Trends im Cloud Computing. Wie sich mit Competitive Intelligence Prognosen zur Zukunft der Cloud stellen lassen

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Gegenstand der Arbeit
1.1 Einleitung
1.2 Fragestellung
1.3 Vorgehensweise

2 Theoretische Grundlagen
2.1 Competitive Intelligence
2.2 Cloud Computing
2.3 Innovation

3 Analyse von Cloud Computing
3.1 Marktentwicklung und Auswirkungen auf IKT-Branche
3.2 Zielmärkte und Kundenanforderungen
3.3 Überblick und Strategie der Provider

4 Cloud Computing in der Zukunft
4.1 Zukünftige Marktentwicklung
4.2 Cloud der Zukunft

5 Fazit

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1 Abgrenzung der Wettbewerbsaktivitäten

Abbildung 2 Intelligence Cycle mit Verteilung der Ressourcen

Abbildung 3 Service- und Bereitstellungsmodelle von Cloud Computing im Überblick

Abbildung 4 Vergleich der Charakteristika einer disruptiven Innovation mit Cloud Computing (SaaS)

Abbildung 5 Weltweite Ausgaben für Public Cloud 2010-2017

Abbildung 6 Weltweite Cloud-Computing-Ausgaben in 2014 und 2019 nach Regionen in Milliarden US-Doll ar

Abbildung 7 Geschäftsmodell-Morphologie im Bereich Cloud Computing

Abbildung 8 Einsatz von Cloud Computing in deutschen Unternehmen nach Branche

Abbildung 9 Nutzungsbereiche von Cloud Computing in Unternehmen (eigene Darstellung in Anlehnung an PAC 2017)

Abbildung 10 Verwendung von Cloud-Computing-Betriebsmodellen in IT-Abteilungen

Abbildung 11 Anbieter Cloud-basierter IT-Dienstleistungen nach weltweiten Marktanteilen im 1. Quartal 2018

Abbildung 12 SWOT Analyse AW S

Abbildung 13 SWOT-Analyse Microsoft

Abbildung 14 SWOT-Analyse IBM

Abbildung 15 Investitionsbereiche der Anbieter nach Anzahl der Anbieter in%

Abbildung 16 Hype-Cycle Cloud Computing

Abkürzungsverzeichnis

BI Business Intelligence

BSI Bundesamt für Informationstechnik

CaaS Container-as-a-Service

CI Competitive Intelligence

CIA Central Intelligence Agency

CRM Customer Relationship Management

DICaaS Data-Intensive-Computing-as-a-Service

DSGVO Datenschutz Grundverordnung

EE Execution Environment

ERP Enterprise Resource Planning

IaaS Infrastructure-as-a-Service

IKT Informations- und Kommunikationstechnologie

IoT Internet of Things

IT Informationstechnologie

K8s Kubernetes

KI Künstliche Intelligenz

KMU Kleine und mittlere Unternehmen

NIST National Institute of Technology

PaaS Platform-as-a-Service

PE Programming Environment

PRS Physical Resource Set

SaaS Software-as-a-Service

SCIP Strategic and Competitive Intelligence Professionals

SLA Service Level Agreements

SRM Supply Resource Management

VRS Virtual Resource Set

WWW World Wide Web

1 Gegenstand der Arbeit

1.1 Einleitung

Die Zeit des klassischen IT-Outsourcing neigt sich dem Ende zu. Der Aufstieg von Cloud Computing hat zu einem fundamentalen Wandel innerhalb der Informations- und Kommunikationsbranche geführt und stellt ein neues Paradigma für die Verwaltung und Bereitstellung von Services über das Internet dar. Es sind die Flexibilität, Elastizität, Skalierbarkeit und Messbarkeit der Technologie, die Cloud Computing auszeichnen und für Unternehmen in Zeiten der wirtschaftlichen Globalisierung und zunehmender Konkurrenz innerhalb der Märkte unverzichtbar machen. Bereits heute beziffert sich der weltweite Umsatz auf etwa 36,861 Milliarden US-Dollar in Cloud Computing, sodass es das am stärksten wachsende Segment der IKT-Branche darstellt, Tendenz in den kommenden Jahren deutlich steigend. Auf Grund des daraus resultierenden Ertragspotentials für Unternehmen ist der Cloud-Computing-Markt von einem enormen Wettbewerb geprägt. Neben IT-Giganten wie IBM, Microsoft, AWS, Google und Alibaba, die um die Marktführerschaft kämpfen, findet man auch eine Vielzahl kleinerer Unternehmen wieder, welche eine Nischenstrategie verfolgen und geringe Marktanteile vorweisen.

Um in einem solchen Markt wie dem des Cloud Computing wettbewerbsfähig zu bleiben, ist es aus Sicht der Marktakteure essenziell, anhand externer Daten, das wirtschaftliche Umfeld, die Wettbewerber und die eigene Organisation zu analysieren. Man nennt diesen Prozess der Wissensgenerierung auch Competitive Intelligence. Die gewonnenen Erkenntnisse bzw. identifizierten Markttrends fließen mit in den operativen und strategischen Entscheidungsprozess ein und haben somit einen wesentlichen Einfluss auf die zukünftige Produktentwicklung.

