Maschinendaten für mehr Durchblick

Der Autor ist Director Germany, Switzerland & Austria bei Splunk. Laut Gartner soll Big Data die IT-Aus­gaben noch dieses Jahr auf 34 Milliarden US-Dollar treiben. Dabei fassen die meisten den Begriff sogar noch zu eng und verstehen darunter lediglich unstrukturierte Informationen, wie sie in E-Mails, elektronischen Dokumenten, Social-Media-Interaktionen etc. vorliegen. Das ist jedoch nur die Spitze des Eisbergs. Jede Interaktion mit einer «Maschine» – egal, ob es sich um einen Webserver, ein mobiles Endgerät, einen Applikationsserver, ein Unternehmensnetzwerk, einen Sensor oder einen elektronischen «Tag» handelt, ob automatisch oder manuell erzeugt – hinterlässt eine Spur. In eben dieser (Maschinen-)Datenschicht sind die wirklich interessanten Informationen verborgen.

Maschinendaten sind die entscheidende Quelle, um nachzuforschen, was wirklich innerhalb und am Rande der IT-Infrastruktur vor sich geht. Sie geben wertvolle Einblicke, um Fehlschläge bei der Applikationsnutzung zu iden­tifizieren, Attacken zu verstehen oder fest­zustellen, wer sich Zugang zu sensiblen Daten verschafft hat. Die Korrelation dieser Maschinendaten kann dazu dienen, neue Geschäftsmöglichkeiten zu erschliessen, Richtlinien einzuhalten und Risiken früher zu erkennen als der Wettbewerb. Maschinendaten sind im Moment das am schnellsten wachsende Element bei Big Data und repräsentieren 90 Prozent aller Daten. Das Problem waren bisher der Zugriff und die sinnvolle Auswertung. Nächste Seite: Maschinendaten sind überall

Zwar ist viel Potenzial noch ungenutzt, jedoch erkennen einige Unternehmen langsam den Wert von Maschinendaten, integrieren diese in den Big-Data-Mix und verschaffen sich so ein ganzheitliches Bild über die Geschäftsabläufe. Diese Form der Analyse geht weit über die rückwärtsgewandte Business Intelligence (BI) hinaus, bei der historische Daten ausgewertet werden. Die neue Generation an IT-Lösungen muss zeigen, was gerade in diesem Moment passiert, und macht damit effektive und zeitnahe Massnahmen erst möglich. In der modernen Geschäftswelt kommt es auf eben diese Operational Intelligence an: Entscheidungen werden auf der Basis kontinuierlich aktualisierter Echtzeitaufnahmen des Unternehmens getroffen. In diesem Sinne ist die Operational Intelligence auch keine Nebenerscheinung von Business Intelligence, sondern ein neuer Ansatz, der Informationsquellen ausserhalb des BI-Blickfelds anzapft. Allerdings sollten Operational und Business Intelligence auch nicht als Widerspruch gesehen werden, sondern als komplementäre Ansätze. Mit dem richtigen Tool können einerseits die relevanten Geschäftsinformationen aus Big Data heraus­geholt und andererseits mit der besten histo­rischen Analyse zusammengebracht werden, sodass ein umfassendes Bild entsteht. Die Zusammenführung und Korrelation von Daten aus externen Quellen mit klassischer BI verschafft Unternehmen maximale Transparenz für ihre Geschäftsprozesse.

