Eine nachhaltige Architektur besteht sowohl heute, als auch morgen

In Zeiten von Big Data und Data Science muss der Informationsarchitektur grosse Bedeutung geschenkt werden, da strukturierte und semi-strukturierte Daten nicht nur in unterschiedlicher Form, sondern auch in Massen und in hoher Geschwindigkeit zu verarbeiten sind. Um zu den Gewinnern der Digitalisierung zu gehören, muss ein Unternehmen mittels nachhaltiger Daten- und Informations-Architektur dafür sorgen, dass den Fachanwendern qualitätsgesicherte Informationen schnell zur Verfügung stehen.

Wie stabil ist das Fundament Ihrer BI Lösung?

Die Bedeutung der Datenarchitektur für BI Systeme

Waurm es so bedeutend ist, eine auf die Unternehmung angepasste Datenarchitektur für die BI Lösung zu haben?

Datengrundlage für fundierte Entscheidungen: Die Datenarchitektur bildet das Fundament für Business Intelligence (BI) Systeme. Durch die klare Strukturierung und Organisation von Datenquellen wird sichergestellt, dass die Datenbasis konsistent, zuverlässig und genau ist. Eine solide Datenarchitektur ist unerlässlich, um fundierte und verlässliche Entscheidungen auf allen Ebenen der Organisation zu ermöglichen.
Integration heterogener Datenquellen: Organisationen verfügen über eine Vielzahl von Datenquellen, die oft unterschiedliche Formate und Strukturen aufweisen. Die Datenarchitektur spielt eine entscheidende Rolle bei der Integration dieser heterogenen Datenquellen. Sie schafft eine gemeinsame Plattform, auf der verschiedene Datentypen zusammengeführt und für die Analyse und Berichterstattung verfügbar gemacht werden können.
Performance-Optimierung: Effiziente Datenarchitekturen tragen dazu bei, die Leistung von BI Systemen zu optimieren. Durch die richtige Indexierung, Partitionierung und Optimierung von Abfragen wird sichergestellt, dass Analysen und Berichte schnell und reibungslos durchgeführt werden können. Dies ist entscheidend, um die Produktivität der Benutzer zu steigern und zeitnahe Entscheidungen zu ermöglichen.
Datenqualitätssicherung: Die Datenqualität hat direkte Auswirkungen auf die Genauigkeit von Analysen und Berichten. Eine gut gestaltete Datenarchitektur umfasst Mechanismen zur Sicherung und Überwachung der Datenqualität. Dadurch werden Fehler minimiert, Inkonsistenzen vermieden und die Vertrauenswürdigkeit der bereitgestellten Informationen sichergestellt.
Skalierbarkeit und Flexibilität: Unternehmen entwickeln sich, und ihre Datenanforderungen ändern sich im Laufe der Zeit. Eine durchdachte Datenarchitektur ist skalierbar und flexibel, um mit dem Wachstum der Datenmengen und den sich ändernden Geschäftsanforderungen Schritt zu halten. Sie ermöglicht eine reibungslose Erweiterung und Anpassung des BI Systems, ohne dabei die Leistung zu beeinträchtigen.
Datenschutz und Compliance: In einer Zeit zunehmender Datenschutzanforderungen und gesetzlicher Bestimmungen ist eine solide Datenarchitektur entscheidend für die Einhaltung von Datenschutzrichtlinien und -vorschriften. Sie unterstützt die Implementierung von Sicherheitsmechanismen, Zugriffskontrollen und Datenschutzmaßnahmen, um die Integrität und Vertraulichkeit der Daten zu gewährleisten.

Die Datenarchitektur ist eine entscheidende Disziplin für den Erfolg von BI Systemen. Sie legt den Grundstein für eine zuverlässige, leistungsstarke und flexible Dateninfrastruktur, die die Anforderungen an Datenintegrität, -qualität und -sicherheit erfüllt. Eine gut gestaltete Datenarchitektur ermöglicht es Unternehmen, das volle Potenzial ihrer Daten auszuschöpfen und fundierte Entscheidungen für eine nachhaltige Entwicklung zu treffen.

Welches T-Shirt passt zu Ihnen?

Wie finden Sie heraus, welche Architektur Sie in Ihrer Unternehmung einsetzten sollen? Welche Architektur-Typen gibt es überhaupt?

Grundsätzlich führen unterschiedliche Anforderungen zu unterschiedlichen Architekturansätzen, gleichzeitig soll jedoch die Architektur mitwachsen können, wenn ein BI System nach und noch ausgebaut wird. Dies haben wir für Sie anhand von Kleidergrössen illustriert:

Wollen Sie mehr zu den verschiedenen T-Shirt Grössen erfahren? Lesen Sie unseren Fachartikel zu diesem Thema.

Effizient Architektur-SOLL definieren dank IDAREF-Framework

Auf Basis der Anforderungen hinsichtlich Data Governance, Datenqualität, Geschwindigkeit, Volumen und Kosten/Nutzen konzipieren wir mit Hilfe unseres IT-Logix Data & Analytics Reference Architecture Framework (IDAREF) den für Sie passenden Soll-Zustand. Auch die für die Bedürfnisse abgestimmte Modellierungstechnik wie z. B. 3NF, Kimball oder Data Vault wird dabei sorgfälltig ausgewählt.