1.2 Fragestellung

Das Ziel dieser Arbeit besteht in der Identifikation von Trends des Cloud-Computing-Marktes sowie der Präferenzen der Cloud-Nutzer, um auf Basis einer Competitive Intelligence zukünftige Handlungsoptionen der IT-Anbieter in Bezug auf die weitere Produktentwicklung ableiten zu können.

1.3 Vorgehensweise

Zu Beginn dieser Arbeit findet eine Einführung in das Thema Competitive Intelligence (CI) statt. Neben der Definition von CI werden die Ziele, die Aufgaben und der Prozessablauf erläutert. Der nächste Schritt widmet sich der Definition von Cloud Computing sowie der Vorstellung der verschiedenen Bereitstellungs- und Servicemodelle. Dies ermöglicht die Einordnung der Technologie nach Innovationsart, nachdem die Begrifflichkeit der Innovation erklärt wurde. Im dritten Kapitel erfolgt die Analyse des Cloud Computing nach der Methodik der Competitive Intelligence, bei der der Fokus auf die Marktentwicklung, die Zielmärkte und Kundenanforderungen sowie die Provider gerichtet ist. Das letzte Kapitel fasst die gewonnenen Informationen zusammen. Dabei werden zu Beginn Prognosen zur zukünftigen Entwicklung des Cloud-Computing-Marktes und anschließend zu der Cloud der Zukunft abgegeben.

2 Theoretische Grundlagen

2.1 Competitive Intelligence

2.1.1 Definition und Abgrenzung

Die Begrifflichkeit Intelligence, übersetzt „Aufklärung“, ist seit jeher allgegenwärtig. Bereits 500 Jahre v. Chr. war den damaligen Kriegsherren die Nützlichkeit von Informationen, der eigenen Stärken und Schwächen sowie der des Feindes, bekannt. Auf Basis dieser war es möglich, eine geeignete Strategie zu eruieren und infolgedessen den eigenen Truppen einen Vorteil zu generieren.¹ Analog zu der damaligen Zeit sind heutige Marktakteure durch den immensen Konkurrenzkampf auf Informationen über gegenwärtige und zukünftige Märkte, Wettbewerber, Kunden und Technologien angewiesen, um effiziente Strategieentscheidungen treffen zu können. Wird dieser Begriff um das Wort competitive ( deutsch: „kompetitiv“) ergänzt, der die wettbewerbsbezogene Orientierung einer Tätigkeit charakterisiert, erkennt man, dass es sich um eine Aufklärung im wirtschaftlichen Kontext handelt.² Trotz des frühen etymologischen Ursprungs und der aktuellen Verwendung der Bezeichnung Competitive Intelligence (CI) hat sich seitdem keine einheitlich gültige Definition in Deutschland gebildet. In der Regel wird CI mit „Wettbewerbsanalyse“, „Konkurrenzanalyse“ oder „Wettbewerbsbeobachtung“ übersetzt.³

Dessen ungeachtet existiert eine Institution namens Strategic and Competitive Intelligence Professionals (SCIP), welche eine essenzielle Rolle für die Existenz, Verbreitung und Weiterentwicklung von CI in Unternehmen sowie in der Wissenschaft spielt. Es handelt sich dabei um eine gemeinnützige Organisation, die 1986 von Rainer Michaeli in den USA gegründet wurde. Weltweit gehören rund 3.500 Mitglieder, darunter Wirtschaftsexperten, Wissenschaftler und Politiker, zu der Organisation.⁴ Im Sinne der SCIP wird CI wie folgt definiert:

Competitive Intelligence ist der Prozess ethisch einwandfreier Sammlung, Analyse und Verteilung von korrektem, relevantem, spezifischem, rechtzeitigem, zukunftsgerichtetem und handlungsorientiertem Wissen über das wirtschaftliche Umfeld, über die Wettbewerber und über die eigene Organisation“.⁵

Demnach ist CI als Wettbewerbs- bzw. Konkurrenzanalyse zu deuten. Diese Definition soll als Grundlage für die vorliegende Arbeit gelten.

Um ein Verständnis über die Systematik der Competitive Intelligence zu erhalten, ist eine Differenzierung zu alternativen in der Wirtschaft genutzten Konzepten im Wettbewerbsvergleich notwendig. Häufig werden die Bezeichnungen Competitive Intelligence, Competitor Intelligence sowie Business Intelligence (BI) synonym verwendet, obwohl sich diese umweltanalytischen Methoden in unterschiedliche Teilsegmente eines Objektbereiches klassifizieren lassen.⁶ Abbildung 1 zeigt nach dem Bottom-up-Prinzip eine Abgrenzung der verschiedenen Wettbewerbsaktivitäten.⁷

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Abgrenzung der Wettbewerbsaktivitäten⁸

