Xing macht Datenanalyse 100fach schneller

20 BI-Systeme hat XINGXING in die Auswahl genommen, von denen dann fünf in die engere Wahl kamen und in einem Proof of Concept getestet wurden. Entschieden hat sich XING letztlich für ein System des auf BI spezialisierten Anbieters Exasol. Dabei ging es zwar vorrangig um die die Leistungsfähigkeit des Systems, aber es wurde auch die Performance relativ zum Preis mit einem TCOTCO auf fünf Jahre durchgerechnet. Überzeugt hat den BI-Chef auch der geringe Wartungsaufwand und die einfache Skalierbarkeit der Lösung. Alles zu TCO auf CIO.de Alles zu XING auf CIO.de

"Die Migration auf das neue BI-System und die Integration in unsere IT-Landschaft war nicht ganz einfach, da wir gleichzeitig Verbesserungen wie eine erweiterte Metadatenverwaltung und ein Austausch des ETL-Tools vorgenommen haben. Besonders die integrierte Projektplanung war insgesamt eine große Herausforderung", sagt Fricke. Nach gründlicher Planung und Vorbereitung dauerte es dennoch dauerte nur rund vier Wochen, bist das neue System in vollem Umfang einsatzbereit war.

10 Minuten statt 6 Stunden

Die rasant gestiegene Verarbeitungsgeschwindigkeit ist das Ergebnis mehrerer Optimierungs-Technologien, die sich die BI-Lösung zu Nutze macht. Für die Verarbeitung werden die Daten in komprimierter Form in den Hauptspeicher geladen, so dass bei lesenden Abfragen der langsamere Zugriff auf Festplatten völlig entfällt. Die In-Memory-Technologie sorgt in Zusammenhang mit dem von Exasol entwickelten Kompressions-Algorithmus nicht nur für eine schnellere Verarbeitung, sondern auch für eine effiziente Nutzung der Hardware.

Die Exasol-Lösung benötigt kein externes Speichermedium wie etwa ein SAN, sondern besteht ausschließlich Standard-x64-Hardware, die geclustert wird. Das Cluster bei Xing besteht derzeit aus zehn Knoten mit je zwei Quadcore-CPUs und ist nahezu beliebig ausbaubar.

Dabei ermittelt das Datenbanksystem selbständig die ideale Systemkonfiguration für die Verarbeitung und verteilt die Daten automatisch im Cluster, so dass die Hardware-Ressourcen immer optimal ausgeschöpft werden. Das System ist zudem "selbstlernend": Es passt sich an das Nutzerverhalten an, komprimiert Daten selbsttätig und legt Indizes an; ein Query-Optimizer sorgt für eine Optimierung der Abfragen im Hinblick auf die Verarbeitungsgeschwindigkeit.