Microsoft Fabric als neue Datendrehscheibe für Analytics

Neben IoT-Daten (Internet of Things) spielen vor allem ERP-Daten für viele neue Anwendungen und Services in digitalen Geschäftsmodellen eine wichtige Rolle. Die größten Herausforderungen bei der Umsetzung datengetriebener Anwendungsszenarien liegen derzeit zum einen in den fehlenden Ressourcen beim Fachpersonal. Zum anderen sorgt die Frage, wie Datenerfassung, Datenqualität, Datenschutz und Datensicherheit für jeden Anwendungsfall aufgesetzt werden sollen, immer wieder für erheblichen Aufwand. Hinzu kommt die komplexe Anbindung sämtlicher relevanter Systeme. In Data-Analytics-Projekten sind viele unterschiedliche Player und Systeme beteiligt, die Zusammenarbeit und Integration dementsprechend aufwendig. Der größte Zeitaufwand floss üblicherweise in die Aufbereitung der Daten. Mit zunehmenden KI-Use-Cases zeigen sich jetzt die Skalierungsschwächen von klassischen Architekturen wie einem Data Warehouse oder Data Lake.

Alle Analysemethoden auf einer Plattform abdecken

Technologien wie Microsoft Synapse haben in den letzten Jahren bereits den Ansatz Infrastruktur als Service verfolgt. Damit wurde eine Reihe von Aufgaben rund um Data Analytics vereinfacht, die zuvor von Datenspezialisten übernommen werden musste. Die neue Plattform Microsoft Fabric geht nun noch einen Schritt weiter, um Analysetechnologien einfacher zugänglich zu machen und ihre Nutzung für mehr Menschen im Unternehmen zu ermöglichen. Data Analytics sind damit wie „Software as a Service“ nutzbar. Auf der Plattform arbeiten alle Beteiligten vom Data Engineer bis zum Fach-User direkt zusammen, was viele Vorbereitungs- und Abstimmungsprozesse erheblich verkürzt. Sie deckt zudem sämtliche Analysetypen von Reporting und BI bis hin zu KI-Vorhersagemodellen über alle Daten hinweg ab. Microsoft hat dafür verschiedene Technologien unter einem Schirm zusammengefasst, mit Power BI als visueller Plattform und dem KI-Assistenten Copilot, der entscheidend für einen Paradigmenwechsel steht. Ein zentraler Aspekt ist der OneLake-Ansatz, der dafür sorgt, dass die Daten nicht mehr aufwendig an unterschiedlichsten Stellen dupliziert und synchronisiert werden müssen.

Durchgängige Governance über alle Daten hinweg

Anders als bei bisherigen zentralisierten Ansätzen unterstützt Fabric das Konzept des Data Mesh. Dabei werden unterschiedliche Business-Domänen aufgebaut, die jeweils die Verantwortung für ihre Daten und Datenprodukte übernehmen. Die Datenpflege obliegt dann den Product Ownern im jeweiligen Fachbereich, die sich am besten mit ihren Daten auskennen. Die Vorteile einer Zentralisierung werden allerdings nicht aufgegeben, denn es gibt eine durchgängige Governance über alle Daten hinweg. Anstatt Daten immer wieder zu kopieren, wird auf der neuen Plattform allerdings per Short Cut auf bestehende Daten zugegriffen. Dabei ist es egal, ob die Daten On-Prem in Legacy-Systemen oder in Multicloud-Umgebungen unterschiedlicher Provider liegen. So haben beispielsweise der Vertrieb und das Marketing eigene Datenprodukte. Die Leads, mit denen der Vertrieb arbeitet, kommen dann beispielsweise aus dem Marketing-Datenprodukt „Kampagnen“. Anstatt die Daten zu kopieren, werden sie nur verlinkt. Durch das dezentrale Arbeiten wird eine sehr viel höhere Geschwindigkeit ermöglicht, zugleich kommt das Know-how aus den einzelnen Fachbereichen zum Tragen.

Generative KI sorgt für weitergehende Vereinfachung

Der größte Paradigmenwechsel entsteht durch die Verbindung mit Generativer KI (Gen AI) wie ChatGPT, die in der Microsoft-Welt mit der Assistenztechnologie Copilot direkt in die Prozesse integriert ist. Die KI-Unterstützung sorgt dafür, dass Anwender in den Fachbereichen sehr viel mehr Möglichkeiten für Analysen haben als vorher, weil sie natürliche Sprache in Programm-Code übersetzt. Im Zusammenspiel mit LowCode-Ansätzen in einer visuellen Oberfläche wie Power BI lassen sich zum Beispiel damit auch ohne Data-Engineering-Kenntnisse Anfragen stellen, die bisher nur von IT-Entwicklern umgesetzt werden konnten. In der Produktion sind das etwa Analysen rund um die Produktqualität oder das Maschinenverhalten: Mit Anweisungen in natürlicher Sprache können die Daten ausgewählt, in Beziehung gesetzt und ausgewertet werden, bei denen die Experten in der Fabrik aufgrund ihrer Erfahrung schon Probleme vermuten. Gen AI kann aber auch genutzt werden, um Mitarbeitern in ihrer jeweiligen Sprache durch einen Prozess zu führen und in Echtzeit Feedback zu geben, wie die Bearbeitung eines Prozessschritts verbessert werden kann.