Big Data Analytics im Controlling: Anwendungsbereiche, V ... / 3 Big Data Analytics mit In-Memory-Systemen

Um die fortschrittlichen Analysemethoden von Big Data Analytics im Controlling nutzen zu können, bedarf es einer Erweiterung der bestehenden IT-Landschaft um In-Memory-Systeme, die es ermöglichen, Daten sowohl in Echtzeit zu erfassen als auch auszuwerten. Im Folgenden werden die wesentlichen technologischen Eigenschaften und die daraus resultierenden Einsatzmöglichen von In-Memory-Computing im Kontext von Big Data Analytics näher betrachtet.

3.1 Charakteristika von In-Memory-Systemen

Die stetig wachsenden Datenmengen sowie die Forderung nach einer zeitnahen Informationsversorgung stellen hohe Anforderungen an die Leistungsfähigkeit und Wirtschaftlichkeit eingesetzter Informationstechnologien. Diese können mit der derzeit noch weitgehend vorherrschenden Trennung von transaktionalen und analytischen Systemen nicht oder nur unzureichend erfüllt werden.^[1] War diese Trennung bislang aufgrund hardware- und softwarebedingter Restriktionen ein unabdingbarer Kompromiss, um Daten sowohl performant schreiben als auch lesen und auswerten zu können, so stellen heute In-Memory-Systeme eine neue Technologie bereit, mit der beide Operationen in Echtzeit in einer Datenbank durchgeführt werden können.

Bei diesem Ansatz werden Daten nicht mehr wie bisher auf Festplatten abgelegt, sondern permanent im Hauptspeicher des In-Memory-Systems vorgehalten.^[2] Durch die um ein Vielfaches schnelleren Zugriffszeiten sowie ein, für den Hauptspeicher optimiertes, spaltenorientiertes Datenbankmanagementsystem können sehr große Datenmengen wesentlich schneller durchsucht, verarbeitet und aufbereitet werden.^[3]

Die Nutzung von In-Memory-Systemen erhöht aber nicht nur die Geschwindigkeit der Datenverarbeitung und damit die Verfügbarkeit von Daten. Diese Technologie ermöglicht es darüber hinaus, Geschäftsprozesse grundlegend zu verändern und zu optimieren und damit einfacher, effizienter und/oder adaptiver im Hinblick auf Veränderungen im geschäftlichen Umfeld zu gestalten.^[4]

[1] Vgl. Knabke/Olbrich, 2016, S. 189.

[2] Vgl. Gröber et al., 2018, S. 50.

[3] Vgl. Prassol, 2015, S. 363 ff.

[4] Vgl. Marden/Olofson, 2018, S. 1.

3.2 Einsatzmöglichkeiten und Nutzenpotenziale

Durch den Einsatz von In-Memory-Systemen werden Daten nicht mehr schichtweise persistent gespeichert, sondern lediglich logisch verwaltet. Die klassische Data-Warehouse-Architektur wird somit virtualisiert, und die bisher hauptsächlich aus Performancegründen verwendeten unterschiedlichen Datenschichten und Aggregate werden obsolet. Stattdessen werden bei Analysen die Daten zur Laufzeit selektiert, berechnet und ggf. aggregiert, ohne sie dezidiert physisch abzulegen.^[1]

Durch die Verfügbarkeit von transaktionalen und analytischen Daten in einer Datenbank können Informationslatenzen und damit eine zeitverzögerte Bereitstellung von analytischen Auswertungen durch das Controlling vermieden werden.^[2] Dies ermöglicht eine zeitnahe Entscheidungsunterstützung, was eines der wesentlichen Nutzenpotenziale von In-Memory-Systemen im Controlling darstellt.

Zu diesem Ergebnis kommt auch eine empirische Befragung von Controllingexperten zu diesem Thema. Demnach bestehen die entscheidenden Vorteile von In-Memory-Technologien in der Beschleunigung von Analyseprozessen und der zeitnahen Bereitstellung entscheidungsrelevanter Informationen sowie der Etablierung von Echtzeitsimulationen und der unmittelbaren Anpassung dieser Szenario-Modelle an die veränderte Unternehmensumwelt. Des Weiteren werden In-Memory-Technologien als die Voraussetzung für die Implementierung komplexer Forecast-Modelle sowie die (daraus resultierende) Verbesserung von Forecast-Ergebnissen gesehen. Am höchsten werden die durch In-Memory-Technologien induzierten Veränderungen somit für die Bereiche Planung und Forecast sowie (Management) Reporting eingeschätzt.^[3]

Zu ähnlichen Ergebnissen kommt auch eine Studie von IDC, welche die Nutzenpotenziale von In-Memory-Systemen am Beispiel von SAP HANA erhoben hat. Demnach führt der Einsatz dieser Technologie zu besseren Geschäftsergebnissen, u. a. aufgrund von auf Echtzeitanalysen beruhenden Strategien sowie der Bereitstellung von Daten durch Self-Service-Analysen.^[4]

[1] Vgl. Knabke/Olbrich, 2016, S. 195.

[2] Vgl. Kaum et al., 2015, S. 10.

[3] Vgl. Gröber et al., 2018, S. 51 f.

[4] Vgl. Marden/Olofson, 2018, S. 2.