Big Data für IT-Entscheider

Inhalt

Vorwort

1 Management Summary

2 Was?

2.1 Mein klassisches Business ist konkurrenzlos, nicht wahr?

2.1.1 Der heimliche Markteroberer: Amazon

2.1.2 Der klare Fall: Google

2.1.3 Der zunehmende Lebensinhalt: Facebook

2.1.4 Nachrichtenquelle Nr. 1: Twitter

2.2 Die wilden Kleinen

2.2.1 Das unscheinbare Orakel: Prismatic

2.2.2 Der stille Mitlauscher: Boundary

2.3 Big Data ist das neue Öl, nicht wahr?

2.4 Technologie steht im Vordergrund, nicht wahr?

2.5 Die Essenz von Daten ist angewendete Information

2.6 Die „Big Data“-Schmerzen und -Symptome

2.6.1 Die 3 V's – ganz einfach, oder?

Velocity

Volume

Variety

2.6.2 Das lokale Denken: Business-Verbesserung

Bessere Angebote durch mehr Wissen

Menschen zusammenbringen

2.6.3 Das kostenbewusste Denken: Kostenreduktion

Geld mit günstiger Maschinerie und geeigneten Technologien sparen

Kosten durch Analyse drücken

2.6.4 Die Wachsamkeit: Die Gefahren aus dem bösen Internet

Enterprise-Level Stalking

Fraud Detection

2.6.5 Das globale Denken: Weltverbesserung

Öffentlichen Verkehr endlich funktionsfähig machen

Precogs implementieren

3 Wie?

3.1 Typische falsche Hoffnungen

3.1.1 Große Daten sind wie alle anderen Daten, nicht wahr?

3.1.2 Tools machen es für mich, nicht wahr?

3.1.3 Meine Prozesse müssen sich nicht ändern, nicht wahr?

3.2 Angewandte Wissenschaft ist der entscheidende Marktvorteil

3.2.1 Mathe pauken

3.3 Ihr Staff – die einzig sinnvolle Investition

3.3.1 Ich kann Big Data mit normalen Entwicklern, nicht wahr?

3.3.2 Also, alle Entwickler zurück in die Schule schicken?

3.3.3 Die neuen Berufsgruppen

3.3.4 Polyglott, auf jeder Ebene

3.4 „Big Data“-Schmerzen lassen sich erzeugen

3.4.1 Alles protokollieren, was Nutzer tun

3.4.2 Nutzer solange wie möglich beim Online-Angebot halten

3.4.3 Nutzer anregen, mehr zu tun und Daten zu hinterlassen

3.4.4 Soziale Netzwerke anzapfen

3.4.5 Crowdsourcing

3.4.6 Wissen, wer wo ist

3.5 IT-Strategie im „Big Data“-Licht

3.5.1 Daten bzw. Informationen sind gemeinsame Sprache von Business und IT

3.5.2 Daten sind Ihr Gold

Wie werden Daten klassischerweise behandelt?

Wie werden große, chaotische Daten behandelt?

Wie leitet man Informationen aus vielen und chaotischen Daten ab?

Wie hält man Unmengen chaotischer Daten sauber?

Wie kombiniert man mehrere Datenquellen?

3.6 Was bedeutet es, datenzentriert zu arbeiten?

3.6.1 Statistiken lügen nicht

3.6.2 Der entscheidende Unterschied zwischen schnell und gleich

3.6.3 Die Macht der Suche

3.6.4 Die Macht der Empfehlung

3.6.5 Die Macht des Bildes

3.7 IT-Instrumente richtig nutzen oder richtige Instrumente nutzen

3.7.1 Commodity Hardware nutzen

3.7.2 Alles aus der Technik herauspressen

3.7.3 Dort in den Wolken

3.7.4 Die Open Source Welt hat klar die Nase vorn

3.8 „Big Data“-Perspektiven

3.8.1 Wie speichert man große Datenmengen?

Der schwierige Weg der RDBMS

Tipps und Tricks

Der Preis der Verteilung

Und noch ein paar Randthemen

3.8.2 Wie bereitet man große Datenmengen auf?

3.8.3 Wie stellt man große Datenmengen bereit?

3.8.4 Wie analysiert man große Daten in Echtzeit?

3.8.5 Wie visualisiert man große Datenmengen?

3.9 Von der Hand in den Mund

3.10 Segen für Europa, Fluch für Big Data: Datenschutz

4 Womit?

4.1 Willkommen im Zoo der „Big Data“-Technologien

4.2 Einige theoretische Grundlagen

4.2.1 Verteilte Systeme bzw. verteilte Data Stores

Hashing und Delta-Tracking

Replikation und Redundanz

Objekte versionieren

Sharding

Herr der Ringe

Anti-Entropy und Garbage Collection

Infrastrukturinformationen aktuell halten

CAP – nicht die Kappe

Eventual Consistency

4.2.2 Caching bzw. In-Memory-Datenhaltung

4.2.3 Graphen – ein Sonderfall

4.3 Analytics sind das A und O. Aber womit machen?

4.4 Was ist NoSQL?

4.4.1 Key/Value Stores

4.4.2 Document Stores

4.4.3 In-Memory Stores

4.4.4 Graphen, mal wieder ein Sonderfall

4.4.5 ... und noch weitere Hundert Stores

4.4.6 Und was ist mit der Cloud?

4.5 Was ist NewSQL?

4.6 Wo kommen klassische RDBMS ins Spiel

4.7 Was ist MapReduce?

4.8 Und welche Programmiersprache ist nun die beste für „Big Data“?

4.8.1 Kann/muss ich alles mit Java machen?

4.8.2 Ist JavaScript nicht etwa nur für Script-Kiddies?

4.9 Analyse von Logs

4.10 Time-Series-Daten

4.11 Umgang mit Commodity Hardware

4.12 Wie kann ich es richtig flott machen?

4.12.1 Was ist (Fast-)Echtzeit?

4.12.2 Die superschnelle Technik

4.13 Suche, Index und Secondary Index

4.14 Die Antwort der Dinosaurier: die Appliances

4.15 Kann ich das alles mit einem einzigen Tool machen?

4.16 Visualisierung

4.17 Wohin mit meinen aktuellen Errungenschaften?

4.17.1 Wohin mit meiner Enterprise-Architektur?

4.17.2 Wohin mit meinem Enterprise-Datenmodell?

4.17.3 Wohin mit meinem MDM?

4.17.4 Wohin mit meinem Enterprise-Technologie-Stack?

4.17.5 Wohin mit meiner SOA?

4.17.6 Wohin mit meiner BI-Lösung?

4.17.7 Wohin mit der Cloud?

4.18 Ist „Big Data“ also Hadoop mit einem Schuss MongoDB?

5 Way Forward

5.1 Aktuelle Trends

5.1.1 NoSQL und der Rest der Welt

5.1.2 Hadoop und der Rest der Welt

5.1.3 Hauptspeicher und Plattenspeicher werden immer billiger

5.1.4 Die Monster wachen auf

5.2 Wie starte ich mit Big Data?

5.3 Ich habe schon Big Data. Wie mache ich weiter?

5.4 ROI, TCO und dergleichen und worauf es ankommt

5.5 Wo und wie kann ich mich weiter informieren?

5.6 Persönlicher Blick in die ferne Zukunft

Stichwortverzeichnis