NEUAUFBAU EINER DATA ANALYTICS PLATTFORM

HERAUSFORDERUNG

Es gibt verschiedene Gründe, ein Data Warehouse neu aufzubauen, entweder es existiert noch kein Data Warehouse im Unternehmen oder es ist effizienter, ein neues aufzubauen als ein bestehendes anzupassen. Auch Erweiterungen bestehender Lösungen sind grundsätzlich abgegrenzte Neuimplementierungen. Der Aufbau eines Data Warehouses erfordert Zeit, Kapital und Know-how. Meistens werden dafür ELT- oder ETL-Tools eingesetzt. Dies bedeutet einen manuellen, d.h. langsamen und schrittweisen Entwicklungsprozess, der den heutigen, sich schnell ändernden Geschäftsanforderungen nicht mehr gerecht wird.

LÖSUNG

Mit AnalyticsCreator erstellen Sie im Handumdrehen eine Analytics Anwendung sowie ein Data Warehouse nach modernsten Konzepten. Mit grafischer Benutzeroberfläche binden Sie beliebige Datenquellen an, übertragen die Daten in Ihr Cube- oder MS-Tabular-Modell und stellen die Analysemodelle einem beliebigen BI/Analytics-Frontend zur Verfügung. So können Sie auf einfache Weise Ihre Geschäftsanforderungen abbilden und mit Ihren Datenquellen verbinden. Ändert sich etwas in der Datenquelle, in der Logik oder im Prozess, werden die Änderungen automatisch aktualisiert und in allen Ebenen veröffentlicht.

New_Construction

Benefits

clock

ULTRASCHNELLES PROTOTYPING

ERGEBNISSE IN STUNDEN UND NICHT IN TAGEN

shopping-cart

ZEIT BIS ZUR FREIGABE IHRES PROJEKTS

BIS ZU 10X RASCHER

briefcase

ZEIT- UND KOSTENEINSPARUNGEN

layers

AUTOMATISCHE DOKUMENTATION

shield

DRASTISCHE VERRINGERUNG DES PROJEKTRISIKOS

Vector

MODELLIEREN STATT PROGRAMMIEREN

shuffle-2

AGILE PROJEKTMETHODIK

Vector (1)

LAUFFÄHIG AUF EINEM LOKALEN MS SQL SERVER UND IN DER AZURE CLOUD

bulb

DER GENERIERTE CODE IST OHNE EINSCHRÄNKUNGEN FREI VERWENDBAR

AUCH OHNE AC

Vector-2

ERWEITERTE UNTERSTÜTZUNG FÜR FRONTENDS:

POWER BI, TABLEAU, QLICK SENSE, TM1

strip1

Modernisierung Ihrer Data Analytics Plattform

HERAUSFORDERUNG

Das aktuelle Data Warehouse ist in die Jahre gekommen und entspricht nicht mehr den neuen, erweiterten Anforderungen, die die Datenbasis an das analytische Frontend liefern soll.
Das aktuelle Data Warehouse ist in die Jahre gekommen, die Performance ist möglicherweise nicht mehr ausreichend, Anpassungen sind schwierig zu realisieren und wären nicht mehr zukunftssicher. Das aktuelle DWH Modell ist nicht mehr in der Lage neue Anforderungen des Managements und advanced-Analytics Methoden rasch zu integrieren. Vielleicht ist das Know-how über das bestehende Data Warehouse nicht mehr ohne weiteres verfügbar, weil die Mitarbeiter oder Berater des Consulters nicht mehr zur Verfügung stehen.