- Der Oberbegriff Business Intelligence (BI) wurde 1989 von Howard Dresner (Gartner Group) dazu verwendet, um die Analyse und Konzen-tration einer hohen Anzahl von Informationen zu nutzbarem Wissen zu verwenden. Demnach handelt es sich um eine IT-gestützte und uneingeschränkte Analyse der generellen Unternehmensumwelt mit einem umfänglichen Analysebereich sowie zugleich schwacher Präzisierung des Untersuchungsgegenstandes.
- Die dritte Ebene, vulgo Competitor Intelligence, kann unter CI subsumiert werden, da es sich ausnahmslos auf die Agglomeration von Wissen über einzelne relevante Wettbewerber fokussiert.
- Das Benchmarking (BM) wird als „Streben zum Besten“ betitelt und kann als Subaktivität der Competitor Intelligence betrachtet werden. Es handelt sich dabei um ein adäquates Verfahren, um Defizitbereiche des eigenen Unternehmens mit der Konfiguration des in diesem Unternehmenssegment führenden Unternehmens zu vergleichen und im Folgeschluss zu optimieren.

2.1.2 Zielsetzung und Prozessablauf

Die Motive bzw. Zielsetzungen der CI betreibenden Unternehmen ist, wie oben bereits erwähnt, das Eruieren effektiver Entscheidungen und Strategien, um Vorteile gegenüber anderen Wettbewerbern zu generieren. Dementsprechend bildet CI die Basis für eine marktorientierte sowie strategische Unternehmensführung, die zur Risikoreduzierung und Absicherung der eigenen Vorhaben dient.⁹ Darüber hinaus erhält das anwendende Unternehmen Wissen zu den Stärken und Schwächen der Wettbewerber sowie eine Übersicht der ausgewählten Märkte. Auf Basis der neu gewonnenen Informationen sollen Handlungsoptionen evaluiert werden, welche höheren Zielen, nämlich denen der Gewinnmaximierung sowie der Ausdehnung der Marktanteile, dienen.¹⁰ Somit können CI drei Hauptfunktionen zugeteilt werden:¹¹

I Erkennung und das Scannen des Wettbewerbsumfelds
II Unterstützung des Managements bei operativen und strategischen Entscheidungen
III Planung und Frühaufklärung von Chancen und Risiken innerhalb eines Entscheidungsprozesse

Um dies zu erreichen, wird eine legale und ethisch-moralisch einwandfreie Sammlung und Analyse von Unternehmensdaten betrieben.¹² Dieser Prozess wird in der Literatur auch als Intelligence Cycle bezeichnet, dessen Methodik auf der der Central Intelligence Agency (CIA) basiert und wie folgt definiert wird: „ the analytical process that transforms disaggregated competitor data into relevant, accurate, and usable strategy knowledge about competitiors’ position, performance, capabilities and intentions”.¹³

Der Intelligence Cycle besteht aus fünf Phasen, zu denen die Projektplanung (englisch: „Planning and Direction“), die Datenerhebung (englisch; „Collection“), die Datenverarbeitung (englisch: „Processing“), die Analyse und Interpretation (englisch: „Analysis and Production“) sowie die Präsentation der Ergebnisse (Dissemination) gehören. In Abbildung 3 werden die verschiedenen Schritte des Intelligence Cycles sowie die empfohlene Verteilung des zeitlichen Aufwands dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Intelligence Cycle mit Verteilung der Ressourcen¹⁴

Die Projektplanung beinhaltet die Identifikation der Informationen, die Bestimmung der Vorgehensweise im Prozessverlauf sowie die anschließende Wissensgenerierung als Arbeitsschritte. Somit bedarf es im Vorfeld der Durchführung eines Competitive-Intelligence-Projektes einer spezifischen Definition des Informationsbedarfs durch Entscheidungsträger und Nutzer der Resultate.¹⁵ Die Forschungsthemen, welche auch Key Intelligence Topics genannt werden, dienen zur Erarbeitung der Schlüsselfragen, die auch unter dem Namen Key Intelligence Questions bekannt sind.¹⁶ Auf deren Grundlage muss festgelegt werden, auf welche Art und Weise die Datenerhebung stattfinden soll und welche Informationen dem Unternehmen bereits zur Verfügung stehen. Zusätzlich zu der Priorisierung und Eingrenzung des Informationsbedarfs müssen die Berichtsart und die Projektziele manifestiert werden. Bei der Bestimmung der Vorgehensweise bedarf es einer Auswahl von Methoden zur Aufbereitung und Analyse der Informationen sowie einer Kalkulation der benötigten zeitlichen und finanziellen Ressourcen zur Durchführung des Projektes.¹⁷

Eine realistische Darstellung und Konkretisierung der Anforderungen an die Datenerhebung ist unumgänglich, da nur so die Notwendigkeit einer frühzeitigen Beendigung des Vorhabens erfolgen kann und folglich Ressourcen nicht vergebens verbraucht werden. Daher ist es ratsam, einen strukturierten Ablaufplan zu erarbeiten und diesen bei Bedarf an neue Begebenheiten anzupassen.¹⁸

