Proprietär oder Open Source: Kein Entweder-oder
Proprietär oder offen, kommerziell oder Open Source – das ist seit Langem eine Gretchenfrage der IT. Auch an der Bewertung von Analytics-Software ist diese Diskussion nicht vorbeigegangen.
Allerdings ist es falsch, beim Thema Offenheit einfach nur an Open Source zu denken. Offenheit im Sinne einer flexibel gestaltbaren, agilen IT-Infrastruktur ist mehr als nur frei zugänglicher Quellcode. Sie geht viel weiter.
Offenheit ist letztlich die Eigenschaft, die ich von einer Software erwarte, mit der ich knifflige und betriebswirtschaftlich relevante Analytics-Probleme lösen will. Offen heißt in dem Sinne: zugänglich. Unverschlossen. Bereit, von jedem genutzt zu werden.
Diese Offenheit sollte sich daher auf sämtliche analytischen Probleme, Nutzer, Kompetenzen, Unternehmensgrößen, Datenvolumen und IT-Umgebungen beziehen. Nur wenn jede erdenkliche Datenquelle eingebunden wird, ist es möglich, auch neuere technologische Entwicklungen wie Hadoop oder die Cloud einzubeziehen.
Und nur wenn sich externe Systeme auch funktional integrieren lassen, kommen Unternehmen zu der analytischen Agilität, die sie in Zukunft brauchen.
Vor diesem Hintergrund löst sich die Grundsatzdiskussion „kommerziell oder Open Source“ schnell in Luft auf. Denn abgesehen von der Frage nach den Vollkosten der einen oder der anderen Lösung, über die sich weiter trefflich streiten lassen wird, geht es in erster Linie ganz pragmatisch darum, die richtigen Funktionalitäten, die richtige Teilanwendung, das richtige Stück Code im richtigen Moment an der richtigen Stelle zu haben.
Ob das aus kommerzieller Software stammt, Open Source ist oder eine Mischung aus beidem, ist dem Unternehmen in dem Moment gar nicht so wichtig. Insofern ist es ratsam für kommerzielle Softwareanbieter, Open-Source-Komponenten in die eigene Plattform zu integrieren und einen nahtlosen Austausch mit allen gängigen Systemen und Formaten zu ermöglichen.
Und mehr noch: Im Gegenzug muss es auch möglich sein, Elemente aus der kommerziellen Software in Open-Source-Umgebungen zu integrieren. Für viele sieht das nach einem Kulturbruch aus.
Und genau: Immer dort, wo höchste Agilität gefordert ist, wo Innovation stattfindet, wo Analytics der Motor der Digitalisierung ist, wird die Kombination aus Open Source und kommerziellen analytischen Plattformen undogmatisch und ohne Blick auf Etiketten umgesetzt werden.
Herstelleralgorithmen einbinden
In diesem Zusammenspiel werden kommerzielle Angebote weiterhin Ausgangspunkt und analytische Zentrale der meisten Architekturen bilden. Sie sichern die nachhaltige Verankerung einer analytischen Kultur im Unternehmen.
Beständigkeit (zukunftssichere Investitionen durch Kompatibilität und cloudorientierte Architekturen), Deployment (das analytische Modell in die Produktion überführen) und Governance (nachvollziehbare und reproduzierbare Datenverarbeitungsprozesse) sind Eigenschaften, die solche analytischen Ökosysteme mitbringen müssen.
Wie die Zukunft des Miteinanders und Nebeneinanders von Open Source und kommerzieller Software aussieht? So könnte es gehen: Ein Online-Service wurde im Wesentlichen mit Python erstellt, Open Source also.
Möchten die Entwickler den Nutzern jetzt bessere, also passendere Vorschläge liefern, dann können sie dazu Machine-Learning-Algorithmen eines kommerziellen Softwareherstellers nutzen.
So etwas funktioniert heute schon mit der SAS-Viya-Plattform, die auf diesen neuen Bedarf an Offenheit und Dynamik ausgerichtet ist. Dafür brauchen wir einen vorurteilsfreien Austausch zwischen Softwareunternehmen und Open-Source-Communitys.
Immer wieder auf den vermeintlichen Schwächen des anderen herumzureiten ist keine konstruktive Lösung. Es gilt, die jeweiligen Stärken zu bündeln. Die Kunden haben sich längst dafür entschieden.