LÖSUNG

Mit dem AnalyticsCreator können Sie auf einem bestehenden DWH aufbauen und Erweiterungen sowie Anpassungen vornehmen. Ist ein gutes Fundament vorhanden, so kann man gut darauf aufbauen. Darüber hinaus ist es mit der Reverse-Engineering-Methodik des AC’s möglich, Code aus einer bestehenden DWH-Anwendung zu übernehmen und in den AC zu integrieren. Auf diese Weise kann noch mehr bestehendes Daten-know-how in die Automatisierung einbezogen werden und somit den zu erwartenden Änderungsprozess noch umfassender unterstützen.
Die Erweiterung eines manuell (d.h. mit einem ETL/ELT-Tool) entwickelten DWHs kann schnell Zeit und Ressourcen verschlingen. Aus unseren Erfahrungen und verschiedenen Studien, die im Web zu finden sind, lässt sich folgende Regel ableiten: Je länger der Lebenszyklus, desto höher steigen die Kosten.

Analytics_Platform

Benefits

shield

Schützen bisheriger Investments in DWHs

flash

MODERNSTE MODELLIERUNGS
MÖGLICHKEITEN ZU NUTZEN

settings-2

Nutzen von Reverse Engeneering

lock

Nutzen von Reverse Engeneering

cloud-upload

Einfacher Weg in die Cloud

file-add

Automatische Dokumentation

Vector-1

GDPR Unterstützung

Mask-1

Extrem schnelles Prototyping

bottom-strip

Eine Daten Plattform für Power BI

HERAUSFORDERUNG

Verschiedene Datenquellen sollen mit Power BI verbunden werden. Dabei geht es um große Datenmengen, deren Verarbeitung komplex sein kann. Darüber hinaus sollen die Daten historisiert werden, um die entsprechenden fortgeschrittenen Analysewerkzeuge und -Methoden nutzen zu können. Ein tabellarisches Modell soll aufgebaut werden. Und vieles mehr. Power BI von Microsoft ist eines der beliebtesten Analyse-Frontends weltweit. In Power BI besteht die Möglichkeit, ein multidimensionales Modell für analytische Anwendungen zu entwerfen und es mit Datenquellen in der Cloud oder lokal zu verbinden.
Um eine höhere Datenqualität und Aussagekraft zu erreichen, werden die Daten in der Regel aus der Quelle extrahiert, bereinigt, logisch aufbereitet, mit korrelierenden Daten verbunden und aggregiert. Darüber hinaus sind modellbasierte und technische Leistungsoptimierungen notwendig.
Ein weiterer sehr relevanter Punkt ist, dass die Datenhistorisierung der Quelldaten in einem Data Warehouse implementiert und gespeichert werden sollte, was mit Power BI nicht wirklich möglich ist. Nur so sind zeitnahe, korrekte Analysen und Berichte überhaupt möglich.

LÖSUNG

Mit dem Analytics Creator entwerfen Sie Ihr Datenmodell für Ihre analytische Power BI Anwendung und generieren automatisch ein mehrschichtiges Data Warehouse mit der passenden Ladestrategie. Dabei wird die Geschäftslogik an einer zentralen Stelle im AnalyticsCreator modelliert und daraus der ablauffähige Code für die Microsoft Analytics Plattform erzeugt. Hier die wichtigsten Ziele: Azure SQL DB, Azure Analysis Services, Tabular Modell, OLAP Modell, Power BI, Synapses oder sogar On-Premises-Technologien bereitgestellt (siehe auch Function & Feature Liste).
AnalyticsCreator bietet Ihnen auch die Möglichkeit, sich mit einer enormen Anzahl von Datenquellen zu verbinden und Ergebnisse an andere Front-End-Technologien zu liefern. Mit AnalyticsCreator können Sie sich mit allen gewünschten Datenquellen verbinden und eine zusätzliche Zeitleiste erstellen (Snapshot Historisierung), die Ihnen den Zugriff auf jede beliebige Zeitscheibe aus dem Data Warehouse ermöglicht.

data_platform-Power_BI

Benefits

Group

Awesome more power for Power BI

Vector (1)

