Wirtschaftlichkeit von Cloud Computing für Big Data Projekte

Inhaltsverzeichnis

1. EINLEITUNG
1.1 Problemstellung
1.2 Zielsetzung
1.3 Aufbau und Struktur
1.4 Stand der Literatur

2.GRUNDLAGEN
2.1 Cloud Computing
2.1.1 Definition Cloud Computing
2.1.2 Ausbaustufen des Cloud Computing
2.1.3 Angebotsformen des Cloud Computing
2.2 Big Data Analytics
2.2.1 Big Data
2.2.2 Zusammenfassung
2.3 Türsysteme für Schienenfahrzeuge
2.3.1 Bestandteile eines Türsystems
2.3.2 Funktion und Anforderungen

3. MODELLE ZUR WIRTSCHAFTLICHKEITSBETRACHTUNG
3.1 Total Cost of Ownership
3.1.1 Konzept
3.1.2 Anwendung in der IT
3.1.3 Anwendung für Cloud Computing
3.2 Nutzwertanalyse
3.2.1 Konzept
3.2.2 Anwendung für Cloud Computing
3.3 Modell zur Wirtschaftlichkeitsbewertung
3.3.1 Nutzen von Big Data
3.3.2 Anwendungsfälle Big Data
3.3.3 Auswahl eines geeigneten Modells
3.3.4 Adaptionen der erweiterten Nutzwertanalyse

4.KOSTENSTRUKTUR
4.1 Einmalkosten
4.2 Laufende Kosten

5.FALLSTUDIE
5.1 Vorgangsweise
5.2 Unternehmensbeschreibung
5.3 Definition des Anwendungsfall
5.4 Ausarbeitung des Modells
5.4.1 Ermittlung der Zielkriterien
5.4.2 Kostenanalyse
5.4.3 Analyse des monetären Nutzens
5.4.4 Gewichtung der Zielkriterien
5.4.5 Bestimmung des Teilnutzens
5.4.6 Erkenntnisse bei der Durchführung

6. FAZIT UND AUSBLICK

7.LITERATURVERZEICHNIS

ABBILDUNGSVERZEICHNIS

TABELLENVERZEICHNIS

ABKÜRZUNGSVERZEICHNIS / GLOSSAR

ANHANG A: KOSTENSCHÄTZUNG CLOUD DIENSTE

Ehrenwörtliche Erklärung

Ich versichere hiermit,

1. dass ich die vorliegende Masterarbeit selbständig verfasst und keine anderen als die angegebenen Quellen und Hilfsmittel benutzt habe. Alle Inhalte, die direkt oder indirekt aus fremden Quellen entnommen sind, sind durch entsprechende Quellenangaben gekennzeichnet.
2. dass ich diese Masterarbeit bisher weder im Inland noch im Ausland in irgendeiner Form als Prüfungsarbeit zur Beurteilung vorgelegt oder veröffentlicht habe.
3. dass die vorliegende Fassung der Arbeit mit der eingereichten elektronischen Version in allen Teilen übereinstimmt.

Scheibbs, 19.01.2020

Unterschrift

Kurzzusammenfassung: Wirtschaftlichkeit von Cloud Computing für Big-Data Projekte

Cloud Computing und Big Data sind die Megatrends der letzten Jahre. Mit beiden Konzepten versuchen Organisationen aus allen Bereichen, Optimierungen durchzuführen. Auch der öffentliche Verkehr, der in Zeiten der Klimakrise immer mehr an Bedeutung gewinnt, hat diese Trends erkannt und will das damit verbundene Potenzial heben. Die Frage ist, wie im Vorfeld bestimmt werden kann, ob die Durchführung eines solchen Projekts wirtschaftlich ist. Dazu muss eine geeignete Methodik vorliegen, die es ermöglicht, die Kosten und den Nutzen eines solchen Anwendungsfalles zu evaluieren. Ein Blick in die Literatur gibt Aufschluss über mögliche Evaluierungskonzepte. Der Nutzen von Big-Data Anwendungen ist oft sowohl quantitativ als auch qualitativ. Daher eignet sich die Nutzwertanalyse als Methodik, um die Wirtschaftlichkeit zu evaluieren. Im Zuge einer Fallstudie wurde die Anwendbarkeit auf ein Unternehmensbeispiel untersucht. Dabei wurde herausgearbeitet, dass sowohl Kosten als auch Nutzeneffekte einer Big-Data-Cloud Anwendung eigentlich erst retrospektiv exakt bestimmt werden können. Dieser Umstand führt zu einer Unschärfe bei der Entscheidungsfindung.