Und dies anhand der für Sie passenden T-Shirt Grösse:

T-Shirt Size S

Ein BI-Frontend-Werkzeug verbindet sich direkt auf eine Quelle. Sämtliche Metadaten wie z.B. Zugriffsdaten für die Quellsysteme, Geschäftsregeln, Kennzahlendefinitionen usw. werden direkt im Kontext der erstellten Informationsprodukte entwickelt und gespeichert. Diese T-Shirt-Grösse ist geeignet, wenn sich ein BI-Vorhaben noch ganz am Anfang befindet und entsprechend nicht viel mehr bekannt ist, als die Datenquelle. Dann möchte man eher explorativ und zeitnah erste Ergebnisse fabrizieren. Dieser Ansatz kommt jedoch rasch an seine Grenzen.

eLearning: T-Shirt Grösse S
Kostenlose Lektion

T-Shirt Size M

Auf dieser Stufe versuchen wir, gemeinsam nutzbare Metadaten wie Kennzahlendefinitionen oder die Zugriffsinformationen für die Quellsysteme in einer eigenen Ebene zu speichern. Diese Ebene wird häufig auch als Data Mart oder semantischer Layer bezeichnet. Denkbar wäre z.B. ein tabulares Modell in Azure Analysis Services (AAS). Die verschiedenen Ausprägungen bzw. Kopien der bestehenden Dashboards als solches bleiben dabei zu grossen Teilen erhalten, lediglich der Unterbau verändert sich. Alle Varianten zeigen nun aber auf die gleiche, zentrale Grundlage. Die Vorteile dieser T-Shirt-Grösse im Vergleich zur vorherigen ist der erhablich reduzierte Wartungsaufwand, weil die Datengrundlage einmal zentral und nicht für jedes einzelne Informationsprodukt gepflegt werden muss. Gleichzeitig bringt man so Konsistenz in die Kennzahlendefinition sowie der Benennung der Kennzahlen. In einem mehrsprachigen Umfeld tritt der Mehrwert noch stärker zu Tage, weil Übersetzungen nur einmal zentral und einheitlich im semantischen Layer gepflegt werden müssen. Alle Dashboards sprechen dadurch eine gemeinsame Sprache.

In dieser Architektur-T-Shirt-Grösse speichern wir noch keine Daten dauerhaft ausserhalb der Quelle. Selbst wenn die Quelldaten ins tabulare Modell in AAS importiert werden, müssen diese bei grösseren Anpassungen am Modell immer wieder neu geladen werden. Andere Hersteller kommen ganz ohne Datenspeicherung aus, z.B. die sogenannten Universen in SAP BusinessObjects. Das bedeutet im Umkehrschluss eine teils hohe Last auf den Quellsystemen insbesondere während der Entwicklungsphase.

eLearning: T-Shirt Grösse M
Kostenlose Lektion

T-Shirt Size L

Die T-Shirt-Grösse L für die BI-Architektur ersetzt den direkten Datenzugriff des Data Marts zur Quelle. Dafür werden die Daten aus der Quelle extrahiert und permanent in einer separaten Datenbank gespeichert. Diese Ebene entspricht den Konzepten einer Persistent Staging Area (PSA) oder eines aktiv verwalteten Data Lakes. Allen gemeinsam ist, dass die Daten möglichst unverändert aus der Quelle übertragen und dauerhaft gespeichert werden. Dieses Vorgehen führt dazu, dass die bereits bestehenden Data Marts relativ einfach auf diese neue Quelle umgehängt werden können. Gerade wenn man ein Quellsystem, z.B. ein ERP, als Cloud-Lösung nutzt, reduziert dieser Layer den «Lock-in» Effekt gegenüber dem ERP-Cloudanbieter. Weitere Vorteile dieser persistenten Datenspeicherung ausserhalb der Quellsysteme ist die damit einhergehende Archiv- und Historisierungsfunktion: Sowohl neue wie geänderte Daten aus der Quelle werden kontinuierlich gespeichert. Gelöschte Datensätze können entsprechend markiert werden. Datenmodell-technisch bewegen wir uns sehr nahe am Datenmodell der jeweiligen Quelle, unter Umständen harmonisieren wir bereits einige Datentypen.

eLearning: T-Shirt Grösse L
Kostenlose Lektion

T-Shirt Size XL

Die T-Shirt-Grösse XL erweitert die bestehende Architektur um eine klassische Data Warehouse (EDWH) Struktur zwischen PSA und dem Data Mart. Dabei steht die Integration und Harmonisierung von (Stamm-) Daten aus den verschiedenen Quellsystemen im Vordergrund. Dies erfolgt über ein zentrales Datenmodell, welches unabhängig der verwendeten Quellen existiert (z.B. ein Data Vault Modell oder ein dimensionales Modell). Hier werden bereits beim Laden und Verarbeiten der Daten systematische Datenqualitätskontrollen durchgeführt. Ebenso können nach Bedarf Historisierungskonzepte aufbauend auf die integrierten Daten umgesetzt werden. Durch die persistente Speicherung der Daten in diesem DWH-Layer stehen diese auch für Auditzwecke dauerhaft zur Verfügung.

eLearning: T-Shirt Grösse XL
Kostenlose Lektion

Unsere Experten unterstützen Sie technisch bei der Modellierung, Integration, Migration und Bereinigung der Daten, sowie konzeptionell bei der Enschätzung hinsichtlich der heutigen Maturität Ihres BI/DWH-Systems und der Modernisierung für zukünftige Anforderungen in den Bereichen Big Data und Data Analytics. Diese Grundlagenarbeit bildet das Fundament für Auswertungen aller Art.