Multi-Cloud-Analysen vereinfachen Abfragen in Biowissenschaften, Agritech und weiteren Branchen

Im Jahr 2020 führte Gartner eine Umfrage zum Kaufverhalten von Cloud-Nutzerinnen und -nutzern durch. Fast 80 % der Befragten, die öffentliche, Hybrid- oder Multi-Clouds nutzten, gaben an, mit mehr als einem Cloud-Anbieter zu arbeiten1.

Multi-Cloud ist mittlerweile in den meisten Organisationen üblich. Damit sie sich einen Wettbewerbsvorteil verschaffen können, benötigt ihre Mitarbeiterschaft unabhängig vom Speicherort Zugriff auf die Daten und die Möglichkeit, diese zu analysieren. Google möchte die bestmögliche Multi-Cloud-Analyselösung zur Verfügung stellen, mit der sich Datensilos auflösen lassen und Mitarbeiterinnen und Mitarbeiter mühelos Analysen im großen Maßstab ausführen können. Dieses Engagement wurde im neuen Gartner Magic Quadrant 2020 für Cloud-Datenbankmanagementsysteme anerkannt, in dem Google als ein führender Anbieter eingestuft wird2.

Wenn auch Sie die Möglichkeit haben möchten, in Ihrem Unternehmen Daten in Google Cloud, AWS und Azure (demnächst verfügbar) auf einer sicheren und vollständig verwalteten Plattform zu analysieren, sollten Sie sich BigQuery Omni genauer ansehen.

In BigQuery sind Computing und Speicher nativ getrennt. So können Unternehmen flexibel wachsen und Analysen im großen Maßstab ausführen. Mit BigQuery Omni erweitern wir diesen Ansatz noch und bringen die Computing-Ressourcen zu den Daten. Dies erleichtert es Nutzerinnen und Nutzern, direkt in der vertrauten BigQuery-Oberfläche die benötigten Informationen zu finden. 

Wir freuen uns über die große Nachfrage seit der Vorstellung von BigQuery Omni Anfang 2020. Unsere Kundinnen und Kunden nutzen BigQuery Omni, um ihre ganz speziellen geschäftlichen Herausforderungen zu bewältigen. In diesem Blogpost möchten wir einige der Anwendungsfälle vorstellen. Diese können Ihnen helfen, Ihren ganz persönlichen Weg zu einer modernen Multi-Cloud-Analyselösung zu finden. Sehen wir uns einmal drei davon an:

Analyse biomedizinischer Daten: Viele Unternehmen im Bereich Biowissenschaften möchten ihren Kundinnen und Kunden ebenso wie ihren internen Beteiligten eine einheitliche Analyseumgebung bereitstellen. Da biomedizinische Daten meist als große Datasets vorliegen, die auf mehrere Clouds verteilt sind, ist es schwierig, die Informationen auf einem Bildschirm zu vereinen und so ganzheitliche Informationen daraus zu gewinnen. Mit BigQuery Omni kann das an das MIT und die Harvard University angeschlossene Broad Institute biomedizinische Daten, die in Repositories in großen öffentlichen Clouds gespeichert sind, direkt über die vertraute BigQuery-Oberfläche analysieren. Somit stehen diese Daten für die Suche und Extrahierung von Genomvarianten zur Verfügung. Früher waren für diese Art von Analysen laufende Datenextrahierungs- und -ladevorgänge erforderlich, die von der technischen Seite her eine immer größere Belastung darstellten. Dank BigQuery Omni konnte das Broad Institute die Kosten für ausgehenden Traffic senken und gleichzeitig die Qualität der Forschung steigern. 