Schlagwörter:

Wirtschaftlichkeit, Nutzen, Kosten, Cloud Computing, SaaS, Big Data, Data Science

Abstract: Profitability of cloud computing for big data projects

Cloud computing and big data have been the megatrends of the past few years. Organisations have tried to optimize their business with both technologies no matter in which area they do business. Public transport has also discovered these trends and tries to benefit from them. This thesis investigates how it is possible to evaluate the profitability of such a project in advance. A possible explanation may lie in a valid method to measure the costs and benefits of such a case. A review of the literature provides information about possible concepts. Benefits gained out of big data applications are often quantitative as well as qualitative. A utility analysis could therefore be the right method to evaluate the profitability of such a case. A case study was used to investigate the applicability of the chosen concept relative to a specific company. In this process, it was brought to light that certain costs, as well as benefits, of a big data cloud application can only be defined retrospectively. This condition leads to an indistinctness in the decision process.

Keywords:

profitability, benefits, costs, cloud computing, SaaS, Big Data, Data Science

Danksagung

Mein Dank gilt meinen Eltern Kurt und Renate Ekker, die mich in allen Lebenslagen unterstützen. Ohne ihr Vertrauen in mich hätte mein Leben einen anderen Verlauf genommen und die Möglichkeit, dieses Studium zu absolvieren, wäre mir erst gar nicht offen gestanden.

Besonders bedanken möchte ich mich auch bei meiner Freundin Sabine Fallmann, die mir durch ihren Beistand in Phasen der Demotivation das Erstellen der Arbeit erleichterte. Außerdem versuchte sie, mich während des Studiums immer bestmöglich zu unterstützen, auch wenn sie dafür in manchen Fällen ihre persönlichen Bedürfnisse hintenanstellen musste.

Abschließend möchte ich mich noch bei meinem Betreuer Herrn Magister Norbert Leitner für seine konstruktiven Anreize während des Erstellens der Arbeit und seine umfassenden Korrekturen bedanken.

1. Einleitung

Der öffentliche Nahverkehr gewinnt in den letzten Jahren immer mehr an Bedeutung. Besonders im Rahmen der aktuellen Klimadiskussion rückt der Personentransport mittels Schienenverkehr in den Fokus. Österreich gilt diesbezüglich innerhalb der Europäischen Union als Vorreiter: Jeder Österreicher legt im Durchschnitt 2255 Kilometer jährlich mit einem Schienenfahrzeug zurück. Dies ist mehr als das Doppelte des EU-Durchschnitts. [Te18]

Die steigende Anzahl an Fahrgästen führt zu einer höheren Auslastung der vorhandenen Gleissysteme, die als beschränkte Ressource betrachtet werden können. Um unter diesen Umständen einen möglichst effizienten Betrieb zu gewährleisten, wird eine möglichst hohe Verfügbarkeit der Schienenfahrzeuge angestrebt. Dieses Ziel ist einer der Haupttreiber der Digitalisierung des Bahnverkehrs. Dafür werden von einem Schienenfahrzeug ca. 1 bis 2 Millionen Datenpunkte pro Jahr gesammelt. Dies entspricht in etwa einem Datenvolumen von 500 Gigabyte. Neben der Erhöhung der Verfügbarkeit wird diese Datenmenge ebenfalls verwendet, um die Wartungskosten der Schienenfahrzeuge zu optimieren. [Hi17]

Um mit dieser Menge an Daten komplexe Operationen, wie z. B. das Erstellen eines Random-Forest-Modells, durchzuführen, bedarf es einer Rechenkapazität, die gängige PCs oder Serverlösungen nicht zur Verfügung stellen können. Daher werden in diesem Zusammenhang häufig Cloud-Plattformen wie z. B. AWS, MS Azure etc. eingesetzt. [Mo10, S. 1]

1.1 Problemstellung

Cloud Computing ist einer der IT-Trends der letzten Jahre und wird in immer mehr Unternehmen in unterschiedlichsten Formen und für verschiedenste Zwecke eingesetzt. Die Bandbreite reicht hierbei vom kurzfristigen Infrastruktur-Puffer bis hin zu geschäftskritischen Anwendungen. [MPR15, S. 1f.]

