HMD Praxis der Wirtschaftsinformatik

, Volume 51, Issue 4, pp 447–457 | Cite as

Die neue Realität: Erweiterung des Data Warehouse um Hadoop, NoSQL & Co

Article

Zusammenfassung

Durch die immer starker wachsenden Datenberge stößt der klassische Data Warehouse-Ansatz an seine Grenzen, weil er in Punkto Schnelligkeit, Datenvolumen und Auswertungsmöglichkeiten nicht mehr mithalten kann. Neue Big Data-Technologien wie analytische Datenbanken, NoSQL-Datenbanken oder Hadoop versprechen Abhilfe, haben aber einige Nachteile: Während sich analytische Datenbanken nur unzureichend mit anderen Datenquellen integrieren lassen, reichen die Abfragesprachen von NoSQL-Datenbanken nicht an die Möglichkeiten von SQL heran. Die Einführung von Hadoop erfordert wiederum den aufwändigen Aufbau von Knowhow im Unternehmen. Durch eine geschickte Kombination des Data Warehouse-Konzepts mit modernen Big Data-Technologien lassen sich diese Schwierigkeiten überwinden: Die Data Marts, auf die analytische Datenbanken zugreifen, können aus dem Data Warehouse gespeist werden. Die Vorteile von NoSQL lassen sich in den Applikationsdatenbanken nutzen, während die Daten für die Analysen in das Data Warehouse geladen werden, wo die relationalen Datenbanken ihre Stärken ausspielen. Die Ergebnisse von Hadoop-Transaktionen schließlich lassen sich sehr gut in einem Data Warehouse oder in Data Marts ablegen, wo sie einfach über eine Data-Warehouse-Plattform ausgewertet werden können, während die Rohdaten weiterhin bei Hadoop verbleiben. Zudem unterstützt Hadoop auch Werkzeuge fur einen performanten SQL-Zugriff. Der Artikel beschreibt, wie aus altem Data Warehouse-Konzept und modernen Technologien die „neue Realität“ entsteht und illustriert dies an verschiedenen Einsatzszenarien.

Schlüsselwörter

Big Data Data Warehouse NoSQL MapReduce Hadoop analytische Datenbanken Data Mart Business Intelligence 

Literatur

  1. BeyeNETWORK (2010) Analytical Platforms: Beyond the traditional Data WarehouseGoogle Scholar
  2. Joe C (2013) Intro to NoSQL DatabasesGoogle Scholar
  3. Inmon WH (1996) Building the data warehouse. Wiley, HobokenGoogle Scholar
  4. isreport (2013) Hadoop erschließt Big Data für Data WarehousesGoogle Scholar
  5. Kimball R, Ross M (2013) The data warehouse toolkit: The definitive guide to dimensional modeling (3rd ed.). Wiley, New DelhiGoogle Scholar
  6. Pentaho (2013) Driving Big DataGoogle Scholar
  7. TDWI (2013) Where Hadoop fits in your Data Warehouse architectureGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2014

Authors and Affiliations

  1. 1.it-novum GmbHFuldaDeutschland

Personalised recommendations