Der Prozess der Datenerhebung ist einer der Schlüsselfaktoren für eine erfolgreiche Durchführung eines Competitive-Intelligence-Projektes, da es den Generierungsprozess von Informationen durch die Nutzung diverser Quellen festlegt.¹⁹ Somit hat dieser Arbeitsschritt einen großen Einfluss auf die Zeiteinhaltung, die Qualität sowie die Akzentuierung der gewonnenen Auskünfte.²⁰ Innerhalb dieses Vorgangs teilt man die zur Verfügung stehenden Quellen nach zwei Ebenen auf. Zum einen wird zwischen unternehmensinternen und -externen Quellen und zum anderen innerhalb dieser Klassen zwischen Primär- und Sekundärquellen unterschieden.²¹ Bei Sekundärquellen spricht man von Informationen, die aus bereits vorhandenem Datenmaterial entnommen werden. Dabei können die Informationen zu einem ähnlichen oder anderen Zweck sowie fremd- oder selbsterhoben worden sein. In jedem Fall erfolgt eine progressive, themenbasierte Erfassung, Analyse und Auswertung der Informationen.²² In der Regel reicht vorhandenes Wissen aus, um eine Lösung für eine Problemstellung zu finden, sodass zusätzlich Primärforschung betrieben werden muss. Primärquellen sind exklusive Informationen, welche bewusst für ein spezifisches Problem erhoben wurden.²³ Man unterscheidet bei den Erwerbsmethoden zwischen quantitativen (Befragungen, Telefonumfragen, Produkttests et cetera) und qualitativen Faktoren (Experteninterviews, Workshops, Gruppendiskussionen et cetera).²⁴

Um eine komplette Informationsgrundlage zu schaffen, kommen bei einer Untersuchung sowohl Primär- als auch Sekundärquellen zum Einsatz. Darüber hinaus sollen nach Michaeli bereits in diesem Prozessschritt die eingehenden Informationen kontinuierlich auf ihre Validität geprüft werden. Dies ermöglicht, dass neu gewonnene Erkenntnisse sowie Widersprüche thematisiert und in der Erhebung berücksichtigt werden können. Sollte keine ausreichende Informationsgrundlage geschaffen werden können, bedarf es einer Neujustierung der Ziele bzw. der Aufgabenstellungen. Andernfalls kann zur nächsten Phase, der Datenverarbeitung und -analyse, übergegangen werden.²⁵

Die Datenverarbeitung und -analyse kann als Herzstück des Intelligence Cycle gesehen werden, da sie sich mit der Wissensgenerierung befasst, die die Basis für zukünftige Unternehmensentscheidungen und die weiteren Prozessschritte bildet. Zur Analyse können eine Vielzahl von Methoden herangezogen werden, die in Abbildung 4 nach Bekanntheit, Nutzungsintensität und Effektivität abgegrenzt sind.²⁶

Eine Analyse besteht aus der Untersuchung, Bewertung sowie Beschreibung der auserwählten Daten und verfolgt das Ziel, Informationen aus dem Gesamtkontext zu gewinnen. Folgerichtig wird durch eine Untersuchung versucht, Verhaltensweisen/-muster der anderen Wettbewerber zu erkennen und somit zukünftige Handlungen zu prognostizieren. Die Herausforderung besteht darin, die geeignetsten Analysemethoden aus dem verfügbaren Pool zu bestimmen, sodass eine Effizienzprüfung durchgeführt werden muss und bei fehlender Eignung andere Methoden ausgewählt werden müssen.²⁷

Nach Michaeli sind folgende Punkte die Hauptaufgaben der Phase Datenverarbeitung und -analyse:²⁸

- Kreation der erforderlichen Analyse zur Beantwortung der zuvor definierten Fragestellungen
- Identifikationen neuer Themen und Fragestellungen
- Interpretation der Untersuchung
- Dokumentation der genutzten Verfahren sowie Annahmen
- Darstellung der durchgeführten Analysen
- Berichterstattung über die Erfahrungen beim Einsatz der genutzten Verfahren

Die Präsentation der Ergebnisse bildet die letzte Phase, bei der die Resultate der Untersuchung dem CI-Nutzer sowie den Entscheidungsträgern vorgestellt werden. Demzufolge sind die Hauptaufgaben dieser Phase:²⁹

- Erstellung eines Analyseberichts passend zu den Bedürfnissen
- Bekanntmachung der Analyseergebnisse
- Erörterung/Berücksichtigung von Fragen und Rückmeldungen
- Dokumentation und Archivierung der Berichte

Wie man sieht, ist sind Kommunikation und die Berichterstattung vor und während der Durchführung des Intelligence Cycle von großer Bedeutung. Insbesondere bei einer erstmaligen Durchführung von CI im Unternehmen sollten die Resultate mit Führungskräften und den operativ tätigen Mitarbeitern kommuniziert sowie debattiert werden. Jedoch muss die Wissensweitergabe stets kontrolliert erfolgen, da nur so das Risiko eines Informationsverlustes reduziert werden kann. Folglich muss eine Abstimmung, je nach Empfänger der übermittelten Informationen, erfolgen. Die Berichterstattung bzw. Weitergabe der Ergebnisse kann mittels unterschiedlicher Arten (Berichte, Persönliche Konversationen, Präsentationen, E-Mail, Datenbanken, Newsletter und Workshops) erfolgen.³⁰

