Die translytische Datenverarbeitung hat sich in den letzten Jahren zunehmend aus den beiden klassischen Modellen der Datenverarbeitung entwickelt. Früher konnte man klar zwischen Anwendungen, die transaktionale Datenverarbeitung implementieren, und Data Warehouses, die analytische Daten verarbeiten, unterscheiden. Heute ist diese Unterscheidung nicht mehr so einfach.
Transaktionale Datenverarbeitung
Transaktionale Datenverarbeitung ist eine Art der Datenverarbeitung, die sicherstellt, dass eine Aufgabe (eine “Transaktion”) entweder vollständig ausgeführt oder, falls ein Fehler auftritt, vollständig rückgängig gemacht wird, um den ursprünglichen Zustand wiederherzustellen. Dies ist wichtig, um die Integrität der Daten in einer Datenbank zu gewährleisten.
Ein Beispiel für eine Transaktion wäre die Überweisung von Geld von einem Bankkonto auf ein anderes. Wenn die Überweisung erfolgreich war, werden die entsprechenden Änderungen in den Konten aktualisiert. Tritt jedoch ein Fehler auf, z. B. weil das Konto des Empfängers nicht existiert, wird die Überweisung rückgängig gemacht und die Kontostände bleiben unverändert. Auf diese Weise bleiben die Daten konsistent und die Integrität der Konten gewahrt.
Kennzeichen von transaktionaler Datenverarbeitung
- Viele Inserts und Updates, wenige Selects
- Hohe Anzahl kurzer Statements, die in Echtzeit ausgeführt werden müssen
- Hohe Verfügbarkeit der Datenbank erforderlich
- Speicherung der Daten als einfache Tabellen
Analytische Datenverarbeitung
Analytische Datenverarbeitung ist die Verarbeitung großer Datenmengen mit dem Ziel, Erkenntnisse und Einsichten zu gewinnen, die für die Entscheidungsfindung in Unternehmen, Organisationen und anderen Bereichen nützlich sind. Bei der analytischen Datenverarbeitung werden in der Regel Techniken wie Data Mining, maschinelles Lernen und Statistik eingesetzt, um Muster in den Daten zu erkennen und zu analysieren.
Die Ergebnisse der analytischen Datenverarbeitung können in verschiedenen Formen präsentiert werden, z. B. als Berichte, Diagramme oder Dashboards. Sie können auch verwendet werden, um Vorhersagen über zukünftige Ereignisse zu treffen oder Handlungsempfehlungen zu generieren.
Im Gegensatz zur transaktionalen Datenverarbeitung, die darauf ausgelegt ist, Ereignisse in Echtzeit zu verarbeiten und zu verwalten, ist die analytische Datenverarbeitung eher darauf ausgelegt, die Vergangenheit zu analysieren und Erkenntnisse für die Zukunft zu gewinnen.
Kennzeichen von analytischer Datenverarbeitung
- Wenige Inserts und Updates; Fokus auf Selects
- Geringe Anzahl langlaufender Statements, die Analyseergebnisse liefern
- Hochverfügbarkeit der Datenbank nicht notwendig, da die Abfragen nicht direkt in Geschäftsprozesse eingebunden sind
- Speicherung der Daten in multidimensionalen Datenstrukturen
Translytische Datenverarbeitung
In den letzten Jahren, insbesondere mit dem Aufkommen von KI-Systemen, hat sich eine Mischform aus transaktionaler und analytischer Datenverarbeitung entwickelt: Die translytische Datenverarbeitung. Sie dient dazu, Erkenntnisse aus Echtzeitanalysen in transaktionale (Geschäfts-)Prozesse einfließen zu lassen.
Ein Beispiel wäre das Betrugserkennungssystem einer Bank, das in Echtzeit analysiert, ob eine Transaktion betrügerisch sein könnte. Dieses System muss Transaktionen in Echtzeit verarbeiten können, um schnelle Entscheidungen treffen zu können. Es muss aber auch in der Lage sein, Muster in den Transaktionsdaten zu erkennen und zu analysieren, um betrügerische Aktivitäten zu identifizieren.
Es gibt auch Fälle, in denen analytische Datenverarbeitung eingesetzt wird, um die Leistung von transaktionalen Prozessen zu optimieren. Beispielsweise könnte ein Einzelhändler die Ergebnisse von Kundeneinkäufen analysieren, um herauszufinden, welche anderen Produkte ein Kunde, der bereits bestimmte Produkte in seinem Einkaufswagen hat, noch kauft.
Herausforderungen von translytischer Datenverarbeitung
- Auf den ersten Blick steht die translytische Datenverarbeitung im Widerspruch zu den beiden anderen Modellen: Hier sollen langlaufende Analysen möglichst in Echtzeit ihre Ergebnisse liefern. Damit dies gelingt, müssen die Analysen gut geplant und auf ausreichend dimensionierter Hardware ausgeführt werden.
- Zudem sollte bei der translytischen Datenverarbeitung auf standardisierte, getestete Statements gesetzt werden. Im Gegensatz zur analytischen Datenverarbeitung, bei der die Datenanalysten weitgehend freie Hand mit individuellen Statements haben. Durch diese Maßnahme kann der zu erwartende Aufwand einigermaßen abgeschätzt werden.
- In transaktionalen Prozessen, die durch Translytik unterstützt werden, können nach Möglichkeit “Sicherungen” eingebaut werden: Wenn die analytischen Ergebnisse für den transaktionalen Prozess nicht essentiell sind, sondern ihn nur ergänzen oder verbessern, kann eine solche Sicherung in Form eines Timeout realisiert werden. Damit wird verhindert, dass das Warten auf die Analyse den transaktionalen Prozess unnötig in die Länge zieht.
- Das Spezialwissen zur Datenanalyse wird nicht mehr nur gebündelt in einem analytischen Bereich einer Anwendungslandschaft benötigt, sondern in jeder Anwendung, die Daten transaktional verarbeitet. Dies stellt eine organisatorische Herausforderung dar.
Architektur translytischer Datenverarbeitung
In einer traditionellen Anwendungslandschaft gibt es Bereiche, in denen die transaktionalen Geschäftsprozesse ablaufen und einen Bereich, in dem die Analyse stattfindet. Der transaktionale Bereich kann z.B. ein Produktionsplanungssystem, ein Lagerverwaltungssystem oder ein Warenwirtschaftssystem sein. Der analytische Bereich wird durch ein Data Warehouse realisiert.
In einer modernen Anwendungslandschaft bleibt der analytische Bereich bestehen, wird aber durch translytische Komponenten innerhalb transaktionaler Anwendungen ergänzt.
Die translytische Datenverarbeitung macht die klassische analytische Datenverarbeitung nicht überflüssig. Sie erweitert sie. Im obigen Beispiel einer Bank kann die Betrugserkennung als translytische Komponente in das Transaktionssystem einer Bank integriert werden. Das Data Warehouse der Bank wird dadurch nicht überflüssig, da die klassischen analytischen Geschäftsprozesse wie Statistiken über Kundenzahlen oder Geldflüsse weiterhin durchgeführt werden müssen.
Fazit
Die translytische Datenverarbeitung ist auf dem Vormarsch und wird in immer mehr Anwendungen und Anwendungsplattformen Einzug halten. Sie hat ihren Platz in der modernen Datenverarbeitung, ersetzt aber weder die transaktionale noch die analytische Datenverarbeitung. Sie ergänzt beide. Beim Aufbau eines Systems mit Translytik sollte man sich der Herausforderungen bewusst sein und die Anwendungsfälle klar abgrenzen, um nicht in Performance- oder Verfügbarkeitsprobleme zu steuern.