Agritech: Data Wrangling (Datenaufbereitung) ist für Agrartechnikunternehmen, die einen datengestützten Ansatz verfolgen möchten, weiterhin ein Engpass. Eines dieser Unternehmen möchte den zeitlichen und finanziellen Aufwand seiner Datenanalysten, Data Scientists und Entwickler:innen für Data-Wrangling-Aktivitäten reduzieren. In den in AWS gespeicherten F&E-Datasets sind die zentralen Merkmale der Pflanzenzucht-Pipeline und der Pflanzenbiotechnologie-Versuchsbetriebe des Unternehmens beschrieben. Alle wichtigen Datasets befinden sich jedoch in Google BigQuery. Das Unternehmen möchte daher mit BigQuery Omni einen sicheren, SQL-basierten Zugriff auf die Daten in beiden Clouds realisieren und die Sichtbarkeit der Daten erhöhen, um daraus bessere Informationen zu gewinnen. Es kann in der einheitlichen Oberfläche von BigQuery landwirtschaftliche und marktorientierte Analysemodelle für alle Datennutzerinnen und -nutzer entwickeln – unabhängig davon, in welcher Cloud-Plattform sich die Datasets befinden. 

Loganalyse: Viele Unternehmen möchten ihre Logdaten besser nutzen und daraus neue Erkenntnisse gewinnen. Ein Unternehmen aus der Medien- und Unterhaltungsbranche speichert die Aktivitätsprotokolle seiner Nutzerinnen und Nutzer in AWS und ihre Profilinformationen in Google Cloud. Sein Ziel war es, die Nachfrage nach Medieninhalten anhand von Analysen des Verhaltens und der Konsummuster der Nutzerinnen und Nutzer besser vorherzusagen. Da die Datasets in AWS und Google Cloud kontinuierlich aktualisiert werden, war die Zusammenstellung der Informationen, die dennoch aktuell sein sollten, eine große Herausforderung. Dank BigQuery Omni kann das Unternehmen seine Logdaten aus AWS und Google Cloud dynamisch kombinieren, ohne ganze Datasets aus einer Cloud in eine andere zu verschieben oder zu kopieren. Dadurch sind weniger benutzerdefinierte Skripts zum Abfragen von Daten in einer anderen Cloud erforderlich.

Ein weiteres Beispiel, das zu diesem Anwendungsfall passt, ist die komplizierte Zusammenfassung von Abrechnungsdaten aus mehreren Clouds. Ein Unternehmen aus dem öffentlichen Sektor hat verschiedene Möglichkeiten getestet, in Echtzeit eine einheitliche, zweckmäßige Übersicht aller Abrechnungsdaten in Google Cloud, AWS und Azure zu erstellen. Es möchte seine Datensilos mit BigQuery Omni möglichst einfach und kostengünstig auflösen und Analysen über eine einzige Konsole zentral ausführen.

Füllen Sie dieses Formular aus, wenn Sie sich mit uns zu den Themen Multi-Cloud-Analysen und BigQuery Omni austauschen möchten. Bitte beachten Sie, dass BigQuery Omni aktuell für AWS in der Preview-Phase ist. Azure wird demnächst folgen.

^{Gartner unterstützt keine Anbieter, Produkte oder Dienstleistungen, die in diesen Veröffentlichungen aufgeführt werden, und rät Nutzerinnen und Nutzern von Technologien in keiner Weise dazu, nur Anbieter mit hohen Bewertungen oder bestimmten Bezeichnungen auszuwählen. Die Marktforschungspublikationen von Gartner enthalten ausschließlich Auffassungen von Gartner Research & Advisory und sollten nicht als gegebene Tatsachen ausgelegt werden. Gartner lehnt jegliche Gewährleistungen, ob ausdrücklich oder implizit, in Bezug auf diese Marktforschungsarbeit ab, einschließlich aller Gewährleistungen hinsichtlich der Gebrauchstauglichkeit oder der Eignung für einen bestimmten Zweck.}

^{1. Gartner, „2021 Planning Guide for Data Management“, Sanjeev Mohan, Joe Maguire, 9. Oktober 2020.}

^{2. Gartner, „Magic Quadrant for Cloud Database Management Systems“, Donald Feinberg, Merv Adrian, Rick Greenwald, Henry Cook, Adam Ronthal, 23. November 2020}