Big Data kann als Megatrend der letzten Jahre bezeichnet werden. Unternehmen versuchen branchenunabhängig, dadurch entweder Kostenoptimierung zu betreiben oder neue Geschäftsmodelle zu etablieren. In vielen Fällen werden die Implementierung von Cloud Computing und Big Data dabei gemeinsam durchgeführt, da die zu verarbeitenden Datenmengen und die benötige Rechenkapazität die im Unternehmen vorhandenen IT-Ressourcen sprengen würden. [Ha14, S. 99]

Die Betrachtung der wirtschaftlichen Vor und Nachteile einer Cloud-Computing­Lösung für einen konkreten Anwendungsfall stellt sich jedoch oft als schwierig heraus. Unterschiedlichste Implementierungsmöglichkeiten, gekoppelt mit einer dynamischen Abrechnung der genutzten Leistungen, lassen eine Kostenermittlung im Vorfeld häufig nicht zu. Ergänzend kommen Kosten für die Einführung einer solchen Lösung im Unternehmen hinzu. Auch weiche Faktoren, wie z. B. der Abfluss von Know-how oder die Veränderung von bestehenden Geschäftsprozessen, sollten nicht gänzlich vernachlässigt werden. [LW10, S. 123f.]

1.2 Zielsetzung

Ziel dieser Arbeit ist es, die Wirtschaftlichkeit von Cloud-Computing-Plattformen für Big-Data-Anwendungen zu untersuchen. Der Fokus liegt hier im Konkreten auf Big-Data-Analytics-Projekten in Unternehmen der Branche der Schienenverkehrszulieferer. Im Sinne dieser Zielsetzung werden unterschiedliche Methoden zur Ermittlung der Wirtschaftlichkeit von Cloud-Computing Plattformen untersucht, um abschließend eine Möglichkeit zur Wirtschaftlichkeitsbetrachtung herleiten zu können.

Im Rahmen dieser Zielsetzung werden die folgenden Forschungsfragen beantwortet.

FF1: Welche Kosten entstehen beim Einsatz von Cloud-Computing-Lösungen für Big-Data-Analytics-Projekte?

- Welche Kostenblöcke sind vorhanden?
- Wie können die Kostenblöcke bestimmt werden?

FF2: Wie kann die Wirtschaftlichkeit von Cloud Computing für einen konkreten Anwendungsfall nachgewiesen werden?

- Welche Methoden zur Wirtschaftlichkeitsbetrachtung gibt es?

1.3 Aufbau und Struktur

Um das gesetzte Ziel der Arbeit bestmöglich zu erreichen, wird diese in fünf Teile gegliedert. Dem Einführungskapitel folgt im zweiten Abschnitt der Arbeit ein Definitionsteil. Dieser befasst sich zu Beginn mit dem Thema Cloud Computing und dessen unterschiedlichen Ausprägungen. Im Anschluss wird das Thema Big Data Analytics für den weiteren Verlauf der Arbeit definiert und eingegrenzt. Abschließend erfolgt ein Überblick über Türsysteme in Schienenfahrzeugen, um ein besseres Verständnis für den in der Arbeit verwendeten Anwendungsfall zu schaffen.

Im dritten und zentralen Abschnitt der Arbeit werden unterschiedliche Methoden zur Wirtschaftlichkeitsbetrachtung von Cloud-Computing-Lösungen aufgezeigt und miteinander verglichen. Diese Analyse hat zum Ziel, ein Modell darzustellen, das sich für die Wirtschaftlichkeitsbetrachtung von Cloud-Computing-Lösungen im Umfeld von Big Data Analytics eignet.

Der vierte Abschnitt legt den Fokus auf die Kostenstruktur von Cloud Computing und Big Data Analytics. Die hier dargestellten Kostenblöcke dienen im Anschluss als Basis für die Fallstudie.