Orchestration of the MS BI stack on Premises & in Azure

award

Best practises data modelling for Power BI

database

High performing delta loadings

pencil-alt

Enables slowly changing dimension concepts

eye

Near Real-Time concepts

information-circle

Single Point of Information

strip1

Data Vault 2.0 Automatisierung

HERAUSFORDERUNG

Wenn viele Quellsysteme, große Datenmengen oder ein komplexes Datenmodell vorgefunden wird, das sich u.U. öfters ändert, dann ist die Data Vault 2.0-Modellierung ideal, um Ihre Data Analytics Platform damit aufzubauen. Oder Sie haben sich generell dafür entschieden, Ihre Data Analytics Platform mit dem Data Vault 2.0-Modellierungsansatz aufzubauen. In jedem Fall ist es ratsam, ein solch komplexes Projekt mit einem Automatisierungstool durchzuführen. Historisierungskonzepte, automatisierte Hash-Key Erzeugung und eine Transformation vom Data Vault Modell in ein dimensionales Modell bis hin zum Frontend (u.A. Power BI) wird mit AnalyticsCreator automatisiert bereitgestellt.

LÖSUNG

AnalyticsCreator enthält einen Assistenten, der sofort nach dem Verbinden mit den Quelldaten einen ersten Entwurf eines Data Vault-Modells erstellt. Dabei kann der Entwickler den Entwurf anpassen und seine eigene Vorlage für zukünftige Entwürfe speichern. AC warnt den Entwickler mit Hinweisen, wenn er die strengen Regeln von DV 2.0 überschreitet, schränkt ihn aber nicht ein, die eignen Konzepte zu verwirklichen. Darüber hinaus bietet AC die Möglichkeit, basierend auf dem DV 2.0-Modell ein übergeordnetes dimensionalen Modell automatisiert zu etablieren. Ebenso wird letzteres an ein MS-Tabluar oder MS-Cube oder an ein BI/Analytics-Frontend übergeben.
Wir nennen diese Technik “Mixed Approach”. Darüber hinaus ist es möglich, die Errungenschaften von DV 2.0 in einem klassischen dimensionalen Modell zu nutzen und so die Vorteile beider Welten zu kombinieren.

Data_Vault_2.0_Automation

Benefits

cube

Guided Data Vault 2.0 modeling

Vector1

Support of any Data Vault paradigm

layers-1

Any layer, raw vault, business vault, etc

Vector-3

Use of all features for multidimensional modeling

settings

Automation in the change process

eye

Visual representation of the models

grid

Clarity with very large data and data models

bottom-strip

WECHSEL ZUR CLOUD-DATENANALYSEPLATTFORM AZURE

HERAUSFORDERUNG

Es gibt zahlreiche Architekturen und Ideen, wie man ein Data Warehouse in der Cloud betreiben kann. Doch welches Konzept ist das richtige? Immer mehr ERP- und Softwareanbieter bieten operative Lösungen in der Cloud an. Daher ist es sinnvoll, diese Datenquellen anzubinden und in Ihr Cloud-Data-Warehouse zu übertragen.

LÖSUNG

Mit dem AnalyticsCreator modellieren Sie in erster Linie unabhängig von der Zielplattform. Entscheiden Sie später ob Ihre Daten in der Cloud oder on Premise gespeichert werden sollen. In erster Linie konzentrieren Sie sich auf das Geschäftsmodell. Spätestens im Deployment-Prozess legen Sie fest, ob das Modell on Premise oder in der Cloud bzw. auf Azure aufgebaut bzw. migriert werden soll. Für spezielle hybride Architekturen ist es notwendig festzulegen, welche Bereiche/Layer wo gespeichert und geladen werden sollen.

Data_Analytics_Platform_Azure

Benefits

Vector1-1

Rapid migration from on premises to Azure

link

Support for Azure SQL DB, Azure Analysis Services, Azure Data Factory, Power BI

Vector-4

Modeling for different purposes

toll

One modeling for different targets

strip1

ERSTELLEN EINER DATA ANALYTICS PLATTFORM AUS SAP-QUELLEN IM MICROSOFT BI STACK

HERAUSFORDERUNG

Ihr Quellsystem ist SAP. Möglicherweise möchten Sie Ihren Nutzern auch andere Datenquellen wie Social-Media-Daten, Cloud-Daten, IOT-Daten usw. für Analysezwecke in einer zentralen Datenanalyseplattform in der Cloud oder vor Ort zur Verfügung stellen.For this you usually need expert knowledge and a lot of time and the right tools for it. Hierfür benötigen Sie in der Regel Expertenwissen und viel Zeit sowie die richtigen Tools dafür.

