Traditionelle Data Warehouses werden lokal gehostet, wobei Daten aus relationalen Datenbanken, Transaktionssystemen, Geschäftsanwendungen und anderen Quellsystemen einfließen. Sie sind jedoch in der Regel so konzipiert, dass eine Teilmenge der Daten in Batches erfasst und anhand starrer Schemas gespeichert wird, wodurch sie nicht für spontane Abfragen oder Echtzeitanalysen geeignet sind. Unternehmen müssen außerdem ihre eigene Hardware und Software mit einem lokalen Data Warehouse erwerben, was die Skalierung und Wartung teuer macht. In einem traditionellen Warehouse ist der Speicher im Vergleich zur Rechenleistung in der Regel begrenzt, sodass Daten schnell transformiert und dann verworfen werden, um Speicherplatz frei zu halten.

Die heutigen Data-Analytics-Aktivitäten sind in den Mittelpunkt aller Kerngeschäftsaktivitäten gerückt, einschließlich der Umsatzgenerierung, der Kostenbegrenzung, der Verbesserung von Abläufen und der Verbesserung der Kundenzufriedenheit. Daten entwickeln sich weiter und diversifizieren sich. Daher benötigen Unternehmen zuverlässigere Data Warehouse-Lösungen und fortschrittliche Analysetools, um große Datenmengen unternehmensweit zu speichern, zu verwalten und zu analysieren. 

Diese Systeme müssen skalierbar, zuverlässig und sicher genug sein für regulierte Branchen und flexibel genug, um eine Vielzahl von Datentypen und Big Data-Anwendungsfällen zu unterstützen. Außerdem müssen sie flexible Preise und Computing-Ressourcen unterstützen, sodass Sie nur für das zahlen, was Sie tatsächlich benötigen, anstatt ihre Kapazität zu erraten. Diese Anforderungen gehen weit über die Fähigkeiten der meisten Legacy Data Warehouses hinaus. Aus diesem Grund entscheiden sich viele Unternehmen für cloudbasierte Data Warehouse-Lösungen.

Ein Cloud Data Warehouse muss keine Kompromisse im Vergleich zu einem herkömmlichen Data Warehouse eingehen, sondern erweitert die Möglichkeiten und kann auf einem vollständig verwalteten Dienst in der Cloud ausgeführt werden. Cloud Data Warehouses bieten sofortige Skalierbarkeit zur Erfüllung sich ändernder Geschäftsanforderungen sowie eine leistungsstarke Datenverarbeitung zur Unterstützung komplexer Analyseabfragen. 

Mit einem Cloud Data Warehouse profitieren Sie von der Flexibilität einer Cloud-Umgebung mit besser vorhersehbaren Kosten. Bei lokalen Data Warehouse-Lösungen sind die Vorabinvestitionen in der Regel deutlich geringer und die Vorlaufzeiten kürzer, da die physische Infrastruktur vom Cloud-Dienstanbieter verwaltet und gewartet wird. 

Wie ein herkömmliches Data Warehouse erfassen, integrieren und speichern Cloud Data Warehouses Daten aus internen und externen Datenquellen. Daten werden in der Regel mithilfe einer Datenpipeline aus einem Quellsystem übertragen. Die Daten werden aus dem Quellsystem extrahiert, umgewandelt und in das Data Warehouse geladen. Dieser Prozess wird als ETL (Extrahieren, Transformieren, Laden) bezeichnet. Daten können auch direkt an ein zentrales Repository gesendet und dann mithilfe von ELT-Prozessen (Extrahieren, Laden, Transformieren) konvertiert werden. Von dort aus können Nutzende verschiedene Business Intelligence-Tools (BI) verwenden, um auf Daten zuzugreifen, Erkenntnisse daraus zu gewinnen und Berichte darüber zu erstellen. Cloud Data Warehouses sollten außerdem Streaming-Anwendungsfälle unterstützen, um Daten in Echtzeit oder nahezu in Echtzeit zu nutzen.

Cloud Data Warehouses bieten strukturierte und semistrukturierte(s) Datenspeicherung, -verarbeitung, -integration, -bereinigung, -laden usw. in einer öffentlichen Cloud-Umgebung. Sie können auch mit einem Cloud Data Lake verwendet werden, um unstrukturierte Daten zu erfassen und zu speichern. Bei einigen Anbietern ist es sogar möglich, Data Warehouse und Data Lake zu vereinheitlichen, um eine einzige Kopie Ihrer Unternehmensdaten zentral zu verwalten.

Je nach Cloud-Anbieter können unterschiedliche Ansätze für Cloud Data Warehouse-Dienste verfolgt werden. Einige Cloud Data Warehouses können beispielsweise eine clusterbasierte Architektur verwenden, die einem traditionellen Data Warehouse ähnelt. Im Gegensatz dazu verwenden andere eine moderne serverlose Architektur, wodurch die Verantwortung für das Datenmanagement weiter minimiert wird. Die meisten Cloud Data Warehouses bieten jedoch integrierte Funktionen zur Datenspeicherung und Kapazitätsverwaltung sowie automatische Upgrades.

