High-Load-Low-Code-Plattform für Enterprise-Big-Data-Anwendungen

Über unseren Kunden

Unser Kunde ist ein Produktunternehmen, das eine Low-Code-Plattform der nächsten Generation für Enterprise-Umgebungen mit hohen Datenvolumen und komplexen Geschäftsprozessen entwickelt. Das Unternehmen konzentriert sich darauf, Organisationen dabei zu unterstützen, Geschäftsanwendungen schneller zu entwerfen, bereitzustellen und zu skalieren — bei gleichzeitig strenger Kontrolle über Performance, Datenintegrität und Infrastrukturkosten.

Ziel war die Entwicklung einer modellgetriebenen Plattform, die die Geschwindigkeit der Low-Code-Entwicklung mit den Möglichkeiten professioneller Engineering-Tools kombiniert. Die Plattform musste Echtzeitprozesse und sehr große Datenmengen verarbeiten können. Zudem sollte sie flexible Bereitstellungsmodelle sowohl On-Premise als auch in der Cloud unterstützen. Die Lösung wurde speziell für Unternehmen konzipiert, die eine schnelle Entwicklung von Anwendungen benötigen und gleichzeitig langfristige Skalierbarkeit sicherstellen müssen.

Herausforderungen

Der Kunde wollte eine Plattform entwickeln, die Workloads im Enterprise-Maßstab unterstützt. Damit das Produkt im realen Einsatz zuverlässig funktioniert, mussten jedoch mehrere technische Herausforderungen gelöst werden.

• Massive Datenmengen: Das System musste Milliarden von Datensätzen zuverlässig speichern und verarbeiten, ohne die Reaktionsgeschwindigkeit zu beeinträchtigen, die von einer Echtzeit-Geschäftsplattform erwartet wird.
• Heterogene Datenanforderungen: Es galt, strikte transaktionale Konsistenz für sensible Bereiche wie Finanzprozesse und Zugriffskontrolle mit der Flexibilität zu kombinieren, die für die Verarbeitung großer Mengen unstrukturierter Daten erforderlich ist.
• Balance zwischen Einfachheit und Leistungsfähigkeit: Die Plattform sollte einfach zu modellieren und zu konfigurieren bleiben und gleichzeitig fortgeschrittene Funktionen wie Skripting, Debugging und vollwertige Entwicklungstools bereitstellen.
• Optimierung von Cloud-Kosten und Performance: Der Kunde benötigte zudem einen Ansatz, der es ermöglicht, historische Daten in Cloud-Speicherebenen auszulagern, ohne die effiziente Ausführung analytischer Abfragen zu verlieren.

Hauptziele

• Entwicklerorientierte Modellierungswerkzeuge bereitstellen: Entwicklung einer Low-Code-Umgebung mit integrierter IDE und Debugger, damit Teams komplexe Geschäftslogik entwerfen und präzise anpassen können — über klassische Drag-and-Drop-Funktionen hinaus.
• Eine elastische Big-Data-Grundlage schaffen: Sicherstellung horizontaler Skalierbarkeit bis hin zu Milliarden von Datensätzen durch eine clusterfähige Architektur und automatisches Sharding.
• Die Frontend-Ebene automatisieren: Automatische Generierung von Benutzeroberflächen auf Basis von Datenschemata und Workflows, um Entwicklungszeiten deutlich zu verkürzen und die Produktauslieferung zu beschleunigen.
• Erweiterbare Geschäftslogik ermöglichen: Einführung einer proprietären domänenspezifischen Sprache, die fortgeschrittene Anpassungen erlaubt, ohne die Komplexität allgemeiner Programmiersprachen mitzubringen.

Projektübersicht

Im Rahmen des Projekts entwickelten wir eine hochlastfähige Low-Code-Modellierungsplattform für komplexe Enterprise-Anwendungen und sehr große Datenmengen.

Die Lösung basiert auf einer hybriden Architektur, die transaktionale und skalierbare Datenschichten voneinander trennt. Gleichzeitig ermöglicht eine Modellierungs-Engine Teams, Schemata, Workflows und Geschäftslogik zu definieren, aus denen automatisch Benutzeroberflächen generiert werden.