Der darauffolgende Abschnitt befasst sich mit der konkreten Anwendung des ermittelten Modells anhand eines Anwendungsfalls in einem Unternehmen, das Türsysteme für Schienenfahrzeuge herstellt. Basierend auf diesem realen Beispiel soll das theoretische Modell angewandt und in eine für den Einsatz im Unternehmen taugliche Form überführt werden.

Die gewonnenen Erkenntnisse werden abschließend in einem Fazit zusammengefasst. Dieses und ein kurzer Ausblick bilden den Abschluss der vorliegenden Arbeit.

Die gesamte Struktur der Arbeit wird in Abbildung 1 nochmals grafisch dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Aufbau der Arbeit

1.4 Stand der Literatur

Die aktuelle Literatur im Bereich der Wirtschaftlichkeitsbetrachtung von Big Data und/oder Cloud Computing stellt sich wie folgt dar.

Im Bereich Cloud Computing existieren einige publizierte Ansätze, um die Wirtschaftlichkeit der Einführung einer Cloud-Lösung im Vergleich zum klassischen IT-Betrieb zu bewerten. Harnisch und Buxmann geben in ihrem Artikel aus 2012 z. B. eine Übersicht über drei unterschiedliche Methodiken. [HB12] Im Wesentlichen wird dabei zwischen zwei möglichen Ansätzen unterschieden: einem quantitativen kostengetriebenen [MWT12] und einem qualitativen. [LW10]

Im Zuge der Wirtschaftlichkeitsdiskussion wird zudem häufig der Begriff des Cloud Computing definiert, um die unterschiedlichen Ausbaustufen und Einsatzarten klar voneinander abzugrenzen. Innerhalb der Literatur herrscht bezüglich der möglichen Ausbaustufen und Einsatzarten allerdings Konsens. [MPR15, S. 5ff.]

Im Bereich Big Data finden sich in der Literatur keine definierten Methodiken, um die Wirtschaftlichkeit zu bewerten. Es gibt jedoch Vorgehensmodelle, um den Nutzen einer Big-Data-Anwendung systematisch zu ermitteln. Kayser et al. haben in ihrem im Jahr 2018 veröffentlichten Artikel einen solchen Prozess von der Idee bis zur Operationalisierung dargestellt. [KNZ18] Auch Dean hat in seinem 2014 erschienenen Buch einen systematisch ähnlichen Prozess skizziert. [De14, S. 61ff.]

Ergänzend zu den Vorgehensmodellen zur Nutzenbestimmung finden sich in der Literatur einige Beispiele für erfolgreiche Big-Data-Anwendungen. Diese sind bezogen auf den Detaillierungsgrad jedoch sehr oberflächlich verfasst und geben nur einen groben Überblick über den Nutzeneffekt der Anwendung. [De14, S. 194ff.] [Te14, S. 13ff.]

Ähnlich wie beim Cloud Computing wird in der Literatur in vielen Veröffentlichungen zu Beginn der Begriff Big Data eindeutig definiert und abgegrenzt. Hier liefert die Literatur unterschiedlich umfassende Definitionen, die Big Data z. B. als Prozess [ZLK16, S. 1f.], als Technik [FLZ15, S. 2f.] oder als eigenen Wissenschaftsbereich [SSY14, S. 2f.] beschreiben.

Die dezidierte Wirtschaftlichkeitsbetrachtung eines konkreten Anwendungsfalles im Bereich Big Data bzw. Cloud Computing konnte in den Veröffentlichungen nicht gefunden werden. Diese befassen sich wie dargestellt entweder mit der generellen Wirtschaftlichkeit von Cloud Computing im Vergleich zur Inhouse IT oder, wie im Fall von Big Data, mit Systematiken zur Darstellung eines unternehmerischen Nutzens. Die Anwendungsbeispiele stellen nur eine oberflächliche Beschreibung der Idee und des damit verbundenen Nutzens dar. Diese Lücke soll durch die vorliegende Arbeit geschlossen werden, indem eine konkrete Bewertungsmethodik, basierend auf den in der Literatur bereits bekannten Methodiken, ausgewählt und für die Anwendung modifiziert wird. Diese soll dann im Rahmen einer Fallstudie auf einen unternehmerischen Anwendungsfall angewandt werden.

