Real-Time Analytics: Definition, Abgrenzung, Beispiel

Real-Time Analytics (Echtzeitanalyse) bezeichnet die Auswertung von Daten mit sehr kurzer Verzögerung (Latenz) von Millisekunden bis wenigen Sekunden, direkt beim oder unmittelbar nach dem Auftreten eines Ereignisses. Ziel ist ein Ergebnis, das im laufenden Prozess noch nutzbar ist: eine Entscheidung, eine Warnmeldung oder eine aktualisierte Kennzahl.

Was ist Real-Time Analytics?

Real-Time Analytics ist ein Ziel für die Verzögerung (Latenz), kein Verarbeitungsverfahren. Der Begriff beschreibt, wie schnell ein Auswertungsergebnis nach dem auslösenden Ereignis vorliegen muss, nicht wie die Verarbeitung technisch abläuft. Die Grenze zum Nachbarbegriff Near-Real-Time (Fast-Echtzeit) verläuft an der Toleranz des jeweiligen Anwendungsfalls: Eine Risikobewertung für eine Kartenzahlung (Betrugs-Score) muss unter 200 Millisekunden vorliegen, damit die Zahlung noch blockiert werden kann; ein Dashboard für den laufenden Betrieb verträgt einige Sekunden.

Der Begriff hat an Gewicht gewonnen, weil kontinuierliche Ereignisquellen zunehmen: IoT-Sensorik, Klickströme, Zahlungstransaktionen, Log-Daten und [Change Data Capture](/insights/glossar/change-data-capture/) aus operativen Datenbanken erzeugen laufend Ereignisse. Für Fragen, deren Wert mit der Zeit verfällt, reicht die intervallbasierte Batch-Analytik nicht mehr aus.

Technisch stützt sich Real-Time Analytics auf eine Kette aus Ingest, Verarbeitung und Auswertung. Die Ereignisse laufen über einen Message-Broker wie [Apache Kafka](https://kafka.apache.org/documentation/), Amazon Kinesis oder Azure Event Hubs. Eine Stream-Processing-Engine wie [Apache Spark Structured Streaming](https://spark.apache.org/docs/latest/structured-streaming-programming-guide.html) oder [Apache Flink](https://flink.apache.org/) übernimmt Transformationen, Fenster-Aggregate und zustandsbehaftete Operationen; ein State-Store hält Zwischenzustände. Die Ergebnisse landen in einer OLAP-Engine mit Streaming-Ingest (Apache Druid, Apache Pinot oder [ClickHouse](https://clickhouse.com/docs)), in einer materialisierten Sicht oder direkt in einem Real-Time-Dashboard oder Alerting-System.

Abgrenzung: Batch, Near-Real-Time, Streaming Analytics und Operational Analytics

Real-Time Analytics wird häufig mit benachbarten Begriffen verwechselt. Der zentrale Unterschied liegt entweder in der Latenz-Klasse oder in der Perspektive (Modell versus Ziel versus Konsument).

Begriff	Verhältnis zu Real-Time Analytics
Batch-Analytik	periodische Verarbeitung endlicher Datenmengen (Stunden bis Tage); das Gegenmodell zur ereignisnahen Auswertung
Near-Real-Time Analytics	gleicher Aufbau, andere Latenz-Klasse (Sekunden bis Minuten); passt für Dashboards ohne harte Reaktionsfrist
Streaming Analytics	benennt das Verarbeitungsmodell (kontinuierliche Verarbeitung auf Streams); ein Streaming-Job kann mit hoher Latenz laufen und wäre dann kein Real-Time-System
Operational Analytics	fokussiert die Rückführung analytischer Ergebnisse in operative Systeme (Reverse ETL, Embedded Analytics); Latenz ist frei wählbar
Complex Event Processing	Muster-Erkennung auf Ereignisströmen (Sequenzen, Korrelationen, Abwesenheiten); ein Anwendungsfall innerhalb von Real-Time Analytics, keine Alternative

Beispiel: Betrugserkennung im Zahlungsverkehr

Ein typischer Aufbau in der Betrugserkennung verarbeitet den Zahlungsstrom eines Payment-Service-Providers. Zahlungsereignisse laufen über ein Kafka-Topic in eine Stream-Processing-Engine, die pro Karte gleitende Fenster über Häufigkeit, Betrag und geografische Distanz führt. Ein Modell berechnet den Score unter 200 Millisekunden; das Ergebnis entscheidet, ob die Transaktion durchgelassen, für eine zweite Freigabe angehalten oder blockiert wird.

Neben der Betrugserkennung verbreitet sind Real-Time-Dashboards auf einer OLAP-Engine mit Streaming-Ingest (Druid, Pinot, ClickHouse) für Betriebs-Kennzahlen im Sekunden-Refresh, IoT-Monitoring mit Alerts auf Sensorwerten, algorithmisches Trading und Order-Routing sowie Personalisierung im Nutzungs-Kontext, bei der die Empfehlung für die nächste Interaktion innerhalb der laufenden Session berechnet werden muss.