-basierten Datenbanken und der digitalen Datenspeicherung wurde die Möglichkeit geschaffen, Verknüpfungen zwischen diesen Daten einzurichten. Um die wachsenden Datenmengen zielführend auswerten zu können, müssen diese in Relation gesetzt werden. Genau hier kommt DWH ins Spiel: Ohne Data Warehousing wäre keine Gesamtanalyse machbar, da die Auswertungen auf einzelne Datenquellen beschränkt bliebe. Die alltäglichen Einsatzgebiete sind vielfältig: Verborgene Zusammenhänge können leicht aufgedeckt werden, Statistiken und Berichte sind sehr schnell und in allen nur erdenklichen Formaten verfügbar. Beispielhaft seien hier Energieversorgungsunternehmen genannt: Verbrauchserfassung sowie die Abrechung liefern Daten ins DWH. Mit den so gewonnenen Daten können zielgruppenorientierte Analysen erstellt werden sowie Auswertungen nach Regionen, Haushaltsarten oder Altersklassen.

Modernes Data Warehousing mittels Automation

In der ursprünglichen Form des DWH bedient man sich an Methoden und Werkzeugen wie SQL-Datenbanksystemen oder dem Real Application Cluster von Oracle. Durch klassische manuelle Datenbankmodellierung wird bei heutigen Projektumfängen und Datenmengen schnell viel Entwicklerpersonal gebunden, was die Kosten in die Höhe treibt, außerdem ergeben sich bei der Softwareentwicklung Probleme, die ein Data-Warehouse-Projekt leicht ins Stocken geraten lassen. Hier ist Automation mit Agile Data Warehouse gefragt. Hierbei werden Methoden zur Effizienzsteigerung genutzt, alle integrierten DWH-Prozesse gewinnen an Effektivität. Hier setzt das Tool biGenius® an, ein innovatives Werkzeug, das einen schnellen und einfachen Aufbau von Data-Warehouse-Lösungen ermöglicht. biGenius® steht Ihnen beim Business Requirements Engineering genauso hilfreich zur Seite wie beim Erstellen aller erforderlichen Teilkomponenten. Funktionen zur ständigen Datenqualitätssicherung sind in diesem Tool integriert und die Daten-Beladeflusssteuerung wird laufend optimiert.

Hybrid DWH
& Big Data
Solutions

Das Beste aus beiden Welten!

trivadis big data

Die Fähigkeiten von Hadoop, NoSQL und Co. gehen heute bei Skalierbarkeit und Flexibilität über die Grenzen relationaler und multidimensionaler Datenbanken hinaus. Das alleine qualifiziert sie aber längst nicht als Ersatz für die klassische Data Warehouse Welt. Sondern das möglichst nahtlose Zusammenspiel ist das Ziel die Vorteile aus beiden zu ziehen.

Aufgaben und Zuständigkeiten werden in hybriden Architekturen nach technischer Eignung und Kostenaspekten bestmöglich auf die verfügbaren Technologien verteilt. Für Verbindung und Datenaustausch sorgen geeignete Konnektoren und Datenintegrationswerkzeuge.

Struktur und Flexibilität!

Gigantische Mengen feingranularer Daten können auf Hadoop, weniger detaillierte Informationen hingegen fachgerecht aufbereitet in relationalen und multidimensionalen Data Warehouses liegen. Bei Bedarf werden beide Datenquellen gemeinsam genutzt. Entsprechend können hochgradig strukturierte Daten anwendergerecht in relationalen Datenbanken angeboten werden, während Data Scientisten aus Gründen der Flexibilität ihre Analyseplattform auf Hadoop und NoSQL betreiben. Dieses Szenario kann für viele Unternehmen ein geeigneter Einstieg in die neuen Technologien sein.

  • Flexibilität durch Big Data Technologie
  • Investitionsschutz etablierter DWH Lösungen
  • Eröffnung neuer Analytischer Möglichkeiten

trivadis hybrid big data

Gregor Zeiler

Trivadis, Senior Solution Manager Business Intelligence