Uns Folgen:
Facebook-f Youtube Linkedin-in Youtube

DWH Modernization

 

Michelangelo Hände

DWH Modernization

 
Mögliche Beweggründe für eine Ablöse
  • hohe Aufwände für ETL-Funktionalität
  • lange Laufzeiten im Load – Power des DWH-Clusters nicht genutzt
  • hoher Aufwand für Core-Modell
  • keine vollständige Historisierung – schlechte Nachvollziehbarkeit
  • Analyst hat nur eingeschränkte Sicht über Datamarts
  • Data Scientist hat keinen performanten Zugriff auf Core und Stage
  • zusätzlicher Job Scheduler erforderlich

 

Es geht auch innovativer ohne gleich alles über Bord zu werfen!
Folgende Vorgehensweisen erlauben eine schrittweise Modernisierung Ihres DWHs bis hin zur Komplett-Ablöse:

Phase 1: Ein schlankes MPP-System als externen Accelerator einsetzen (1:1 Replikation)
Phase 2: Das vorhandene DWH als Source für ein neues DWH auf Basis von MPP nutzen (volle Historisierung)
Phase 3: Kompletter Umstieg auf MPP-System – Use-Case by Use-Case und Source by Source (Laden von den Quellen)

 

Der Nutzen ist vielfältig
  • Smartes Adhoc-Reporting Out-of-the-Box
  • Perfekte Historisierung nach fachlichen und technischen Richtlinien
  • „Zeitreisen“/Momentaufnahmen – Nachvollziehbarkeit von Änderungen
  • Security Out-of-the-Box
  • ELT in der Datenbank
  • Keine prozeduale Logik
  • Near realtime
  • Bottom-Up-Ansatz
  • Lizenzeinsparung u.a. (ETL-Tools, Job Scheduler)
  • Fachbereich hat Zugriff auf die gesamte Source-Sicht
  • hochperformant
  • voll historisiert
  • Sicheres Sandboxing
  • Zugriffsberechtigungen im Self-Service für Data Science
  • Agilität im Reporting: schnelle Änderung der virtuellen Datamarten

 

Smarte MPP-Systeme und eine neue Herangehensweise erlauben eine Use-Case by Use-Case Ablöse

In einem Video veranschaulicht Dr. Thomas Petrik (Technischer Leiter bei sphinx), wie eine schrittweise Modernisierung Ihres DWHs bis hin zu einer Komplett-Ablöse funktioniert. Schauen Sie rein!

 
 
 

Michelangelo Hände

H1: Innovative Modernisierung Ihres Data Warehouse (DWH)

Mögliche Gründe für eine Modernisierung:

  • Hohe Aufwände für ETL-Funktionalität: Vereinfachen Sie Ihre ETL-Prozesse.
  • Unterauslastung der DWH-Cluster-Kapazitäten: Nutzen Sie die volle Leistung Ihres DWH-Clusters durch optimierte Ladezeiten.
  • Komplexitäten im Core-Modell: Vereinfachen Sie das Core-Modell für effizientere Datenverarbeitung.
  • Eingeschränkte Historisierung: Erzielen Sie eine lückenlose Nachvollziehbarkeit durch komplette Historisierung.
  • Begrenzter Zugang für Analysten und Data Scientists: Erweitern Sie den Zugriff auf Datamarts und Core-Stages für effektive Datenanalyse.
  • Notwendigkeit eines zusätzlichen Job Schedulers: Integrieren Sie fortschrittliche Planungstools in Ihr System.

H2: Schrittweise Modernisierung ohne radikale Änderungen Entdecken Sie, wie Sie Ihr DWH schrittweise modernisieren können, ohne bestehende Strukturen vollständig zu ersetzen:

  • H3: Phase 1: Nutzen Sie ein schlankes MPP-System als externen Beschleuniger für eine effiziente 1:1 Replikation.
  • H3: Phase 2: Verwandeln Sie Ihr bestehendes DWH in eine Quelle für ein neues MPP-basiertes DWH mit voller Historisierung.
  • H3: Phase 3: Realisieren Sie den kompletten Umstieg auf ein MPP-System, angepasst an einzelne Anwendungsfälle und Datenquellen.

Der vielfältige Nutzen:

  • Smartes Adhoc-Reporting: Unmittelbare Einblicke mit Out-of-the-Box-Lösungen.
  • Perfekte Historisierung: Nach fachlichen und technischen Richtlinien für lückenlose Dokumentation.
  • „Zeitreisen“ für Nachvollziehbarkeit: Verstehen Sie Änderungen durch detaillierte Momentaufnahmen.
  • Ingebauter Security-Standard: Schützen Sie Ihre Daten und Prozesse mühelos.
  • ELT direkt in der Datenbank: Vereinfachen Sie Ihre Datenverarbeitung ohne prozedurale Logik.
  • Near Realtime Verarbeitung: Beschleunigen Sie Ihre Datenanalyse mit einem Bottom-Up-Ansatz.
  • Lizenzkosteneinsparungen: Reduzieren Sie Ausgaben für ETL-Tools und Job Scheduler.
  • Umfassender Zugriff für Fachbereiche: Erhalten Sie hochperformanten, vollständig historisierten Zugriff auf alle Quelldaten.
  • Sicheres Sandboxing und Self-Service-Zugriffsberechtigungen für Data Science: Gewährleisten Sie eine sichere Datenmanipulation und flexible Zugriffsrechte.
  • Agilität im Reporting: Passen Sie virtuelle Datamarts schnell und effizient an.

H2: Smarter Einsatz von MPP-Systemen für eine effiziente DWH-Ablösung Erfahren Sie im Video von Dr. Thomas Petrik, dem Technischen Leiter bei sphinx, wie eine schrittweise Modernisierung Ihres DWHs bis hin zur kompletten Ablösung funktioniert. Erleben Sie die Vorteile innovativer MPP-Systeme und einer neuen Herangehensweise, die eine Use-Case by Use-Case Ablösung ermöglicht.