Gartner-Prognose

9 Data-Warehouse-Trends

Trend 2: Data-Warehouse-Appliances

Viele Gründe sprechen dafür, sich eine Appliance anzuschaffen. Der Wichtigste ist - die Einfachheit. Eine Appliance ist ein vorkonfiguriertes Produkt, das aus Hardware und Software besteht. Es wird komplett ausgeliefert und lässt sich somit rasch installieren. Auch sichern die Hersteller eine bestimmte Performance zu. Da zugleich alles aus der Hand eines Anbieters kommt, genügt bei Problemen ein einziger Anruf.

Trend 3: Proof of Concept

Bei der Auswahl ihres Data-Warehouse-Datenbank-Management-Systems (DBMS) müssen Unternehmen im Rahmen eines Proof of Concept (POC) Machbarkeits-Analysen durchführen sowie einen Prototyp des späteren Systems aufbauen. Um den optimalen Workload im späteren Data Warehouse sicherzustellen, sollte der Prototyp bereits so viel wie möglich mit realen Daten arbeiten, die aus den operativen Systemen extrahiert wurden. Ebenso wichtig ist eine hohe Zahl von Test-Usern.

Trend 4: Data Warehouse Mixed Workloads

Eine Data-Warehouse-Plattform stellt sechs Arten von Workloads bereit: Bulk-Batch-Load, Grundfunktionen für Reporting und OLAP-Analysen, Echtzeit- und Dauerlast-Loads, Data Mining und operationales Business Intelligence(BI). Wird ein DW mit allen sechs Workloads ausgeliefert, muss die Performance im Rahmen eines Mixed-Workload-Konzepts sichergestellt sein. Andernfalls schießen die Administrationskosten in die Höhe.

Trend 5: Die Wiederauferstehung von Data Marts

Innerhalb eines Data Warehouse bilden Data Marts kleinere, funktions- oder abteilungsbezogene Daten-Repositories. Mit Hilfe von Data Marts lässt sich die Performance von DW-Anwendungen optimieren, da Teile des Workloads in die einzelnen Datenlager verlagert werden.

Trend 6: Daten spaltenweise speichern

Werden in DBMS Geschäftsdaten spaltenweise und hoch komprimiert abgelegt, ermöglicht das schnellere Abfragen als bei einer zeilenweisen Ablage wie sie in relationalen Datenbanken erfolgt. Laut Gartner werden Anbieter auch ihre Preismodelle entsprechend verändern, weg von der User-basierten Abrechnung hin zu einem Preis, der sich am in die Datenbank geladenen Datenvolumen orientiert.