Mehr Daten immer schneller verarbeiten, beschleunigte und vorausschauende Analysen – wie soll das gehen? Mit der In-Memory-Methode.
Noch vor wenigen Jahren schienen reaktive Analytics-Verfahren „mit Blick in den Rückspiegel“, also in die Vergangenheit, revolutionär. Den heutigen Bedarf an Echtzeitinformationen können sie jedoch nicht decken. Quer durch alle Branchen setzen Unternehmen zunehmend komplexere analytische Use Cases ein. Hierzu zählen u.a. Predictive Analytics und KI, um in Echtzeit – oder besser noch im Voraus – Erkenntnisse zu gewinnen, Trends zu identifizieren und darauf zu reagieren. Einer der Gründe dafür ist, dass seit einigen Jahren immer größere Datenmengen erfasst und verarbeitet werden können, während die damit verbundenen Kosten gesunken sind. Laut Angaben des Marktforschungsunternehmens IDC wird die globale Datensphäre von 33 Zettabyte (ZB) im Jahr 2018 auf 175 Zettabyte im Jahr 2025 anwachsen. Parallel zu den Datenbergen wächst auch die Notwendigkeit, aus diesen Daten Wert zu schöpfen. Dank neuer technologischer Entwicklungen im Hardware-Bereich, neuer Algorithmen und Software für Analytics und KI sind wir heute in der Lage, schneller komplexe Erkenntnisse zu gewinnen und Entscheidungen auf Basis von Echtzeitdaten zu treffen.
Aufgrund dieser Entwicklungen gibt es eine sehr viel breitere Auswahl an Tools für unterschiedliche Anwendungsfälle. Für die Batch-Verarbeitung von Business-Intelligence-(BI-)Daten beispielsweise können traditionelle Ansätze durchaus noch ausreichend sein. Echtzeit-Workloads wie Kundenservice, Betrugserkennung oder Patientenüberwachung erfordern dagegen Echtzeit-Analytics und -Datenverarbeitung sowie die entsprechende IT-Infrastruktur. An dieser Stelle gewinnt In-Memory-Computing zunehmend an Bedeutung.
In-Memory-Analytics
In-Memory-Analytics bieten eine Reihe von Vorteilen: Unternehmen können ihre IT-Kosten senken und ihre Infrastruktur vereinfachen. Ausfallzeiten und Latenz werden reduziert, die Synchronisierung von Daten wird optimiert (im Vergleich zu älteren Modellen, bei denen die Daten in separaten Containern abgelegt werden). Es fallen weniger Datenkopien an, und Entwicklungszyklen verkürzen sich. In-Memory-Analytics liefern außerdem bessere und schnellere Erkenntnisse in Echtzeit und in großem Umfang. Das eröffnet neue Möglichkeiten, die Bereitstellung von Services zu optimieren.
Der Name deutet es bereits an: Beim In-Memory-Computing bzw. In-Memory-Analytics geht es darum, Daten von den Storage-Tiers zur CPU hin zu verschieben. Das Ziel ist, Analysen und Erkenntnisgewinn durch einen schnelleren Zugriff zu beschleunigen. Allerdings setzt das Implementieren und Skalieren dieses Konzepts in der Regel Anpassungen in der IT-Architektur voraus.
In-Memory-Analytics Use Cases
- Gesundheitswesen: Mit In-Memory-Analytics kann die Sicherheit von Patienten in Echtzeit überwacht werden, die Versorgung wird individuell angepasst und Risikobewertungen können durchgeführt werden. Außerdem sinkt die Zahl der Wiederaufnahmen, sodass sowohl die Effizienz als auch die Patientenzufriedenheit steigen. Umfangreiche und speicherhungrige Dateien wie 3D-MRT-Bilder können mit Patientendaten aus anderen Quellen (z. B. der elektronischen Gesundheitsakte, eGA) abgeglichen und analysiert werden.
- Einzelhandel: Mit In-Memory-Analytics können die Echtzeit-Inventarisierung optimiert und das Kaufverhalten online oder im Geschäft besser analysiert werden. Das erhöht die operative Effizienz und den Umsatz und sorgt für mehr Sicherheit und Kundenzufriedenheit. Die Analyse des individuellen Kundenverhaltens schafft die Voraussetzung für Echtzeit-Targeting und ein personalisiertes Einkaufserlebnis im Ladengeschäft oder online.
- Finanzdienstleistungen: Aggregieren Sie mit In-Memory-Analytics Transaktionsdaten, um die Zukunft Ihres Unternehmens zu sichern und das Verhalten Ihrer Kunden auszuwerten. Nutzen Sie die gewonnenen Erkenntnisse, um Echtzeitentscheidungen zu Aktiengeschäften und Fällen von Betrugserkennung zu treffen. Echtzeitdienste wie z. B. mobile Geldüberweisungen werden unterstützt.
- Smart Operations und Supply-Chain-Management: Dank einer prädiktiven, Analytics-gesteuerten Instandhaltung verursacht die Wartung nur minimale Unterbrechungen und Kosten. Die Supply Chain und die Vorausplanung zur Beschaffung von Ersatzteilen und Rohstoffen werden optimiert. Mit In-Memory-Analytics können Kernsysteme wie exemplarisch SAP HANA Status-Updates in Echtzeit ausliefern und Kunden Echtzeitinformationen zum Stand Ihrer Bestellung vom Lager bis zur Auslieferung übermitteln.
