Teradata erhält weitere Bestnoten für Data Warehouse und Analytics Gartner reicht das Sahnehäubchen nach

Anbieter zum Thema

FNT GmbH

Teradata GmbH

Die Analysten von Gartner haben ihren „Magischen Quadranten“ zu Data Warehouse und Analytics vom Februar ergänzt. In allen vier neuen Kategorien gingen die Bestnoten an Teradata. Diesmal war die Erhebungsmethode anbieterfreundlicher.

Schon am ursprünglichen Gartner-Report vom Februar 2015 dürfte Teradata kaum etwas zu monieren gehabt haben. Der „Magic Quadrant for Data Warehouse and Data Management Solutions for Analytics“ sah das Unternehmen auf der idealen Position: weit rechts oben, insgesamt besser positioniert als die anderen „Leader“ Oracle, IBM, Microsoft, SAP und HP.

Zusätzliche Leistungsmerkmale bewertet

Jetzt hat Gartner nachgelegt und den Report „Critical Capabilities for Data Warehouse and Data Management Solutions for Analytics“, also eine Erweiterung der Februar-Analyse, vorgelegt. Anders als bei diessem Report sind im aktuelleren Bericht nicht nur Bewertungen von Anwendern, sondern auch Herstellerangaben eingeflossen. Darin bewertet Gartner die zehn wichtigsten funktionalen Leistungsmerkmale die für vier Szenarien benötigt werden:

Traditional Data Warehouse

Bei diesem Szenario geht es um das Management von historischen Daten, die aus verschiedenen strukturierten Quellen stammen. Die Daten werden vor allem durch Massen- und Batch-Import geladen. Das „traditionelle“ Data Warehouse kann große Datenmengen verarbeiten und wird insbesondere für Standard-Reports und Dashboards eingesetzt. In geringerem Maß wird es auch für selbstgeschriebene Queries und Data Mining oder operationale Abfragen genutzt. Angesichts der gemischten Workload-Funktionen für Abfragen und unterschiedliche Nutzer-Skills erfordert es hohe Kapazitäten für Systemverfügbarkeit, Administration und Management.

Operational Data Warehouse

Dieses Szenario managt strukturierte Daten, die zur Unterstützung von integrierten Analytics in Applikationen, Echtzeit-Data-Warehouses und operationalen Datenspeichern kontinuierlich geladen werden. Es unterstützt vor allem das Reporting und automatische Abfragen für operationale Anforderungen und verlangt deshalb eine hohe Verfügbarkeit und Desaster-Recovery-Funktionalität. Das Managen verschiedener Arten von Nutzern oder Workloads, wie Ad-hoc-Abfragen und Data Mining, ist hier weniger wichtig, da es vor allem auf hohe operationale Leistung ankommt.

Logical Data Warehouse

Dieses Szenario erfordert das Managen von Datenvielfalt und Datenmengen sowohl von strukturierten Daten als auch von anderen Datentypen, wie Maschinendaten, Textdokumente, Bilder und Videos. Das Managen der großen Datenmengen, die mit diesen Content-Typen einhergehen können, ist ein wichtiges Kriterium. Ein „logisches“ Data Warehouse muss außerdem unterschiedlichste Query-Anforderungen erfüllen und verschiedene Nutzer-Skills unterstützen. Dieses Szenario betrachtet auch Queries, die über das Datenbank-Managementsystem des Data Warehouse hinaus weitere Quellen einbeziehen.

Context-Independent Data Warehouse

Dieses Szenario arbeitet mit neuen Datenwerten, neuen Datentypen und neuen Beziehungen. Es unterstützt Suchen, Graph und andere erweiterte Funktionen für neue Informationsmodelle. Das Szenario wird vor allem für selbstgeschriebene Queries genutzt, die das Forecasting, Predictive Modeling und andere Arten des Data Mining unterstützen, sowie für Queries über multiple Datentypen und Quellen hinweg. Operationale Anforderungen gibt es nicht, und es werden fortgeschrittene Nutzer wie Data Scientists oder Business Analysts bevorzugt, die selbstgeschriebene Queries auch über multiple Datentypen durchführen.

Teradata hat in allen vier Szenarien von Gartner die besten Bewertungen erhalten. Unter 15 weiteren berücksichtigten Anbietern haben ansonsten vor allem IBM, Exasol, Oracle, HP und MapR gute Noten erhalten.

* Ludger Schmitz ist freiberuflicher Journalist in Kelheim.

(ID:43442294)