Fokus auf Trends: Data Lake und NoSQL, DWH-Architektur, Self-Service-BI, Modellierung und DSGVO
In der Vergangenheit haben wir regelmäßig über Themen berichtet, mit denen wir bei der Beratung unserer Kunden konfrontiert wurden oder die in Fachdiskussionen im Web besondere Aufmerksamkeit erregt haben.
Alle diese Themen sind in Data Vault 2.0 bereits fest verankert und rückten in den vergangenen Monaten noch stärker in den Fokus. Begleitend zu den Entwicklungen in der Privatwirtschaft spielen NoSQL-Datenbanken mittlerweile eine tragende Rolle, wenn es darum geht, Daten aus unterschiedlichsten Quellsystemen performant zu speichern. Dies eröffnet neue Möglichkeiten der Datenanalyse, bringt jedoch auch neue Herausforderungen mit sich – beispielsweise bei der Frage, wie sich Abfragen über solche semistrukturierten und unstrukturierten Datenmengen effizient durchführen lassen, etwa durch den Einsatz von Massive Parallel Processing (MPP). Darüber hinaus existiert eine Vielzahl von Werkzeugen für Speicherung, Transfer, Transformation und Analyse, was nicht selten zu zeit- und kostenintensiven Evaluierungen führt. Ein fundiertes Verständnis von „Schema on Write“ und „Schema on Read“ sowie deren Unterschieden ist für die Konzeption eines modernen Data Warehouse unverzichtbar geworden. Ein fest definiertes Schema war und bleibt für Business Analysts essenziell, sobald Daten zu Analysezwecken mit fachlichen Business Objects verknüpft werden müssen. Die ausschließliche Ablage sämtlicher Daten auf NoSQL-Plattformen (im Sinne eines reinen Data Lake) eignet sich zwar hervorragend zur zentralen Datenerfassung; für Fachanwender gestaltet sich der strukturierte Abruf jedoch oft deutlich komplexer. Ein praxiserprobter und empfohlener Ansatz besteht daher darin, einen Data Lake und ein Data Warehouseinnerhalb einerhybriden Architekturwirkungsvoll zu kombinieren.
Mit dem Inkrafttreten am 25. Mai 2018 warf eine neue Verordnung in vielen Organisationen grundlegende Fragen auf: die DSGVO (GDPR). Was ändert sich konkret? Welche internen Prozesse in Marketing, Vertrieb und allgemeiner Kundenkommunikation müssen angepasst werden? Gilt dies auch für Unternehmen mit Sitz in den USA, sobald Daten von EU-Bürgern verarbeitet werden? Nicht zuletzt vor dem Hintergrund drohender empfindlicher Strafen wiegt dieses Thema schwer. Die Kernbotschaft lautet: Der Kunde behält die Kontrolle über die Nutzung seiner personenbezogenen Daten. Data Vault 2.0 bietet hierfür durchdachte Architektur-, Modellierungs- und Implementierungsmuster, um Löschanfragen über sämtliche Data-Warehouse-Schichten hinweg revisionssicher und nachvollziehbar umzusetzen – wobei einer lückenlosen Data Lineage eine Schlüsselrolle zukommt.
Agilität ist heute Standard. Data Vault 2.0 folgt diesen Prinzipien bereits seit seiner Entstehung. Entscheidend ist stets die Frage, für wen Architekturen wie Data Warehouses oder Data Lakes aufgebaut werden: für die Menschen, die täglich auf verlässliche Informationen angewiesen sind – Ihre Endanwender wie Business Analysts und Data Scientists. Diese Zielgruppen benötigen einen performanten, komfortablen und transparent strukturierten Datenzugriff, beispielsweise über Star-Schemata. Wer ein solches Vorhaben mit starren, langfristigen Release-Zyklen plant, erzeugt erfahrungsgemäß isolierte Insellösungen – losgelöst von übergeordneter Data Governance und einheitlicher Dateninterpretation. Agil geführte Initiativen hingegen setzen auf interdisziplinäre Teams und richten sich konsequent an den Anforderungen der Business User aus. Ergänzend ermöglicht Managed Self-Service-BI einen autorisierten, kontrollierten Zugriff auf das Enterprise Data Warehouse, damit Fachbereiche eigenständig und sicher Analysen erstellen können.
