Die Architektur unserer Dateninfrastruktur hat sich in den letzten 60 Jahren kaum verändert.

Jahrzehntelang haben wir DWHs gebaut, was für klassische Anwendungsfälle ausreichend war. Um Analytics, ML und AI den Zugang zu Rohdaten zu ermöglichen, bauen wir seit einer Dekade Data Lakes. Für eine bessere Skalierung machen wir das in der Zwischenzeit fast ausschließlich in der Cloud. Trotz dieser Evolution sind wir den Grundzügen treu geblieben: Daten fliessen von der Datenproduktion (z.B. durch Fachanwendungen) über die Ingestion und die Aufbereitung (im DWH oder Data Lake) zum Konsumenten. Um unsere Arbeit effizienter zu gestalten, organisieren wir uns nach Komponenten. Somit sind in der Regel Know-how Träger der Fachanwendung, der Datenaufbereitung und der Konsumation jeweils in eigenständigen Teams. Zudem erzeugt die zentrale Modellierung bei klassischen DWHs einen Bottleneck.

Hast du auch einen spannenden Use Case? Let's talk!

Alexander Kern

Yu Li