2. Grundlagen

In diesem Kapitel werden die einzelnen Kernbegriffe der Arbeit (Cloud Computing, Big Data Analytics und Türsysteme für Schienenfahrzeuge) definiert und abgegrenzt. Dies dient dazu, eine Basis für den weiteren Verlauf der Arbeit zu schaffen.

2.1 Cloud Computing

Cloud Computing ist einer der am stärksten an Bedeutung gewinnenden Trends der IT. Im Wesentlichen bezieht sich der Begriff darauf, dass zuverlässige Hard und Software nicht mehr gekauft wird, sondern über das Internet zur Verfügung steht. [Ar10, S. 50f.]

Die Anforderung, große Datenmengen zu speichern und mittels komplexer Logiken zu verarbeiten, hat dazu geführt, dass immer mehr Organisationen Cloud Computing nutzen. Die Lösungsanbieter tragen durch die stetige Weiterentwicklung der angebotenen Services dazu bei, Cloud Computing als festen Bestandteil einer Unternehmens-IT zu platzieren. [Hu13, S. 68] Wird das Marktvolumen der letzten Jahre, wie in Abbildung 2 dargestellt, betrachtet, kann davon ausgegangen werden, dass Cloud Computing den Status eines Trends oder Hypes bereits überschritten hat. Dies wird bei der Betrachtung der in Abbildung 3 dargestellten weltweiten Entwicklung bis 2022 noch deutlicher.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Marktvolumen von Cloud Computing in Deutschland [Te17]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 Weltweiter Umsatz mit Cloud Computing [Te19]

2.1.1 Definition Cloud Computing

Der Begriff Cloud Computing wurde bisher nicht eindeutig definiert. Daher können die darin enthaltenen Themenfelder je nach Auffassung der Diskussionsteilnehmer variieren. Zudem haben einige Dienstleister ihr bestehendes Produktportfolio um den Zusatz „Cloud“ ergänzt, während andere gänzlich neue Services entwickelt haben. Abgerundet wird dies durch ein unterschiedliches Verständnis von Cloud Computing in Organisationen, das von IT-Outsourcing über SaaS bis hin zu Software-Virtualisierung reicht. [MPR15, S. 7]

In einem im Jahr 2011 erschienenen Artikel wurde Cloud Computing folgendermaßen definiert: „Thus, we define cloud computing as an IT deployment model, based on virtualization, where resources, in terms of infrastructure, applications and data are deployed via the internet as a distributed service by one or several service providers. These services are scalable on demand and can be priced on a pay-per-use basis.“ [Bö11, S. 37] Übertragen ins Deutsche ergibt sich daraus die folgende Definition: Cloud Computing ist ein IT-Bereitstellungsmodell, das auf Virtualisierung basiert. Dabei können Ressourcen wie Infrastruktur, Anwendungen und Daten via Internet als Services von einem oder mehreren Anbietern zur Verfügung gestellt werden. Die angebotenen Services zeichnen sich dadurch aus, dass diese nach Bedarf skaliert werden und verbrauchsabhängig abgerechnet werden. [Bö11, S. 37]

Ein anderer Artikel aus dem Jahr 2012 definiert den Begriff Cloud Computing etwas allgemeiner: „Eine allgemein akzeptierte Definition beschreibt Cloud Computing als ein Modell, das den universellen und komfortablen Netzwerkzugriff nach Bedarf auf einen gemeinsam genutzten Ressourcenpool (zum Beispiel Speicherplatz, Anwendungen, Rechenleistung) ermöglicht, der schnell bereitgestellt und mit minimalem Aufwand oder Interaktion des Serviceproviders freigesetzt werden kann.“ [Br, S. 6]

Obwohl sich bisher noch keine eindeutige Definition des Begriffs Cloud Computing herausgebildet hat, herrscht dennoch weitestgehend Einigkeit darüber, welche Bestandteile eine IT-Umgebung beinhalten muss, um als Cloud zu gelten. [MPR18, S. 7ff.]