SICHERN SIE SICH DAS DATA-VAULT-2.0-UPGRADE
Lernen Sie die neuesten Weiterentwicklungen rund um Data Vault 2.0 direkt im interaktiven Format kennen: in der Data Vault 2.0 Upgrade Class 2018. Ein zentrales Element dieser eintägigen Schulung bildet der offene, praxisbezogene Fachaustausch.
NEU STRUKTURIERTES DATA-VAULT-2.0-BOOTCAMP
Das Data Vault 2.0 Bootcamp wurde inhaltlich überarbeitet und gezielt erweitert, um noch fundierter auf aktuelle Marktanforderungen und technologische Trends einzugehen.
Neben einem neuen Praxis-Workshop und vorbereitenden Online-Einheiten vertieft der Kurs Themen wie NoSQL-Datenbanken, moderne Abfragekonzepte via Massive Parallel Processing (MPP) sowie das Zusammenspiel von „Schema on Write“ und „Schema on Read“. Für Business Analysts ist ein greifbares Schema nach wie vor unverzichtbar, um Daten sinnvoll mit Business Objects zusammenzuführen. Zudem behandelt das Training den Ausbau des Business Vault sowie das Konzept „Data as an Asset“. Den Abschluss bildet der fundierte Vergleich zwischen Data Warehouse und Data Lake mit dem klaren Schwerpunkt darauf, wie sich beide Welten architektonisch optimal verzahnen lassen.
ONLINE TRAINING
Das Online-Training umfasst acht Stunden kompaktes Videomaterial von Dan Linstedt, in dem er detailliert in das System of Business Intelligence von Data Vault 2.0 sowie die zugrunde liegende Methodik einführt. Dieses computergestützte Training bildet die verpflichtende Grundlage vor Beginn des Präsenzunterrichts. Das Präsenztraining selbst umfasst drei Tage unter Leitung eines zertifizierten Trainers. Der erste Tag widmet sich primär Schwerpunkten wie Big Data, NoSQL-Technologien, Massive Parallel Processing (MPP), der Etablierung von Daten als strategischem Unternehmenswert sowie konkreten Fallbeispielen aus der Praxis.
MODELLIERUNGS-WORKSHOP IN DER GRUPPE
Im praxisorientierten Hands-on-Workshop am Ende des zweiten Schulungstages wenden Sie Ihr erworbenes Modellierungswissen direkt auf realitätsnahe Szenarien an. Ziel ist der modellseitige Aufbau eines Enterprise Data Warehouse auf Basis von Data Vault mit Datenflüssen aus heterogenen Quellsystemen. Hierbei treffen Sie grundlegende Architekturentscheidungen: Definition stabiler Business Keys, Differenzierung zwischen Referenztabellen und Hubs (Business Objects) sowie die sachgerechte Abbildung von Transaktionsdaten. In Teams erarbeiten Sie anhand von Vorgaben, Schnittstellendefinitionen und Leitfäden konkrete Lösungen. Dabei steuern Sie eigenverantwortlich Rollen wie Modeler, Protokollant oder Scrum Master bzw. Sprint Leader. Am Folgetag stellt jedes Team sein Entity-Relationship-Diagramm vor – bestehend aus einem konsolidierten Data-Vault-Modell, nachvollziehbaren Herleitungen und fundierten Begründungen.
Diese Simulation vermittelt wertvolle Erfahrung in kollaborativer Teamarbeit unter realistischen Projektbedingungen. Das Ziel besteht darin, Ihre Methodenkompetenz so zu festigen, dass Sie in Enterprise-Business-Intelligence-Projekten sofort als handlungssicherer Practitioner agieren können.
