Echtzeit-Analyse dank Data Stream Processing

Anwendungsgebiete

von - 11.01.2019
Data Stream Processing
Beispiel-Architektur für das Data Stream Processing: So sieht eine typische Architektur für Big-Data-Analytics in Echtzeit aus.
(Quelle: ScienceSoft)
Die Echtzeitverarbeitung von Datenströmen eignet sich für unzählige Einsatzgebiete. „Die Anwendungen für Streaming Data sind endlos“, so Shawn Rogers von Tibco. Ihm zufolge war der Finanzdienstleistungsmarkt mit dem Hochgeschwindigkeitshandel Vorreiter in diesem Bereich. Rogers Einschätzung nach sehen sich heute aber die meisten Branchen gezwungen, Streaming Data in ihre Analysestrategien aufzunehmen - „Entscheidungen basieren auf Zeit und Wert: je schneller sie getroffen werden, desto höher ist der Wert für das Unternehmen. Fertigung, Gesundheitswesen und Einzelhandel, alle investieren in Streaming-Datenanalysen.“
Frank Waldenburger von Informatica nennt als weitere Beispiele unter anderem den Telekommunikationsbereich, wo heute schon versucht werde, die Abwanderung von Kunden durch Echtzeitangebote zu verringern. Kundenzentriert arbeitet laut Waldenburger auch der Einzelhandel, indem Unternehmen vernetzte Geschäfte aufbauen, um Kunden besser zu betreuen und zeitnahe und relevante Angebote zu liefern, während sie sich durch den Laden bewegen.
Stephan Reimann von IBM weist noch auf einen Sonderfall hin, der sich ebenfalls für den Einsatz von Stream Processing eignet: In Unternehmen fielen viele Streaming-Daten an, die keine direkte Aktion erforderten, deren Speicherung und spätere Verarbeitung aber entweder technisch oder wirtschaftlich nicht möglich oder sinnvoll sei. Hier sei es angebracht, die Daten sofort zu analysieren und lediglich die Analyseergebnisse zu speichern.
Cornelius Kommer
Cornelius Kimmer
Senior Solution Architect DACH bei SAS
Foto: SAS
„Besser als in Tools sollten Unternehmen – grundsätzlich und gerade beim Stream Processing - in Plattformen denken.“
Prinzipiell ist Stream Processing also immer dort inte­ressant, wo beispielsweise Sensordaten im Spiel sind und eine schnelle Reaktion gefragt ist. „Stream Processing ermöglicht dem analytischen System, potenzielle Probleme schon im Vorfeld zu erkennen und abzuwenden, indem eine Maschine heruntergefahren, ein Alert ausgegeben oder eine andere Maßnahme in die Wege geleitet wird“, wie Cornelius Kimmer von SAS berichtet. Eine solche unmittelbare, automatisierte Reaktion sei nicht möglich, wenn Daten erst im Backend abgespeichert werden müssen, bevor sie ausgewertet werden.
Verwandte Themen