LÖSUNG

AnalyticsCreator enthält spezielle Komponenten, die es Ihnen ermöglichen, auf Ihre SAP-Quelle zuzugreifen, die Metadaten daraus zu extrahieren und einen AC-Metadatenkonnektor zu erstellen. Darüber hinaus sind in der AC-Cloud bereits vordefinierte SAP-Metadatenkonnektoren verfügbar. Aus diesen erstellt der AC-Wizard automatisch ein mehrschichtiges Data Warehouse (Data Vault 2.0 oder Dimensional, ..), das individuell angepasst werden kann.
Daraus werden automatisch Microsoft Tabular, Cube Modelle, Power BI Apps, Tableau, QlikSense Modelle generiert. Für den laufenden Betrieb empfehlen wir den Theobald SAP Konnektor, der auf Wunsch im Paket mitgeliefert wird.

Microsoft_BI_Stack

Benefits

Group1

Create a highly professional DWH up to 20 times faster.

chart-icon 2

Extremely fast ROI

flight-takeoff

State-of-the-art architectures and methods are use

Vector-Sep-09-2022-09-58-48-95-AM

Transparency for business department, BICC, IT

settings

Data lineage and automatic documentation

Vector-Sep-09-2022-09-56-57-23-AM

Collaboration features for "big enterprises”

settings-input-antenna

Distributed development

insert-emoticon

No dependency on AC

Group-1

SAP connectivity: ODP Objects, DetlaQ Tables, HANA, CDS Views.

Vector1-2

Theobald connector included

bottom-strip

DATA LAKEHOUSE AUTOMATION

HERAUSFORDERUNG

Unstrukturierete bzw. semistrukturierte Daten sollen in einer Data Lake Architektur modelliert werden und mit einem herkömmlichen DWH Ansatz kombiniert bzw. ergänzt werden. Die Gesamtsicht auf das Datenmodell soll dabei gewährleistet werden und ein data dictionary für die BI Entwickler/Analysten/Business zur Verfügung gestellt werden.

LÖSUNG

Mit AnalyticsCreator kombinieren Sie die Vorteile eines herkömmlichen DWH’s und eines Data Lakes. Data Lake Modelle bzw. Ziele können mit AC aufgebaut bzw. modelliert werden.
AC bietet eine metadatenbasierte Data-Warehouse-Entwicklung. Die Definition jeder Quelle, Tabelle, Transformation oder Aufgabe wird in der Metadaten-Datenbank gespeichert, die offen ist und zur weiteren Verwendung zur Verfügung steht. Der Benutzer hat vollen Zugriff auf die Metadaten und kann sie jederzeit direkt mit SQL-Skripten bearbeiten. Die AC-Metadaten-Datenbank hat eine sehr einfache und benutzerfreundliche Datenstruktur, die in der Data Lakehouse-Architektur verwendet werden kann.

Data_Lakehouse_Automation

Benefits

One modeling for different targets

One modeling for different targets

Fast shift to Azure cloud

Fast shift to Azure cloud

Data Lineage & Automatic Documentation

Data Lineage & Automatic Documentation

ONE MODELING FOR DIFFERENT TARGETS

ONE MODELING FOR DIFFERENT TARGETS

strip1

DATEN Export

HERAUSFORDERUNG

Manchmal ist es notwendig, die Daten eines DWHs außerhalb zu nutzen, sei es in anderen analytischen Datenbanken, BLOB-Speichern, Cloud-Speichern oder einfach Textdateien, um sie weiter zu verarbeiten. Oder Sie schreiben die im Data Warehouse berechneten Daten in Ihre Quelldatenbank zurück. Zum Beispiel Sie berechnen im Data Wahrehouse das Kunden-Schuldenlimit oder Sie verwenden AI- Funktionen die MS zur Verfügung stellt um Annahmen zu erstellen, die Sie dann in Ihrem operativen System wieder verwenden möchten.