Am Ende eines Competitive-Intelligence-Projektes findet immer die Präsentation der Ergebnisse statt. Nichtsdestotrotz sollten neue relevante Informationen permanent berücksichtigt werden. Dies bedeutet keine erneute Durchführung des gesamten Prozesses, sondern eine fortlaufende Recherche mit Verarbeitung der neuen Informationen, die zu einer neuen Entscheidungsfindung führen können.³¹

2.2 Cloud Computing

2.2.1 Definition und Abgrenzung

Die Bezeichnung Cloud Computing ist in der heutigen Zeit omnipräsent und beschreibt einen neuen und zugleich disruptiven IT-Ansatz, der eine Lösung für jegliche Kapazitäts- und Leistungsprobleme darstellt. Erstmals ins Leben gerufen wurde dieser Begriff von Ramnath K. Chellappa, einem Professor der Informationstechnologie der Goizueta Business School, welcher ihn auf einer Konferenz in Dallas nutzte.³² Er legte damit den Grundstein für eines der aktuell meistdiskutierten IT-Themen, das sogenannte „Rechnen in der Wolke“. Dabei begann die Evolution des Cloud Computing bereits vor mehreren Jahrhunderten, in Form der ersten Rechenmaschine, die nach dem Prinzip des Abakus funktionierte. Auf Basis dieser konnte im 20. Jahrhundert der Grundstein für den modernen Computer gelegt werden, der bis heute durch zahlreiche Innovationen in Bezug auf Leistungsfähigkeit sowie Miniaturisierung weiterentwickelt wurde und die Grundlage für die Entwicklung mobiler Geräte bildet.³³ Ein weiterer essenzieller Baustein auf dem Weg zum Cloud Computing war die Entwicklung des Internets. Ursprung dieser Technologie ist das sogenannte APRAnet, ein Netzwerk, das von dem US-Verteidigungsministerium als Kommunikationssystem genutzt wurde und weltweit durch die Erfindung des World Wide Web (WWW) an Popularität gewann.³⁴ Durch die Erhöhung der Bandbreiten und Entwicklung innovativer Programmiersprachen (AJAX, Java, PHP) konnten neue Bereitstellungskonzepte für Hardwareressourcen und Software realisiert werden. Folglich entstand Cloud Computing aus der Entwicklung des Computers und des Internets, welche ein gemeinsames Konzept für die Implementierung von Hardware und Software ermöglichte.³⁵

In der Literatur gibt es eine Vielzahl an Definitionen, die jedoch nur einzelne Aspekte des Cloud Computing aufgreifen. Untersucht man die verschiedenen Ausführungen auf Gemeinsamkeiten, ergibt sich ein kohärentes Bild, welches sich in der Definition des National Institutes of Technology (NIST) wiederfindet: „ Cloud Computing is a model for enabling ubiquitous, convenient, on-demand network access to a shared pool of configurable computing resources (e.g., networks, servers, storage, applications and services) that can be rapidly provisioned and released with minimal management effort or service provider interaction. This cloud model is composed of five essential characteristics, three service models, and four deployment models.” ³⁶

Infolgedessen besitzt das beschriebene Cloud-Modell fünf wesentliche Charakteristika, welche im Folgenden übersetzt und komprimiert definiert werden:³⁷

- Diensterbringung gemäß Anforderung: Der Anwender ist dazu in der Lage, selbstständig automatisierte Dienste sowie Ressourcen an Speicherplatz, Rechenzeit, Arbeitsspeicher oder Netzwerkbandbreite anzufordern. Somit ist kein manueller Eingriff des Anbieters notwendig.
- Netzwerkbasierter Zugang: Das Angebot und die Nutzung des Cloud-Angebots erfolgen netzwerkbasiert unter dem Einsatz von Standardtechnologien.
- Ressourcen-Pooling: Die Ressourcen werden in Pools zusammengefasst und können bedarfsgerecht bereitgestellt werden, was eine parallele und dynamische Zuteilung ermöglicht.
- Schnelle Elastizität: Es existiert eine dynamische Bereitstellung von Diensten und Ressourcen, die kurzfristig nach Bedarf des Anwenders angepasst werden können. Dabei erscheinen die Ressourcen des Anbieters für den Anwender häufig als unerschöpflich.
- Messbare Dienstqualität: Um die Ressourcennutzung überwachen und messen zu können, besitzen die Cloud-Systeme Mess- und Monitoring-Funktionen, welche zusätzlich eine Optimierung der Ressourcennutzung ermöglichen.

Neben den bereits erläuterten Merkmalen des Cloud Computing existieren laut der Definition drei Dienstklassen, namens Infrastructure-as-a-Service (IaaS), Platform-as-a-Service (PaaS) und Software-as-a-Service (SaaS) sowie vier verschiedene Cloud-Betriebsmodelle (Private-, Public-, Hybrid- und Community Clouds), die in den Kapiteln 3.2 und 3.3 umfangreich erklärt und in Abbildung 3 grafisch veranschaulicht werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 Service- und Bereitstellungsmodelle von Cloud Computing im Überblick³⁸

Nachdem Cloud Computing grundlegend definiert wurde, soll im nächsten Schritt eine Differenzierung mithilfe der Begriffe IT-Outsourcing und Grid Computing erfolgen.