2.1.2 Ausbaustufen des Cloud Computing

Cloud Computing besteht im Wesentlichen aus bereits bekannten Konzepten, die dem Kunden zur Verfügung gestellt werden. Die Unterteilung der angebotenen Services in unterschiedliche Stufen kann dabei als gängiger Standard bezeichnet werden. Abbildung 4 zeigt eine mögliche Unterteilung in fünf unterschiedliche Ebenen. [Bö11, S. 37f.] In diesem Abschnitt sollen drei wesentliche Ebenen, die aufeinander aufbauen, sowie die damit verbundenen unterschiedlichen Servicekonzepte genauer betrachtet werden. Diese sind Software-as-a-Service (SaaS), Platform-as-a-Service (PaaS) und Infrastructure-as-a-Service (IaaS) [HB12, S. 414]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4 Ausbaustufen Cloud Computing nach Böhm [Bö11, S. 38]

2.1.2.1 Infrastructure-as-a-Service (IaaS)

IaaS stellt Infrastruktur zur Verfügung. Diese umfasst im Wesentlichen Speicher-, Rechen und Netzwerkkapazität. Dabei können die zur Verfügung gestellten Ressourcen von den Nutzern eigenständig verwaltet, administriert und an die vorhandenen Bedürfnisse angepasst werden. Eine mögliche Implementationsform von IaaS sind virtuelle Maschinen. In diesem Konzept sichert sich der Nutzer definierte Ressourcen, die einem Service-Level-Agreement (SLA) unterliegen. Virtualisierung ermöglicht den Anbietern, die angeforderten Ressourcen zu den SLA-Bedingungen möglichst effizient und kostensparend zur Verfügung zu stellen. [Bö11, S. 39f.]

Mögliche Messgrößen innerhalb dieses Servicekonzepts sind CPU-Memory Verbrauch, GB/Zeiteinheit, Datentransfervolumen etc. Als Anbieter kann hier z. B. Amazon mit Services wie EC2 oder S3 angeführt werden. [MPR15, S. 10]

2.1.2.2 Platform-as-a-Service (PaaS)

PaaS richtet sich im Wesentlichen an Programmierer und Anwendungsentwickler, die innerhalb dieses Servicekonzepts Entwicklungsumgebungen vorfinden, die es ihnen ermöglichen, neue Applikationen zu entwickeln. Ein zentrales Element bilden dabei Application Programming Interfaces (API), die die Möglichkeit bieten, bereits vorhandene Cloud-Anwendungen innerhalb der eigenen Entwicklung zu nutzen. Somit können ohne eigenen Entwicklungsaufwand Features wie Ressourcenskalierung, Load Balancing, Authentifizierung, graphische Benutzeroberflächen etc. genutzt werden. Da es keinen definierten Standard für die Softwareentwicklung in der Cloud und die genutzten Schnittstellen gibt, entstehen dadurch ebenfalls Lock-in-Effekte. Eine innerhalb einer PaaS Umgebung entwickelte Applikation kann demnach nicht ohne zusätzlichen Aufwand in eine PaaS-Umgebung eines anderen Anbieters transferiert werden. [Bö11, S. 38f.]

Für die Anbieter von Cloud Computing stellt PaaS unterdessen einen wesentlichen strategischen Baustein dar, denn die von den Nutzern entwickelten Applikationen ergänzen das SaaS-Portfolio des jeweiligen Anbieters. Ein größeres Portfolio führt zu einer besseren Marktposition und somit meist zu einem höheren Interesse von Entwicklern innerhalb des Ökosystems, Anwendungen zu entwickeln. Diese Entwicklung kann auch im Smartphone-Umfeld mit den beiden Marktführern iOS und Android beobachtet werden. Aus diesem Grund können alle PaaS Umgebungen der großen Cloud-Anbieter eingangs kostenlos genutzt werden. Beispiele für solche Umgebungen sind Azure (Microsoft), App Engine (Google) und Beanstalk (Amazon). [MPR15, S. 10f.]

