Data Virtualization: Modernes, flexibles Datenmanagement
Data Virtualization (DV) integriert Daten aus verteilten Quellen, von verteilten Orten sowie mit unterschiedlichen Formaten, ohne dass diese repliziert werden müssen. Mit DV ist eine flexible, übergreifende Datenaufbereitung und -analyse von historischen Daten eines Data Warehouse bis hin zu operativen Daten möglich. Auf diese Weise wird eine einzelne, „virtuelle“ Datenebene (Single Point of Contact) geschaffen, die mit einheitlichen Datenservices zahlreiche Anwendungen und Anwender unterstützt. DV ist somit eine Abstraktions- und Datenservice-Ebene.
Vereinheitlichte, integrierte Datensicht in Echtzeit
Data Virtualization kann die Grundmuster eines Logical Data Warehouse praktisch umsetzen, indem es eine Brücke von bewährten Technologien (z. B. RDBMS) zu neuen technologischen Möglichkeiten (z. B. Hadoop) schlägt. Architekturebenen oder -komponenten können wahlweise als virtuelle Layer oder Bereiche abgebildet werden – dies spart Datenspeicher, verringert somit die Kosten und fördert gleichzeitig die Agilität.
Da bei dieser Herangehensweise – anders als bei ETL-Prozessen – die Mehrheit der Daten in den Quellen bestehen bleibt und direkt vom Quellsystem abgerufen wird, kommt es zur Reduktion der Bewegung von Massendaten. Unterstützt durch intelligente Abfrageoptimierung und Caching Mechanismen für Zugriff auf verteilt liegende Daten vermeiden Sie die zeit- und kostenintensive physische Integration von Daten.
Mit DV wird eine neue virtuelle Plattform geschaffen, die unterschiedliche Nutzergruppen – vom Casual User bis hin zum Data Scientist – mit allen notwendigen Daten bedarfsgerecht versorgt und durch Self-Service-Funktionalitäten wie bspw. einem Data Catalogue komfortabel unterstützt.
Einsatzszenarien
- Einheitliche Zugriffsschicht durch Enterprise Semantic Layer: DV abstrahiert die Informationen von technischen Begrifflichkeiten, unterstützt die Datenanalyse mit Hilfe gängiger Geschäftsbegriffe und bietet einen einheitlichen Zugriffspunkt inkl. rollenbasierter Security und Schutz von sensiblen Daten mittels Data Masking.
- Data Lineage und Impact Analysis: Innerhalb des DV Tools kann die Herkunft der Daten sowie Auswirkung auf Datenänderungen visualisiert und nachvollzogen werden.
- Technologieabstraktion zwischen Backend und Frontend: Die Entkopplung von Quellen und Applikationen erlaubt eine schnelle Umsetzung neuer Reporting- und Analytics-Anforderungen und bietet eine hohe Flexibilität gegenüber künftigen Modernisierungszwängen.
- Logical DWH und Logical Data Lake: Es können alle notwendigen Funktionalitäten für die Umsetzung eines Logical DWH oder Logical Data Lake abgebildet werden – inkl. konfigurierbarem Cache, konfigurierbarer Zugriffslogik und verteilter, dynamisch optimierter Abfrageausführung.
