Andreas Elsener von FirmTec Solutions erklärt, was ihn an Performance Engineering fasziniert, warum er bei der Datenanalyse auf Azure Synapse Analytics setzt und wie er die Zukunft der Datenanalyse sieht.
Angereichertes Transkript vom Video:
Hallo Andi! Stell dich bitte kurz vor.
Ich bin Andreas Elsner. Ich bin Performance Engineer bei FirmTech und arbeite seit mehr als 15 Jahren an diesem Thema. Aktuell arbeite ich an Zahlungsverkehrs-Systemen und optimiere da die Performance, im Speziellen SIC5 Instant Payment.
Was fasziniert dich an Performance Engineering?
Im Performance Engineering produzieren wir Berge von Daten. Mich fasziniert die Analyse dieser Daten, weil ich damit zeigen kann, wo ein System zu langsam ist und wo es Optimierungen braucht.
Du hast kürzlich von einer Neuigkeit für die Datenanalyse erzählt. Was ist das konkret?
Für die Datenanalyse setzen wir aktuell auf Azure Synapse Analytics. Das hat von mir aus gesehen ein enormes Potential.
Warum?
Im Zahlungsverkehr gibt es extrem viele Einzelmeldungen, die zwischen den verschiedenen Systemen meist asynchron hin und her geschickt werden. Standardwerkzeuge sind da schnell mal überfordert.
Loganalyse-Werkzeuge helfen hier. Die Schwierigkeit bleibt die Menge der Daten. Das bedeutet je nach dem hohe Lizenzkosten oder eine miserable Performance für die Analyse.
Mit Synapse Analytics kann ich die einfach in Transaktionen bündeln und anschliessend die Transaktionszeiten auswerten.
In Synapse können wir aus den Millionen von Einzelmeldungen die zusammengehörenden Daten in Transaktionen bündeln, die verbrauchte Zeit den entsprechenden Systemen zuordnen und die Daten visualisieren. Das Coole daran ist, wir können unsere Ergebnisse und Resultate den Entwicklern oder im Projektteam als Dashboard zur Verfügung stellen.
Wie siehst du die Zukunft der Datenanalyse?
Ich sehe drei Punkte: Self-Service, Automatisierung und Machine Learning.
1. Self-Service:
Aktuell hat ein riesiger Schritt in Richtung Self-Service stattgefunden. Mit Synapse haben wir die Daten in der Hand und können sie selber analysieren. Wir können so Engpässe flexibler und vor alle schneller identifizieren.
2. Automatisierung:
Wiederkehrende Analysearbeiten können in Synapse Analytics in Pipelines automatisiert werden. Da können wir unsere Abfragen wiederholt zeitgesteuert ausführen.
3. Machine Learning.
Machine Learning heisst, dass wir in der Pipeline unsere Analyse erweitern können um Machine Learning Features. Das ist ein generischer Baukasten, der massgeschneidert auf ein Szenario oder Problem in die Pipeline eingebaut und eingesetzt werden kann. Basierend auf den Daten können mit Machine-Learning- und KI-Modulen statistische Muster oder auch Engpässe gesucht werden. Damit ist das viel mehr als einfach nur ein KI-Feature eines Tools. Das hat für zukünftige Daten- und Performance-Analysen ein unheimliches Potenzial.
Vielen Dank, Andi!
Hier geht es zu unserem LinkedIn-Beitrag.
Lesen Sie einen weiteren interessanten Artikel zu
Wenn die Cloud-Kosten explodieren – was nun?
Cloud-Transformationen sind gerade voll im Trend. Dies mit dem Ziel, Betriebskosten zu sparen. Was aber, wenn die Kosten mit Cloud steigen?