2.1.2.3 Software-as-a-Service

SaaS ist jene Ausbaustufe von Cloud Computing, die von den Endanwendern am häufigsten genutzt wird. In den meisten Fällen erfolgt der Zugriff mittels eines Webbrowsers. [Bö11, S. 38] Die vorhandenen Services können dabei vom Anwender je nach Bedarf kombiniert werden, um die Abläufe des Users bestmöglich zu unterstützen. Die notwendigen Elemente der tieferliegenden Ausbaustufen werden in der Regel automatisch mitgeliefert, um einen reibungslosen Betrieb der Services zu gewährleisten. [MPR18, S. 11f.] Für den Anwender bietet SaaS Vorteile, wie z. B. die Reduktion von Software und Systemwartungskosten sowie der Wegfall von Investitionen in lokale Hardware und Lizenzen. Der Anbieter von SaaS­Lösungen kann auf der anderen Seite von Skaleneffekten profitieren. Die zentrale Wartbarkeit der Lösungen bietet ebenso Einsparungspotenzial. Die Sicherheit und die Verfügbarkeit der angebotenen Services sind hingegen Themenfelder, die erhebliche Kosten beim Anbieter verursachen können. [Bö11, S. 38] Ein populäres und immer weiter verbreitetes Beispiel für SaaS, sowohl im B2B als auch im B2C Umfeld, ist Office365 von Microsoft. [MPR15, S. 12]

2.1.3 Angebotsformen des Cloud Computing

Neben den in Abschnitt 2.1.2 erläuterten Ausbaustufen von Cloud Computing gibt es drei Angebotsformen, die in der Literatur Erwähnung finden. Diese unterscheiden nicht den Funktionsumfang der Lösungen, sondern vielmehr deren Bereitstellung innerhalb oder außerhalb der eigenen Organisation [HB12, S. 414]:

- Public Cloud
- Private Cloud
- Hybrid Cloud

Im Weiteren werden die drei Formen und deren Unterscheidungsmerkmale kurz erläutert und in Abbildung 5 dargestellt.

2.1.3.1 Public Cloud

Eine Public Cloud ist die häufigste Angebotsform einer Cloud-Lösung. Sie wird meist von großen Anbietern betrieben, die sich auf den Verkauf von Cloud-Services spezialisiert haben, z. B. Amazon, Microsoft etc. Die angebotenen Services stehen gegen Bezahlung einer Nutzungsgebühr der gesamten Öffentlichkeit zur Verfügung. [HV, S. 16]

Ein einfacher Anmeldeprozess via Internet stellt ein wesentliches Kriterium für eine Public Cloud dar, um eine große Anzahl an Nutzern zu generieren und so die anfallenden Kosten bestmöglich zu verteilen. Als hundertprozentiger Inhaber der Infrastruktur kümmert sich der Cloud Provider ebenfalls um den Betrieb sowie die Sicherheit und Compliance der Lösung. Nutzer haben meist nur eingeschränkte Optionen, um darauf Einfluss zu nehmen, wie z. B. die Auswahl des geographischen Speicherorts der Daten. Als wesentliche Dokumente regeln SLAs und AGBs des Anbieters die Nutzungsrechte und Ansprüche des Kunden. [MPR15, S. 13]

2.1.3.2 Private Cloud

Als konträre Angebotsform zu der in 2.1.3.1 erläuterten Public Cloud kann die Private Cloud gesehen werden. Sie zeichnet sich dadurch aus, dass die Cloud Lösung nur für eine einzige Organisation betrieben wird. Dabei spielt es keine Rolle, ob dies durch die Organisation selbst erfolgt oder ein externer Dienstleister damit beauftragt wird. Das dafür notwendige Rechenzentrum kann geographisch auch außerhalb der Organisation angesiedelt sein. Das Hauptmerkmal dieser Angebotsform ist, dass nur Mitglieder der Organisation die angebotenen Services nutzen können. [HV, S. 16]

Dieses Setup ermöglicht eine vollständige Kontrolle von Betriebsprozessen sowie der Compliance und Security der Cloud-Lösung. Allerdings können dabei nicht alle Skaleneffekte genutzt werden, die in einer Public Cloud entstehen. Diese Angebotsform kann fast nur in großen Organisationen gefunden werden. [MPR15, S. 14]

2.1.3.3 Hybrid Cloud

Diese Angebotsform kennzeichnet sich durch eine Mischung aus sowohl beiden zuvor erläuterten Angebotsformen als auch der vorhandenen IT-Umgebung einer Organisation. Die Verknüpfung erfolgt dabei über definierte APIs und ermöglicht dem Nutzer, z. B. Services von unterschiedlichen Cloud-Anbietern für die eigenen Prozesse zu nutzen. [HV, S. 17]