So verbindet die Plattform schnelle Anwendungsentwicklung mit Enterprise-tauglicher Performance, Flexibilität und Skalierbarkeit.

• Region: Global
• Branche: Enterprise-Software / Big Data
• Projekttyp: High-Load-Low-Code-Modellierungsplattform

Lösung

Im Ergebnis lieferten wir eine Enterprise-Low-Code-Modellierungsplattform, die für Hochlastumgebungen und Big-Data-Workloads ausgelegt ist. Die Lösung kombiniert eine modellgetriebene Architektur mit automatischer UI-Generierung, einer funktional orientierten High-Level-DSL mit integrierter IDE und Debugger sowie einem hybriden Speicheransatz. Dabei kommt MS SQL Server für transaktionale Daten zum Einsatz, MongoDB mit automatischem Sharding für großvolumige Datensätze und Cloud Storage für kosteneffiziente Analysen. So kann die Plattform auf Milliarden von Datensätzen skalieren und gleichzeitig Performance, Flexibilität und Wartbarkeit sicherstellen.

Hauptfunktionen

• Integrierte IDE und Debugger: Eine vollständige Entwicklungsumgebung zum Erstellen, Testen und Analysieren komplexer Geschäftslogik.
• Hybrider clusterfähiger Speicher: Automatisches Sharding in MongoDB kombiniert mit zuverlässiger Verwaltung transaktionaler Daten, Rollen und Finanzprozesse in MS SQL Server.
• Eingebettetes Skript / DSL: Eine flexible High-Level-Domänensprache, mit der fortgeschrittene Nutzer Geschäftslogik modellbasiert definieren können, ohne auf allgemeine Programmiersprachen angewiesen zu sein.
• Automatische UI-Generierung: Dynamische Erstellung von Benutzeroberflächen auf Basis von Datenschemata und Workflows, was die Anwendungsentwicklung deutlich beschleunigt. Im Unterschied zu vielen bestehenden Lösungen erzeugt die Plattform eine moderne, funktionsreiche Weboberfläche auf Basis von ExtJS und/oder React — mit Enterprise-Komponenten wie Tree Grids, Tabellen, Diagrammen und interaktiven Grafiken.
• Cloud-Data-Lake-Integration: Unterstützung von AWS S3 und Google Cloud Storage mit SQL-basierten Abfragen von JSON- und Parquet-Datensätzen über AWS Athena. Ebenfalls unterstützt werden externe REST-JSON- und WebServices-APIs sowie der Datenimport aus verschiedenen Cloud-Quellen wie Dropbox, Google Drive und OneDrive.
• Workflow Engine: Integrierte Funktionen zur Definition und Ausführung komplexer Geschäftsprozesse.

Technologie-Stack

• Kernmodellierung: Low-Code-Modellierungs-Engine / DSL
• Entwicklungswerkzeuge: Integrierte IDE und Logik-Debugger
• Relationale Datenbank: MS SQL Server für Nutzer, Berechtigungen und Finanzdaten
• NoSQL / Big Data: MongoDB mit automatischem Sharding
• Cloud-Speicherung: AWS S3, Google Cloud Storage (GCS)
• Analytics Engine: AWS Athena für Abfragen von Parquet- und JSON-Daten
• Datenformate: JSON, Apache Parquet

Kernteam

• Platform Architects: Entwarfen die verteilte Systemarchitektur und definierten den hybriden Speicheransatz, der relationale und NoSQL-Technologien kombiniert.
• Language & Compiler Engineers: Entwickelten die Embedded-Script-DSL sowie die zugehörige IDE und Debugging-Funktionen.
• Database Engineers: Implementierten und optimierten MongoDB-Sharding-Strategien sowie die Performance von MS SQL Server für transaktionale Workloads.
• UI/UX Framework Developers: Entwickelten die Engine für die automatische UI-Generierung und eine konsistente Nutzererfahrung über verschiedene Anwendungen hinweg.
• Cloud & Data Engineers: Verwalteten Cloud-Integrationen, Datenpipelines und Speicherschichten in AWS-/GCP-Umgebungen sowie in der Data-Lake-Infrastruktur.