Tom Hartung, Sales Executive, InterSystems
Unabhängig davon, ob es um Compliance, Gesamtbanksteuerung, Customer Experience, die Anbindung innovativer Cloud-Applikationen oder um eine Datenbasis für die strategische Entscheidungsfindung geht: Wie zuverlässig ein Datenmanagement für Finanzinstitute und Versicherungen funktioniert, hängt von der jeweiligen Architektur ab. Hier gibt es unterschiedliche Ansätze – von Data Warehouse, Data Lake und Data Mesh bis hin zum Data Fabric. Doch was kommt für wen in Frage? Gibt es die optimale Lösung? Oder handelt es sich eher um ein Zusammenspiel von verschiedenen Architekturen?
Um die jeweils passende Architektur auswählen zu können, sollte das Finanzinstitut den aktuellen Status Quo definieren und klären, was mit der Datenmanagement-Lösung konkret erreicht werden soll. Wichtig ist auch zu entscheiden, ob die bestehenden Systeme beibehalten werden sollen, oder ob eine völlig neue IT-Umgebung geplant ist. Letzteres ist allerdings wesentlich kostspieliger und birgt Risiken.
Data Lake
Ein Data Lake ist eine Speicherumgebung, in der Petabytes an strukturierten, halbstrukturierten und unstrukturierten Daten für Geschäftsanalysen, maschinelles Lernen (ML) und andere umfassende Anwendungen gespeichert sind. Noch vor einigen Jahren waren Data Lakes in aller Munde. Oft entpuppten sie sich jedoch im Nachhinein als „Data Swamps" (Datensümpfe): Da die Daten ohne Strategie in die Architektur eingepflegt worden waren, war es schwer, sie in Informationen umzuwandeln, die sich etwa zur Kundenakquise oder für Marktanalysen nutzen ließen.
Data Warehouse
Bei einem Data Warehouse (DWH) handelt es sich um eine optimierte, zentrale Datenbank, die für alle Arten von Analysen zum Einsatz kommt. Dabei führt das DWH Daten aus mehreren, in der Regel heterogenen Quellen zusammen. Auf der einen Seite kann ein Data Warehouse sehr leistungsfähig sein, auf der anderen Seite nimmt die Performance jedoch mit zunehmendem Datenvolumen ab. Zudem funktioniert es mitunter nicht mit allen Quellen und Datentypen. So lassen sich beispielsweise nicht in jedem Fall unstrukturierte Daten damit verarbeiten. Weitere Nachteile sind eine oft geringe Flexibilität und Agilität. Ältere On-Premise-Umgebungen sind unter Umständen nicht integrierbar, und es besteht die Gefahr eines Vendor-Lock-in.
Data Mesh
Data Mesh ist eine dezentralisierte Datenarchitektur, bei der die Daten nach Unternehmensbereichen organisiert werden – etwa Marketing, Vertrieb, Kundenservice, Asset Management etc. Da die Verantwortlichen in den jeweiligen Abteilungen die Domänendaten kennen, können sie Richtlinien für die Datenverwaltung festlegen, die sich auf die Dokumentation, die Qualität und den Zugriff beziehen. Allerdings beansprucht dieser Architekturansatz viele Ressourcen. Zudem begünstigt die Zuordnung der Daten zu Domänen die Silobildung.
Enterprise Data Fabric
Das Enterprise Data Fabric ist ein neuer architektonischer Ansatz, der den Zugriff auf Datenbestände im gesamten Unternehmen beschleunigt und vereinfacht. Unternehmensweit verstreute Daten lassen sich vernetzen und in Echtzeit analysieren. Dabei kann das Unternehmen seine bestehenden Applikationen und Daten weiternutzen. Die Daten werden im laufenden Betrieb on demand abgerufen, integriert, harmonisiert und ausgewertet, um verschiedene Geschäftsinitiativen zu unterstützen. So lassen sich in kürzester Zeit wertvolle Erkenntnisse gewinnen, ohne die Datenspeicher von Grund auf neu aufbauen zu müssen. Dank hoher Skalierbarkeit gelingt dies auch bei großen Datenmengen. Eine Datenschicht zwischen der Geschäftsapplikation und dem Datenbestand hilft, Prozesse wie Datenintegration, Data Engineering und Governance zu automatisieren. Damit ist das Data Fabric ressourcenschonender als der Data-Mesh-Ansatz.
FAZIT/PRAXISTIPPS
Der Data Lake ist derzeit die gängige Umgebung für Datenbestände und allen anderen Architekturen untergeordnet. Wie das Data Warehouse dient er vielerorts als Zulieferer für die neueren Ansätze Data Fabric und Data Mesh. Zum Beispiel können Finanzinstitute, die bereits einen Data Lake aufgebaut und mit Daten befüllt haben, zwischen der Geschäftsseite und dem Data Lake ein Data Fabric implementieren. Dadurch lassen sich Daten und zugehörige Metadaten leichter in geschäftlich nutzbare Informationen umwandeln.
Ein Data Fabric ist besonders vielseitig und flexibel. Es kann verschiedene Quellen integrieren und anwendungsspezifisch nutzen. Finanzinstitute profitieren von einer robusten Datenbasis, die sie für Künstliche Intelligenz und ML verwenden können. Ad-hoc-Anfragen von Aufsichtsbehörden lassen sich beispielsweise schneller beantworten, um Compliance-Verstößen vorzubeugen. Zeitnah bereitgestellte Risiko- und Analysedaten ermöglichen Reaktionen auf Marktentwicklungen in Echtzeit. Auch die Entscheidungsfindung in den Fachabteilungen wird erleichtert, da für die Risikobewertung aktuelle Informationen zur Verfügung stehen. Darüber hinaus ermöglicht ein Data Fabric einen nahtlosen Datenzugriff über eine nutzerbezogene Rechteverwaltung. Limitationen beim Zugriff auf Daten gehören damit der Vergangenheit an.
Mit einem Data Fabric können Unternehmen die Kosten und die Komplexität der Datenverarbeitung senken und Erkenntnisse gewinnen, die ihnen Wettbewerbsvorteile verschaffen. Da sich bestehende Technologien weiter nutzen lassen, sind die Investitionen geschützt. Und dank der Flexibilität, Skalierbarkeit und Interoperabilität eines Data Fabrics bleibt das Unternehmen zukunftsfähig.
Beitragsnummer: 22032