Einen wesentlichen Erfolgsfaktor für eine Hybridlösung stellt die Überwindung von Systembrüchen dar. Die Endanwender erwarten eine optimal integrierte Lösung und können im Idealfall nicht unterscheiden, ob sie ihre Aufgaben gerade in einem Cloud Service oder der Organisations-IT erledigen. Ist diese „seamless integration“ gewährleistet, kann die Hybridform die Vorteile beider Welten vereinen. Einerseits bietet sie hohe Flexibilität; anderseits können, falls notwendig, Security und Compliance vollständig kontrolliert werden. [MPR15, S. 14]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5 Arten des Cloud-Betriebs [HV, S. 17]

In diesem Abschnitt wurden die unterschiedlichen Formen von Cloud Computing erläutert. Für den weiteren Verlauf der Arbeit wird für den Begriff Cloud Computing eine SaaS-Lösung in einer Public Cloud angenommen.

2.2 Big Data Analytics

Eine Möglichkeit, Big Data Analytics zu definieren, ist, sich auf einen Prozess des Sammelns, Organisierens und Analysierens von Big Data zu beziehen. Ziel ist es dabei, die in den Daten enthaltenen Muster zu untersuchen und darzustellen, um dadurch Informationen zu gewinnen. [ZLK16, S. 1f.]

In einer ähnlichen Art lässt sich Big Data Analytics als Technik zur Analyse, Gewinnung und Visualisierung von Erkenntnissen und Informationen aus Daten definieren. [FLZ15, S. 2f.]

Big Data Analytics kann außerdem als eigener Bereich der Wissenschaft betrachtet werden, der aktuelle Informations und Kommunikationstechnologie, Mathematik, Unternehmensforschung, maschinelles Lernen und Entscheidungswissenschaften beinhaltet. [SSY14, S. 3f.]

Werden die Bestandteile von Big Data Analytics betrachtet, so setzt sich dieses aus den in Tabelle 1 dargestellten Teilen zusammen. Die einzelnen Teile werden dabei unabhängig voneinander seit langer Zeit genutzt. [MCD13, S. 99]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1 Bestandteile von Big Data Analytics [MCD13, S. 100]

2.2.1 Big Data

In Abschnitt 2.2 wurden bereits die Bestandteile von Big Data Analytics aufgezeigt. Diese beziehen sich allerdings stark auf den analytischen Anteil des Begriffs. Nachfolgend wird der Begriff „Big Data“ genauer betrachtet.

Der erste Faktor, der für die Definition von Bedeutung ist, ist die Menge der Daten. Allerdings gibt es neben der reinen Datenmenge zwei zusätzliche Faktoren, die regelmäßig herangezogen werden, um Big Data zu definieren. Diese sind Geschwindigkeit und Vielfalt. Im Folgenden werden die drei Faktoren kurz erläutert. [GH15, S. 138]

2.2.1.1 Datenmenge

Eine von IBM im Jahre 2012 durchgeführte Befragung ergab, dass mehr als die Hälfte der Befragten Datensets, die größer als 1 Terabyte waren, als Big Data klassifizierte. Dies deutet darauf hin, dass die reine Größe keine ausreichende Definition darstellt. Zusätzlich kann davon ausgegangen werden, dass die Datenmengen im Laufe der Zeit steigen werden. [MS, S. 3]

Der zu erwartende Anstieg der Speicherkapazität sowie die sinkenden Preise begünstigen eine solche Entwicklung zusätzlich. [GH15, S. 138]

2.2.1.2 Vielfalt

Die Vielfalt bezieht sich auf die Heterogenität eines Datensets. Heute verfügbare Technologien ermöglichen es, unterschiedlichste Arten von strukturierten, semi­strukturierten und unstrukturierten Daten zu verwenden. Strukturierte Daten entsprechen dabei nur ca. 5 Prozent der vorhandenen Daten. Der stetig steigende Einsatz von Sensoren und IoT-Geräten hat dazu geführt, dass Daten in unterschiedlichen Formen erzeugt und gespeichert werden. [MS, S. 3]

Eine hohe Vielfalt an gespeicherten Datensets kann als weiterer Parameter für Big Data betrachtet werden. Obwohl diese Daten meist bereits seit langem verfügbar sind, ermöglichen neue Technologien nun eine systematische Auswertung insbesondere der semi-strukturierten bzw. unstrukturierten Datensets. [GH15, S. 138]

[...]