Zu den weiteren wichtigen Funktionen von Cloud Data Warehouses gehören:

• Massive Parallelverarbeitung (MSP)
• Spaltenbasierte Datenspeicher
• Self-Service-ETL- und ELT-Datenintegration  
• Funktionen zur Notfallwiederherstellung und automatische Sicherungen
• Compliance- und Data-Governance-Tools
• Integrierte Integrationen für BI, KI und Machine Learning

Cloud Data Warehouses bieten Unternehmen verschiedene Lösungen. Hier sind einige der gängigsten Anwendungsfälle für Data Warehouses:

Entscheidungen in Echtzeit treffen: Analysieren Sie Daten in Echtzeit, um proaktiv Herausforderungen anzugehen, Chancen zu identifizieren, Effizienz zu steigern, Kosten zu senken und proaktiv auf Geschäftsereignisse zu reagieren.

Datensilos konsolidieren: Sie können Daten aus mehreren strukturierten Quellen in Ihrem Unternehmen schnell abrufen, z. B. aus Kassensystemen, Websites und E-Mail-Listen, und sie an einem Ort zusammenführen, um Analysen durchzuführen und Einblicke zu erhalten.

Geschäftsberichte und Ad-hoc-Analysen ermöglichen: Speichern Sie Verlaufsdaten auf einem anderen Server als Betriebsdaten, sodass Endnutzer darauf zugreifen und eigene Abfragen und Berichte ausführen können, ohne die Leistung von Betriebssystemen zu beeinträchtigen oder auf Hilfe von der IT-Abteilung zu warten.

Machine Learning und KI implementieren: Es werden Verlaufsdaten und Echtzeitdaten erfasst, um Algorithmen zu entwickeln, die Prognosen liefern. So können Sie z. B. Traffic-Spitzen vorhersehen oder Kunden, die eine Website besuchen, relevante Produkte vorschlagen.

Viele Unternehmen und Branchen benötigen Datenanalysen, die nicht nur extrem umfangreich sind, sondern auch fortlaufend und in Echtzeit erfolgen müssen. So nutzen zum Beispiel manche Dienstanbieter Echtzeitdaten, um ihre Preise im Laufe des Tages dynamisch anzupassen. Versicherungen analysieren unter anderem Policen, Verkäufe, Ansprüche und Gehaltsabrechnungsdaten und nutzen Machine Learning, um Betrug zu prognostizieren. Spieleentwickler müssen das Nutzerverhalten in Echtzeit verfolgen und darauf reagieren können, um das Spielerlebnis zu verbessern. Data Warehouses machen all diese Vorgänge möglich.

Wenn für Ihr Unternehmen eine oder mehrere der folgenden Anforderungen zutreffen, ist es wahrscheinlich ein guter Kandidat für ein Data Warehouse:

• unterschiedliche Datenquellen
• Big Data-Analyse und -Visualisierung, sowohl asynchron als auch in Echtzeit
• Modelle für Machine Learning und andere KI-gestützte Prozesse
• Streamanalyse
• Erstellung benutzerdefinierter Berichte und Ad-hoc-Analysen
• Data Mining
• Data Science und Geodatenanalyse

Wenn Sie sich für ein cloudbasiertes Data Warehouse entscheiden, ist es wichtig, die Funktionsweise der Lösungen zu bewerten und ein tiefes Verständnis der vorhandenen Anwendungsfälle zu haben, die Ihr Cloud Data Warehouse unterstützen muss. 

Neben den Warehousing-Funktionen müssen bei der Auswahl zwischen verschiedenen Anbietern viele Aspekte berücksichtigt werden, darunter Unterschiede in Architektur, Skalierbarkeit, Sicherheit, Preisen und Leistung. Vielleicht stellen Sie beispielsweise fest, dass eine einfach zu implementierende Lösung nicht so einfach zu skalieren ist oder dass Sie alle Fachkräfte für Datenanalyse neu schulen und zusätzliche Lizenzen für das Upgrade Ihres aktuellen Systems erwerben müssen. 

Neben den Unterschieden zwischen den Anbietern sollten Sie auch berücksichtigen, was die Migration zu einem Cloud Data Warehouse konkret umfasst und in welchem Bezug dies zu Ihren bestehenden IT-Investitionen und spezifischen Geschäftsanforderungen steht. 

Enterprise Data Warehouses spielen eine zentrale Rolle bei der Entscheidungsfindung eines Unternehmens. Daher ist es wichtig, dass Sie ein tiefes Verständnis der Geschäftsanforderungen, aktuellen Anwendungsfälle und etwaigen Lücken bei bestehenden Lösungen haben. Es kann hilfreich sein, wichtige Stakeholder frühzeitig in den Prozess einzubeziehen, um die Auswirkungen der Ersetzung einer Legacy Data Warehouse-Lösung, die funktionalen Anforderungen zum Bewältigen von Herausforderungen und detaillierte technische Informationen über Datenquellen, Tools, Frameworks und mehr zu ermitteln.