2.2.1.1 Grid Computing vs. Cloud Computing:

Sowohl Grid Computing als auch Cloud Computing ermöglichen eine ortsunabhängige Nutzung der verteilten Rechenressourcen mittels eines Netzwerks. Im Falle des Grid Computing existiert eine dezentrale Kontrollinstanz, die häufig bei umfangreichen Untersuchungen in der genomischen Medizin zum Einsatz kommt.³⁹ Beim Cloud Computing hingegen ist die Kontrollinstanz zentral organisiert.⁴⁰ Somit lässt sich als Hauptunterscheidung erkennen, dass Cloud-Anwendungen zumeist durch Unternehmen im ökonomischen Interesse entwickelt werden und Grid Computing hauptsächlich in wissenschaftlichen Bereichen eingesetzt wird.⁴¹ Folglich gibt es durch die abweichenden Nutzungsbereiche auch Differenzen in Hinblick auf die Usability, das Geschäftsmodell und die Verbindungsstellen der Benutzer.

2.2.1.2 IT-Outsourcing vs. Cloud Computing:

Das IT-Outsourcing wird in der Wirtschaft als Vorreiter des Cloud Computing angesehen, da es die Entwicklung des On-Premise-Modells hin zum On-Demand-Modell angestoßen hat. Demnach handelt es sich bei Cloud Computing um eine hochentwickelte Form des IT-Outsourcing. Die Unterschiede zum klassischen IT-Outsourcing liegen neben dem unterschiedlichen Bereitstellungsmodell im Preismodell (Langzeitverträge vs. Pay-per-use), im Geschäftsmodell (One-Stop Provision vs. Schichtenmodell), in den zur Verfügung gestellten Ressourcen (physisch vs. Virtuell) und in dem Wertschöpfungsprozess (Wertschöpfungskette vs. Wertschöpfungsnetzwerk).⁴² Dies spiegelt sich auch in einer Veröffentlichung der Fraunhofer-Allianz zum Thema Cloud Computing wider, in der es heißt: „Was Cloud Computing von bisherigen Outsourcing-Modellen unterscheidet, ist die elastische Skalierung der Ressourcen und Dienste sowie die Abrechnung auf Basis der tatsächlichen Nutzung.“⁴³

2.2.2 Betriebsmodelle

Aus dem Sichtfeld einer Organisation kann aktuell zwischen Private, Public, Hybrid, Multi und Community Clouds differenziert werden. Jedes dieser Betriebsmodelle besitzt besondere Spezifikationen, die sich an den Anforderungen der Nutzer orientieren.

Bei der Verwendung einer Public Cloud teilen sich mehrere Nutzer dieselbe Infrastruktur bzw. physischen Ressourcen. Sie ist damit für einen beliebigen Kundenkreis erreichbar und richtet sich an die Öffentlichkeit als potentiellen Anwender. Folglich gibt es keine physische, sondern lediglich eine virtuelle Trennung der Aktionsräume der Verbraucher unterschiedlicher Organisationen.⁴⁴ Die Abrechnung erfolgt zumeist auf Subskriptionsbasis oder nach den tatsächlich genutzten Ressourcen innerhalb eines bestimmten Zeitraums.⁴⁵ Aufgrund der Begrenzung auf die physischen Ressourcen der Infrastruktur und der dynamischen Verteilung der Leistung an alle Nutzer spielen sogenannte Service-Level-Agreements (SLAs) eine zentrale Rolle. Man spricht hierbei von einer festgelegten Mindesterreichbarkeit, da der Service-Anbieter sowohl für die physischen Kapazitäten als auch für die Ressourcensteuerung keine Garantie ausspricht. Somit eignet sich die Public Cloud nur bedingt für den Betrieb von sicherheitskritischen oder unternehmenswichtigen Applikationen.⁴⁶

Im Gegensatz zur Public Cloud befindet sich eine Private Cloud ausschließlich im Kontrollbereich einer Organisationseinheit.⁴⁷ Die physische Hardware steht dem Nutzer exklusiv zur Verfügung, sodass lediglich vorab definierte Personen Kontrolle über den Zugriff auf die IT-Infrastruktur besitzen. Darüber hinaus existieren zwei unterschiedliche Nutzungsmodelle. Bei dem On-Premise-Modell werden die Infrastruktur sowie alle Services lokal durch die hauseigene IT betrieben, während bei einem Off-Premise-Modell der Betrieb dem Aufgabenbereich eines externen Anbieters unterliegt.⁴⁸ Letzteres wird auch Private Hosted Cloud genannt, welche insbesondere in Branchen mit regulatorischen Vorschriften zum Einsatz kommt. Trotz des Ziels der Kosteneinsparung betreiben auch heute viele Nutzer ihre Private-Cloud-Umgebung selbst mit der Folge einer reduzierten Abhängigkeit gegenüber Drittanbietern. Demnach liegt die Schwäche einer Private Cloud in der flexiblen Bereitstellung von Ressourcen und dem damit verbundenen Abfangen von Lastspitzen.⁴⁹ In solchen Fällen bedarf es des Konzepts der Hybrid Cloud.