LÖSUNG

AC generiert SSIS-Pakete und auch Azure Data Factory-Pipelines, um Daten aus Ihrem Data Warehouse in externe Datenbanken zu exportieren. AC unterstützt jede OLEDB- oder ODBC-Treiberfunktionalität für diesen Export. Der passende Treiber schreibt die Daten in Ihr Zielsystem. CSV, Textdateien und Azure Blob Storage werden ebenfalls unterstützt. Beim Export in den Azure-Blob-Speicher können Sie die Formate CSV, Parquet und Avro verwenden.

Data_export

Benefits

Use Analytics Data everywhere

Use Analytics Data everywhere

Use Azure BLOB Store

Use Azure BLOB Store

bottom-strip

TABLEAU PUSH

HERAUSFORDERUNG

Wenn Sie Tableau als Analytics-Frontend-Technologie einsetzen, müssen Sie mit Tableau eine Verbindung zu Ihren Datenquellen herstellen, wie z.B. ein Data Warehouse oder beliebige Quelldaten in strukturierter oder unstrukturierter Form. Tableau bietet Möglichkeiten zur Datentransformation, die es Ihnen ermöglichen, Daten so zu transformieren, wie Sie sie im Frontend verwenden möchten. Doch wenn Sie Tableau ohne ein DWH verwenden, kann dies zu erheblichen Qualitätseinbusen führen. Der zeitaufwändigste Teil in einem Analytics-Projekt ist die Datenaufbereitung. Ungefähr 60-80% der Projektzeit wird dafür aufgewendet. Daher macht es Sinn diesen Teil zu automatisieren.

LÖSUNG

Der AnalyticsCreator verwaltet natürlich den gesamten Design-, Entwicklungs- und Deployment-Prozess für ein Data Warehouse. Auch das Analytics-Modell mit KPIs ist dort enthalten. Dieser "letzte Layer" wird automatisch in das passende Format für Tableau gepusht. Mit Tableau brauchen Sie nur die Datei/das Projekt zu öffnen, und schon steht Ihnen das komplette Modell für Analysezwecke zur Verfügung. Sie haben also direkten Zugriff auf die Daten im Data Warehouse oder Sie ziehen die Daten bzw. Datenmodelle aus dem Data Warehouse. Änderungen im DWH werden an Tableau weitergegeben, ohne dass Sie dies manuell tun müssen. Anerkannte DWH Datendesign-Prinzipien empfehlen dringend, das gesamte Datenmodell im DWH abzulegen. Andernfalls beschreiten Sie einen Weg mit höheren Risiken. Lesen Sie mehr in unserem Blog.

Tableau_push

Benefits

Model creation for Tableau

Model creation for Tableau

One place of development

One place of development

Deploy changes fast to Tableau

Deploy changes fast to Tableau

strip1

AZURE SYNAPSE ANALYTICS

HERAUSFORDERUNG

Bei manchen Projekten gibt es große Herausforderungen in Bezug auf die Abfragegeschwindigkeit sowie mit großen Datenmengen; in diesem Fall ist es sinnvoll, Microsoft Synapse-dedicated zu verwenden. Es gibt auch Nachteile, die genau geprüft werden sollten.

LÖSUNG

Mit AC defnieren Sie ein ganzheitliches Datenmodell und es spielt keine Rolle, ob Sie eine Datenbank für Azure SQL oder Azure Synapse erstellen. Sie können mit der Modellierung beginnen und Ihre Entscheidung später treffen, um die Zielplattform festzulegen. Lesen Sie mehr auf der Microsoft-Website.

Azure_Synapse_Analytics

Benefits

Use the Synapse approach

Use the Synapse approach

One holistic data model for all approaches

One holistic data model for all approaches

Shift from SQL DB to Synapse

Shift from SQL DB to Synapse