Die Vermittlung von analytischen Kompetenzen im Bereich Business Intelligence (BI) und Data Warehousing wird für Studierende immer wichtiger. Neue technologische Entwicklungen im Bereich In-Memory Data Management und Big Data ändern nicht nur die analytische Referenzarchitektur, sondern erfordern auch eine grundlegende Überarbeitung von Lehrinhalten. In diesem Projekt wird ein integrierter Ansatz auf der Basis von durchgängigen Fallbeispielen umgesetzt, der klassische BI Inhalte auf In-Memory Technologien adaptiert und um neue Themen wie Big Data ergänzt. Als Plattform wird dabei das Release 7.5 von SAP BW on HANA der SAP SE verwendet. Studierende implementieren dabei im Rahmen von integrierten Fallstudien ein komplettes End-to-End-Szenario aus dem Vertriebsreporting selbst am System. 

Das Projekt wird in Kooperation mit der Hochschule Ludwigshafen und der Universität Magdeburg durchgeführt.

In produzierenden Unternehmen fällt aus Produktions-, Mess- und Steueranlagen, aus der Qualitätssicherung, aber auch aus Wareneingang oder Kundenreklamationen eine schnell wachsende Menge von Daten an. Diese Massendaten werden in der Regel auch in kleinen und mittleren Unternehmen (KMU) gesammelt bzw. archiviert und bilden einen wichtigen Rohstoff, aus dem Informationen extrahiert, Einsparpotenziale realisiert und Wettbewerbs-vorteile erzielt werden können. Das Ziel des Projektes ist die Entwicklung einer Soft- und Hardware-Architektur, die sensorisch im Produktions- und Qualitätsprozess erfassten bzw. von Lieferanten und Endkunden zur Verfügung gestellten, oft unterschiedlich strukturierten sowie häufig fehler- und lückenhaften Daten erfasst und in Echtzeit automatisch und zum Teil explorativ in Bezug auf Produktfehler analysiert.

Durch die zunehmende Digitalisierung in Marktverwaltung und in moderner Kundeninteraktion wächst die Menge an zu verarbeitenden Daten im Einzelhandel stetig. Man wagt sich mit elektronischen Regaletiketten in das Gebiet des IoT, schneidet individuelle Rabatte auf einzelne Kunden zu und verlagert das klassische Einkaufserlebnis über digitale Lieferdienste ins World Wide Web. Neue Werkzeuge und Datenverarbeitungsmethoden, die in und um das Hadoop-Ökosystem entstehen und weiterentwickelt werden, bieten einen hervorragenden Hebel, um den Mehrwert der dabei anfallenden großen Datenmengen leichter zu erkennen und zugänglich zu machen.

Für ein Unternehmen werden unter Verwendung aktueller Analysetechnologie Apache Spark und Hadoop Assoziationsanalysen für Kassenbondaten erstellt.

Um zu­künf­tig noch leis­tungs­fä­hi­ge­re Sys­te­me zur Ana­ly­se und Pla­nung mit gro­ßen Da­ten­men­gen am Markt an­bie­ten zu kön­nen, wird in die­sem Pro­jekt erst­mals ein Soft­ware­sys­tem mit einer ver­teil­ten In-Me­mo­ry-Ar­chi­tek­tur ent­wi­ckelt. Ziel die­ser Ent­wick­lung ist es, die Re­chen­leis­tung eines Ana­ly­se- und Pla­nungs-Ser­ver­sys­tems auf meh­re­re phy­si­ka­lisch ge­trenn­te Hard­ware­sys­te­me mit Gra­fik­kar­ten-Be­schleu­ni­gung zu ver­tei­len.