Hinter jeder IT-Infrastruktur und jedem Geschäftssystem stehen massiv wachsende Ströme an maschinengenerierten Daten. So wird jedes Mal, wenn ein Kunde eine Aktion im Web tätigt – beispielsweise wenn er ein Produkt zu seinem Warenkorb hinzufügt, eine Trans­aktion mit seiner Kreditkarte abschliesst oder wenn ein Server in die Datenbank schreibt –, ein Ereignis von den Maschinen generiert. Diese Ereignisse erzeugen Operational Intelligence auf verschiedenen Ebenen: Sie bieten Einblicke in Kundenaktionen, spüren betrügerische oder maliziöse Aktivitäten auf und zeigen die Fehlerquelle im System. Nächste Seite: Die Zeit der Silos ist vorbei

Für Operational Intelligence werden neue Technologien benötigt. Bei herkömmlichen Lösungen muss man beispielsweise im Vorfeld die Struktur der Daten kennen, sie erfordern kostspielige Ressourcen und aufwendige Batch-Verfahren. Um Big-Data-Probleme anzugehen, werden dagegen Ansätze benötigt, die speziell für unstrukturierte Daten sowie grosse Datenvolumen ausgelegt sind. Zu den besonderen Herausforderungen, die Maschinendaten stellen, zählen beispielsweise: Quellen: Maschinendaten werden von vielen, völlig unterschiedlichen Quellen generiert, die übergreifende Korrelation relevanter Ereignisse stellt daher eine komplexe Aufgabe dar. Datenstruktur: Maschinendaten sind oft unstrukturiert (oder semistrukturiert) und lassen sich nicht einfach in ein vordefiniertes Schema pressen. Datenumfang: Maschinendaten haben ein sehr grosses Volumen und basieren auf Zeitreihen, wodurch neue Ansätze bei Management und Analyse erforderlich werden. Realtime: Maschinendaten müssen meist in Echtzeit erhoben werden, damit sie aussagekräftige Informationen liefern.

Wichtig bei der Analyse riesiger Datenvolumen ist auch, die Daten nicht getrennt voneinander zu betrachten. Oftmals werden Stunden verbracht, um ein auftretendes Problem von Abteilung zu Abteilung zu eskalieren (vgl. Abbildung unten). Täglich schlagen in jedem IT-Unternehmen Hunderte von Trouble-Tickets, Sicherheitsvorfällen und Anfragen nach Compliance-Nachweisen beim Servicedesk auf. Aus einem Mangel an Information erstellen die Mitarbeiter in dieser Abteilung Tickets und leiten das Problem an andere Teams weiter. Silos aus Daten, Tools und Prozessen verhindern eine effektive Zusammenarbeit. Unternehmen müssen stattdessen Transparenz und Einblicke über die IT-Einheiten hinweg schaffen, um massive Ineffizienzen auszuschliessen und sicherzustellen, dass die richtige Information zur richtigen Zeit für die richtigen Personen zugänglich ist. Mit einer umfassenden Operational-Intelligence-Lösung wie Splunk kann das Servicedesk alle Maschinendaten im Unternehmen von einer Instanz aus in Echtzeit durchsuchen und analysieren. Auf diese Weise können diagnostische Informationen über verschiedene Datensilos hinweg korreliert und Ursachen innerhalb weniger Minuten – statt in Stunden – identifiziert werden. Die Investition in die Echtzeitanalyse von Maschinendaten zahlt sich aus: Sie verschafft Unternehmen eine bessere Produktivität (durch schnelleres Troubleshooting und entsprechend frühe Warnzeichen bei drohenden Störungen), verbessert die Systemverfügbarkeit und damit  den Umsatz wie die Kundenzufriedenheit, sorgt für höhere Servicelevels sowie bessere Trans­parenz und verschafft wertvolle Einblicke in Geschäftsabläufe. Nächste Seite: Fazit

Maschinendaten verändern die Big-Data-Landschaft unwiderruflich und durchdringen immer mehr Lebensbereiche. Da unstrukturierte und semistrukturierte Datenquellen stark zunehmen, wird es immer wichtiger, maschinengenerierte Daten wie Klickströme und Weblogs oder Social-Media-Inhalte wie Twitter und Facebook zu verstehen. Die Herausforderung, die sich dabei stellt, ist die Kontrolle zu behalten und diese Daten zu managen, statt sich davon umwerfen zu lassen.

Maschinendaten-BI: Einsatzbeispiele

! KASTEN !