Es gibt Software-as-a-Service (SaaS), Platform-as-a-Service (PaaS) und sogar Infrastructure-as-a-Service (IaaS). In dem Bestreben, Big-Data-Initiativen für Mainstream-Kunden zugänglicher zu machen, gibt es jetzt ein neues As-a-Service-Angebot, das die mit Big-Data-Analysen verbundenen schweren Arbeiten und Kapitalausgaben auslagert.
Unternehmen, von globalen Einzelhandelsriesen bis hin zu Spezialherstellern, mischen Verkaufsdaten, Online-Daten, Daten aus dem Internet der Dinge (IoT), Kundendaten und andere unstrukturierte Informationen und setzen Analysen ein, um die Flut an Daten zu durchforsten und Muster und wertvolle Erkenntnisse zu entdecken, die Innovationen vorantreiben, neue Geschäftsmodelle ermöglichen, die Effizienz steigern und Kosten senken können. Nach Angaben der Economist Intelligence Unit gaben fast 60 Prozent der befragten Führungskräfte an, dass ihre Unternehmen Einnahmen aus Big-Data-Initiativen generieren.
Der Aufstieg von Big Data as a Service
Doch während die Fortune-500-Unternehmen Millionen in Big-Data-Technologien und schwer zu findende Technologieexperten und Datenwissenschaftler investieren, sind kleine und mittelständische Unternehmen aufgrund der erheblichen Kosten und der Komplexität der Bereitstellung und des Personals für ihre eigenen Initiativen meist ausgeschlossen. An dieser Stelle kommt Big Data-as-a-Service (BDaaS) ins Spiel. Mit BDaaS verlagern Unternehmen im Wesentlichen alle oder viele der wichtigsten Bestandteile - skalierbare Cloud-Infrastruktur, Virtualisierungsfunktionen, Analyse-Engines, Datenverwaltungsdienste - auf einen Drittanbieter, so dass sich das Unternehmen darauf konzentrieren kann, aus Big Data geschäftlichen Nutzen zu ziehen, anstatt sich mit der Bereitstellung von Technologien zu beschäftigen. Außerdem können Unternehmen so kostspielige Investitionen in die Infrastruktur zur Durchführung von Big-Data-Initiativen vermeiden und stattdessen sekundenweise oder abfragebasiert nur für die genutzten Dienste und Kapazitäten bezahlen. HTF Market Intelligence geht davon aus, dass der BDaaS-Markt bis Ende 2025 ein Volumen von 48,9 Milliarden US-Dollar erreichen wird, mit einer CAGR von 15 Prozent gegenüber 2018.
Es gibt Kompromisse, aber der BDaaS-Vorteil kann Unternehmen aller Größenordnungen zugute kommen. Zwar sind Standard-Hardware und Open-Source-Software wie Hadoop ohne Weiteres verfügbar, doch erfordert die Einrichtung wesentlicher Komponenten und der Infrastruktur zur Unterstützung einer Big-Data-Initiative Fachwissen und hohe Investitionen, im Gegensatz zu BDaaS, bei dem für den Betrieb von Bereitstellungen kein erhebliches Engagement in Bezug auf Infrastruktur oder Personal erforderlich ist. BDaaS-Anbieter kümmern sich auch um die Einhaltung von Vorschriften und die Sicherheit, und die Dienste sind hochgradig skalierbar, so dass sie problemlos den Bedarf an mehr Speicherplatz oder Verarbeitungsleistung decken können, wenn das Volumen und die Geschwindigkeit der Datenerfassung zunehmen.
BDaaS-Bereitstellungsmodelle
Wie alles in der Cloud-Welt gibt es auch BDaaS in verschiedenen Varianten. Unternehmen können sich für die Barebones-Route entscheiden und IaaS für Big Data von einem Cloud-Anbieter nutzen. Sie können auch auf Plattformangebote wie Amazon EMR, Azure Insights oder Google Cloud Platform (GCP) zurückgreifen, die einen verwalteten Big-Data-Stack bereitstellen, einschließlich beliebter verteilter Frameworks wie Hadoop, zusammen mit maschinellem Lernen, Analysen, Dashboards und Visualisierungsfunktionen sowie Tools zur Datenumwandlung.
Die drei großen Anbieter bieten ähnliche Bausteine als Teil ihrer BDaaS-Angebote an. Hier ist eine Momentaufnahme von jedem:
Elastic MapReduce (EMR) von Amazon: Dieser Service führt verwaltete Frameworks wie Hadoop, Spark und Presto aus und lässt sich leicht mit anderen AWS-Services wie S3 für die Objektspeicherung integrieren. Das Datenorchestrierungstool Data Pipeline wird zum Verschieben, Kopieren und Umwandeln von Daten verwendet, während die Option Kinesis Streams für Hochfrequenz- und Echtzeitanalysen geeignet ist und das Gegenstück Kinesis Firehose für die Aufnahme von Daten in großem Umfang. QuickSight ist ein Cloud-basierter BI-Service für die Erstellung von Visualisierungen und die Durchführung von Ad-hoc-Analysen, und es gibt eine Reihe von Funktionen im Rahmen von Amazon Machine Learning, um prädiktive Analysen durchzuführen.
Microsoft Azure: HDInsight ist die verwaltete Apache-Plattform des Angebots, die Hadoop, Spark, Storm oder HBase umfasst. Azure Data Factory ist der Datenorchestrierungsdienst, der zum Aufbau einer Datenverarbeitungspipeline verwendet wird, und Stream Analytics ist das Tool für die Datenverarbeitung in Echtzeit, auch für Anwendungen des Internets der Dinge (IoT). Für Datenvisualisierungen und Dashboards gibt es Power BI, und Azure Machine Learning ist eine verwaltete Data-Science-Plattform, die die Erstellung und Bereitstellung von Vorhersagemodellen erleichtert.
Google Cloud Platform: Es gibt eine Vielzahl von Komponenten für Big-Data-Analysen, darunter Cloud Dataproc, ein vollständig verwalteter Cloud-Service für den Betrieb von Apache Spark- und Apache Hadoop-Clustern, und Big Query, ein serverloses, hoch skalierbares Enterprise Data Warehouse. Cloud Dataflow ist der Dienst für die Umwandlung und Anreicherung von Daten in Echtzeit und im Batch-Modus, Cloud Datalab wird für die Erkundung, Analyse, Umwandlung und Visualisierung von Daten verwendet, und die Cloud Machine Learning Engine ist ein weiterer verwalteter Dienst, der Datenwissenschaftlern bei der Erstellung und Umsetzung von Modellen in die Produktion hilft.
Das Potenzial großer Daten
Angesichts des Potenzials der Big Data-Analyse sollten sich Unternehmen nicht von Komplikationen und Kosten abhalten lassen. BDaaS ermöglicht es kleinen und großen Unternehmen, tief in die Datenanalyse einzutauchen, ohne in einem Meer von Komplexität zu ertrinken. Wie nutzt Ihr Unternehmen Big Data?