Die Hybrid Cloud ist eine Mischform aus Public und Private Cloud. Dabei werden spezielle IT-Services in eine Public Cloud ausgelagert, sodass der Regelbetrieb in der Private Cloud ohne Beeinflussung erfolgen kann.⁵⁰ Dies ermöglicht Organisationen, ihre eigene Rechenleistung zu nutzen und bei Bedarf Rechenleistung an einen Cloud-Dienste-Anbieter auszulagern, was in der IT auch als Cloud Bursting bezeichnet wird. Die größte Herausforderung bei der Nutzung einer Hybrid-Cloud-Umgebung ist die Security- und Service-Integration, sodass zumeist nur unkritische Geschäftsapplikationen auf ihr betrieben werden.⁵¹

Neben der Hybrid Cloud existieren weitere Mischformen, wie die Community Cloud, welche für mehrere Organisationseinheiten zur Verfügung gestellt wird. Trotz alledem ist sie nur an eine regulierte Nutzergruppe adressiert und kann beispielsweise in Form einer branchen- oder regional begrenzten Cloud genutzt werden.⁵² Ein Beispiel hierfür ist eine Government Cloud, welche für verschiedene Behörden eines Landes gemeinsam genutzte Dienste zentral liefert.

2.2.3 Cloud Services

Auf Grundlage des allgemeinen Cloud-Computing-Modells lassen sich betriebswirtschaftliche Dienste, auch Cloud Services genannt, ableiten. Im Wesentlichen existieren drei Abstraktionsebenen (s. Kapitel 3.1), die nach den bereitgestellten Ressourcen und deren Abstraktionsgrad differenziert werden. Somit wird sowohl nach Art und Umfang der erbrachten Dienstleistung als auch nach den Anwendungsmöglichkeiten des Nutzers unterschieden.⁵³ Es findet eine Strukturierung der einzelnen Schichten (Cloud Stacks) nach dem Abstraktionsgrad statt, zu dem Zweck, dass ein höherer Dienst auf einen niedrigeren zurückgreifen kann. Folglich wird sich für die Realisierung eines neuen Dienstes eines bereits existierenden Dienstes bedient.⁵⁴

Infrastructure-as-a-Service: In der Grundform von Cloud Computing wird dem Cloud-Nutzer einzig eine IT-Infrastruktur bereitgestellt. Hierbei wird sich auf die dynamische Zuweisung von IT-Ressourcen (Speicher-, Prozessor- und Netzwerkkapazitäten) sowie Betriebssystemen fokussiert, die dem Nutzer auf Abruf zur Verfügung stehen.⁵⁵ Eine solche Infrastruktur verwendet man, wenn klassische Hardware den Anforderungen der Anwendungslandschaft nicht gerecht werden kann. Die IT-Ressourcen werden dabei nicht vom Anwender erworben, sondern vom IT-Dienstleister gemietet, damit die Kosten für den Erwerb von Rechenzentrumsinfrastruktur entfallen.⁵⁶ Der Nutzer geht dabei von einer uneingeschränkten Skalierbarkeit der Kapazitäten aus, da die Allokation der Ressourcen dynamisch und bedarfsgerecht erfolgt. Zur Sicherung eines getrennten sowie automatisierten Managements sowohl der physischen als auch virtuellen Ressourcen wird zwischen den zwei Service-Ebenen Physical Resource Set (PRS) und Virtual Resource Set (VRS) differenziert. Auf der ersten Ebene (PRS) wird ausschließlich Hardware zur Verfügung gestellt und auf der zweiten Ebene (VRS) werden sogenannte Hypervisor genutzt, die benötigt werden, um virtuelle Instanzen zu betreiben.⁵⁷

Platform-as-a-Service: Bei diesem Service werden primär Dienste wie standardisierte Schnittstellen und Basisplattformen bereitgestellt. Die Plattformdienste stehen dabei im engen Zusammenhang mit Softwarediensten, sind jedoch in erster Linie an System-Architekten und Anwendungsentwickler adressiert anstatt an Endbenutzer. Hierbei wird dem Nutzer keine komplett ausführbare Software offeriert, sondern er erhält Zugang zu sogenannten Programming Environments (PE) und Execution Environments (EE), die die Entwicklung von Software in spezifischen Programmiersprachen ermöglichen.⁵⁸ Demzufolge handelt es sich aus rein technischer Sicht um eine Erweiterung von Software-as-a-Service, die ihrem Nutzer mehr Freiheiten gewährleistet. Dieser Service umfasst die gesamte Softwareentwicklung in der Cloud und stärkt infolgedessen das starke Abhängigkeitsverhältnis zu den Anbietern.⁵⁹

Software-as-a-Service: Die höchste Abstraktionsschicht wird als Software-as-a-Service bezeichnet und versorgt den Endanwender mit standardisierten Anwendungen. Mithilfe der Cloud entfällt die lokale Software-Installation, da diese über das Internet vollzogen wird.⁶⁰ Aus diesem Grund benötigt der Anwender lediglich einen Internetzugang sowie einen Webbrowser für die Einrichtung der Applikation. Hinzu kommt, dass der Anwender angesichts der fortschrittlichen Technik eine desktopartige Anwendungserfahrung der Software erlebt, die jedoch aufgrund der Multi-Tenant-Architektur und der hohen Bereitstellungsrate eine Einschränkung der Anpassungs- und Integrationsmöglichkeiten mit sich bringt. Die Abrechnung für die Nutzung erfolgt oftmals nach dem „Pay-per-Use“ Prinzip, sodass lediglich tatsächlich genutzte Einheiten in Rechnung gestellt werden.

