2. Keine Echtzeitanalysen
Das exponentielle Datenwachstum der letzten Jahre hat neben dem schieren Volumen an Information zu weiteren Herausforderungen geführt. Eine davon ist die Geschwindigkeit, mit der Daten heute entstehen. Zudem kommt ein Großteil des neuen Datenaufkommens aus unstrukturierten Quellen, dabei handelt es sich beispielsweise um Sensordaten, Bilder, Chats, Finanztransaktionen, etc. Die immer schnellere Frequenz, mit der Daten entstehen, macht heute moderne und agile Methoden der Datenintegration notwendig.
Allerdings sieht die Realität in den meisten Unternehmen so aus, dass sie über in die Jahre gekommene Infrastrukturen verfügen, welche kein umfassendes Reporting in Echtzeit zulassen. Daher müssen alle Daten zunächst repliziert und in einem zentralen Repository aggregiert werden, bevor Analysten und Data Scientists diese nutzen können. Dieser Prozess behindert nicht nur den Echtzeitzugriff, sondern kann auch Duplikationen, Kontextverlust und erhöhte Latenz hervorrufen. Das größte Problem bei diesem Prozess: Die replizierten Daten sind selten völlig synchron mit dem Original und weisen eine gewisse Zeitverzögerung auf.
Wird stattdessen Datenvirtualisierung eingesetzt, verbleiben die Daten in ihrem ursprünglichen Kontext. Über einen Access Layer sind sie dennoch unmittelbar zugänglich. Die Datenquellen werden von den Anwendungen somit gewissermaßen abstrahiert. Zudem bietet Datenvirtualisierung einen ganzheitlichen Überblick über alle integrierten Daten, ohne dass Replikationen notwendig sind.
weiter zu: 3. Mangelnde Integrationsfähigkeit von (hybriden) Multi-Cloud Umgebungen
