21 Juli 2025
ANWENDUNGSFALL – Analytische Transformation in der Cloud: Leistung, Skalierbarkeit und Sicherheit im großen Maßstab
ANWENDUNGSFALL – Analytische Transformation in der Cloud: Leistung, Skalierbarkeit und Sicherheit im großen Maßstab
Herausforderung
Im Zuge der digitalen Transformation und der Notwendigkeit, seine Analyseplattform zu modernisieren, suchte ein Finanzinstitut nach einer cloudbasierten Analyselösung, um sein bisheriges System, das auf Oracle Exadata und MicroStrategy basierte, abzulösen. Die neue Lösung musste extrem hohe Datenmengen – etwa 2,6 Milliarden Transaktionen pro Jahr – verarbeiten und gleichzeitig hohe Leistung, strenge Sicherheitsstandards sowie die Möglichkeit zum sicheren Datenaustausch mit externen Stellen gewährleisten.
Diese Initiative beinhaltete zwei wesentliche Herausforderungen. Die erste bestand in der Entwicklung eines völlig neuen Analysemodells namens „Neighbourhoods“, das den Kunden der Institution bislang nicht zur Verfügung stand und gezielt zur Unterstützung kommunaler und regionaler Einrichtungen konzipiert wurde. Die zweite Herausforderung war die Migration des bestehenden „Banks“-Modells von einer On-Premises-Infrastruktur in eine cloudbasierte Version, die skalierbarer und nachhaltiger ist – bei gleichzeitiger Wahrung der komplexen Geschäftslogik und Überwindung der technologischen Einschränkungen des bisherigen Systems.
Beide Modelle erforderten strenge Sicherheitsmaßnahmen, ein optimiertes Leistungsdesign und eine Visualisierung innerhalb einer einheitlichen Benutzeroberfläche – mit besonderem Fokus auf Zugriffsverwaltung, Skalierbarkeit und Reaktionszeiten.
Lösung
BI4ALL entwarf und implementierte eine Lösung auf Basis moderner Cloud-Technologien. Die Architektur umfasst Databricks als Plattform für die Datenverarbeitung und zur Vorbereitung analytischer Modelle sowie Power BI Embedded als Visualisierungstool, integriert in ein benutzerdefiniertes Webportal. Die Lösung beinhaltet zudem hybride Analysemodelle, die DirectQuery- und Import-Modi kombinieren und durch optimierte Aggregationen eine hohe Leistung gewährleisten.
Hinsichtlich der Sicherheit wurden erweiterte Richtlinien umgesetzt, darunter Row-Level Security (RLS) für beide Modelle sowie Object-Level Security (OLS) im Bankenmodell. Um den strengen Anforderungen an Datenschutz und Datensicherheit gerecht zu werden, verfügen beide Modelle über Mechanismen zur Anonymisierung in Echtzeit, die Vertraulichkeit selbst auf der detailliertesten Ebene sicherstellen.
Nachbarschaftsmodell
Dies war das erste Mal, dass die Institution ein analytisches Modell für kommunale Zwecke zur Verfügung stellte. Das Nachbarschaftsmodell ermöglicht die Analyse des Konsumverhaltens nach Gemeinde, Stadt und umliegenden geografischen Gebieten – und deckt lokale Trends, zeitliche Muster sowie relevante Segmentierungen auf. Es dient der Unterstützung kommunaler Strategien, des lokalen Handels und des Tourismus.
Das Modell stellte erhebliche Anforderungen an die Leistung, da es als erstes implementiert wurde und mit äußerst detaillierten Daten arbeitete (Kombination aus Geografie, Zeit, Verbrauchskategorie, Kanal u. a.). Im Projektverlauf konnte die Reaktionszeit von der ersten Version bis zur finalen Veröffentlichung um 90 % reduziert werden.
Bankenmodell
Im Gegensatz zum vorherigen Modell existierte das Bankenmodell bereits in der On-Premises-Umgebung – allerdings mit komplexen, schwer wartbaren Regeln, eingeschränkter Skalierbarkeit und unzureichender Integration externer Kanäle. Die Migration in die Cloud ermöglichte eine sauberere und robustere Architektur, die mehr Flexibilität und Skalierbarkeit bietet und die Infrastrukturkosten von Investitionsausgaben (CAPEX) auf Betriebsausgaben (OPEX) verlagert.
Dieses Modell analysiert das Konsumverhalten von Kunden portugiesischer Banken, mit Filtermöglichkeiten nach Kanal, Region, Zeit und Kategorie. Es unterstützt die strategische Entscheidungsfindung von Bankpartnern. Die Sicherheitsebene ist besonders hoch: RLS und OLS stellen sicher, dass jede Einheit nur Zugriff auf autorisierte Daten hat.
Vorteile
Die neue Lösung brachte erhebliche Leistungsverbesserungen mit sich, darunter um 90 % schnellere Ladezeiten von Berichten im Nachbarschaftsmodell. Durch die Umstellung auf eine native Cloud-Architektur gewann die Plattform zudem an Skalierbarkeit und ermöglichte eine vereinfachte Wartung – wodurch die Institution effizienter auf wachsende Datenanforderungen und betriebliche Bedürfnisse reagieren kann.
Darüber hinaus gewährleistet die Lösung die vollständige Einhaltung strenger Sicherheits- und regulatorischer Anforderungen durch ausgefeilte Zugriffskontrollmechanismen. Sie unterstützt zudem die sichere Weitergabe von Erkenntnissen an externe Stellen innerhalb eines stabilen B2B-Rahmens und integriert sich nahtlos in ein benutzerfreundliches Webportal, das eine einheitliche und intuitive Nutzererfahrung bietet.
Praktische Anwendungen
-
Über 7,8 Milliarden historische Datensätze wurden verarbeitet, um die Analysemodelle mit Daten zu versorgen
-
Erwartet werden Dutzende externe Nutzer pro Monat (Kommunen und Finanzinstitute)
-
Ladezeiten der Berichtsseiten wurden bei den anspruchsvollsten Anfragen von mehreren Minuten auf unter 15 Sekunden reduziert
-
Eine Kommune kann das Nachbarschaftsmodell nutzen, um ihre Finanzpolitik anzupassen oder anhand lokaler Konsumtrends optimale Standorte für Veranstaltungen zu ermitteln
-
Eine Bank kann Transaktionsvolumina nach Kanal und Zeitraum mit Marketingkampagnen abgleichen, um die Zuweisung von Zahlungsterminals oder kommerzielle Strategien nahezu in Echtzeit zu optimieren
Beispiele
Ein Finanzinstitut stand im Rahmen seiner digitalen Transformation vor der Aufgabe, seine Analyseplattform zu modernisieren. Daher entschied sich die Organisation, bestehende On-Premises-Modelle in die Cloud zu migrieren, um sie skalierbarer und nachhaltiger zu gestalten.
Die neue Plattform vereint optimierte Leistung, eine einheitliche Visualisierung sowie fortschrittliche Sicherheitsrichtlinien. Dadurch konnten kürzere Reaktionszeiten, ein kontrollierter Informationsaustausch mit externen Stellen und eine Echtzeit-Anonymisierung von Daten sichergestellt werden. Heute profitiert das Institut von einer robusten, sicheren und hoch skalierbaren Lösung, die die strategische Entscheidungsfindung wirkungsvoll unterstützt.