[...]

---

¹ Vgl. James Clavel 2006, S. 77

² Vgl. Michaeli, 2006, S. 3

³ Vgl. Kunze 2000, S. 107 ff.; Lux/Peske 2002, S. 45 f.

⁴ Vgl. Freibichler, 2006 S. 8 f.; Micheli, 2006; Romppel, 2006 S. 39 ff.; SCIP 2018

⁵ Vgl. Romppel, 2006, S. 42

⁶ Vgl. Kunze 2000 S. 110; Pfaff 2005, S. 27

⁷ Vgl. Pfaff 2005, S. 27 f.

⁸ Eigene Darstellung in Anlehnung an Pfaff 2005, S. 28

⁹ Vgl. Lux 2002, S. 47 ff.; Pfaff, 2005 S. 29; Knack 2006, S. 91

¹⁰ Vgl. Pfaff, 2005 S. 29 ff.

¹¹ Vgl. Michaeli, 2006, S. 3

¹² Vgl. Pfaff 2005, S. 50 f.; SCIP

¹³ Vgl. Freibichler 2006, S. 61 ff.

¹⁴ eigene Darstellung in Anlehnung an Pfaff 2005, S. 44

¹⁵ Vgl. Kunze 2000, S 76 ff.; Murphy 2005, S. 20

¹⁶ Vgl. Michaeli 2006, S. 140

¹⁷ Vgl. Kunze 2000, S. 78; Pfaff 2005, S. 74 f.

¹⁸ Vgl. Michaeli 2006, S. 75

¹⁹ Vgl. Lux 2005, S. 78

²⁰ Vgl. Blenkhorn 2002, S. 138

²¹ Vgl. Lux 2002, S. 79 f.

²² Vgl. Pepel, 2007, S. 916

²³ Vgl. Broda, 2006, S. 103 ff.

²⁴ Vgl. Pfaff 2005, S. 50 ff.

²⁵ Vgl. Michaeli 2006, S. 138

²⁶ Vgl. Michaeli 2006, S. 140

²⁷ Vgl. Pfaff 2005, S. 77 ff.

²⁸ Vgl. Michaeli 2006, S. 153 f.

²⁹ Vgl. Michaeli 2006, S. 154 ff.; Lux 2002, S. 81

³⁰ Vgl. Pfaff 2005, S. 100 ff.

³¹ Vgl. Sharp 2009, S. 54

³² Vgl. Chellappa 1997

³³ Vgl. Freytag-Lörringhof 2002; Rojas 1997, S. 5 ff.; Goldstine 1946, S. 97 ff.

³⁴ Vgl. Freiberger 2000, S. 206 ff.

³⁵ Vgl. Finch 2006; Benett 2000, S. 214 ff.; Foster 2003

³⁶ Vgl. Mell 2011, S. 1 f.

³⁷ Vgl. Weinhardt 2009, S. 453 ff.

³⁸ Eigene Darstellung in Anlehnung an Telekom & PAC 2012, S. 12

³⁹ Vgl. Kunze 2008, S. 12 f.; Sax 2007 S. 61

⁴⁰ Vgl. Kunze 2008, S. 15; Weinhardt 2009 S. 4 ff.

⁴¹ Vgl. Foster 2008, S. 12

⁴² Vgl. Böhm 2009, S. 9 f.; Buyya 2008, S. 4

⁴³ Vgl. Fraunhofer-Allianz 2011

⁴⁴ Vgl. Hilber 2014, 1A, Rn 16; Bedner 2013, S. 33

⁴⁵ Vgl. Cohen, 2009, S. 29 ff.

⁴⁶ Vgl. Reinsheimer 2017, S. 8

⁴⁷ Vgl. Brennscheidt 2013 S. 39

⁴⁸ Vgl. Hilber 2014, 1C, Rn. 13

⁴⁹ Vgl. Reinsheimer 2017, S. 9

⁵⁰ Vgl. Baun 2009, S. 6

⁵¹ Vgl. Lissen 2014, S. 37 ff.

⁵² Vgl. Bräuninger 2012, S. 8 ff.

⁵³ Vgl. Brennscheidt 2013, S. 23 f.; Hilber 2014, S. 24

⁵⁴ Vgl. Sirtl 2010, S.

⁵⁵ Vgl. Vaquero 2008, S. 12

⁵⁶ Vgl. Reinsheimer 2017, S. 10

⁵⁷ Vgl. Vaquero 2008, S. 13

⁵⁸ Vgl. Rittinghouse 2010, S. 20

⁵⁹ Vgl. Hilber 2014, 1A, Rn. 11; Brennscheidt 2013, S. 33; Jotzo 2014, S. 24; Bedner, 2013, S. 30

⁶⁰ Vgl. Youseff 2008, S. 3