Ein kurzer \u00dcberblick \u00fcber ETL<\/strong><\/h2>\nExtrahieren, Laden, Transformieren (ETL) braucht kaum eine Einf\u00fchrung. Diese in den 1970er Jahren entwickelte Technologie wurde eingesetzt, um Daten aus verschiedenen Quellen zusammenzuf\u00fchren. Die wichtigsten Ma\u00dfnahmen sind:<\/p>\n
Extrahieren: <\/strong>Ableiten, Kopieren oder Herausziehen von Daten aus einer Systemquelle<\/p>\nTransformieren: <\/strong>Neuformatierung der Daten f\u00fcr die Verwendung in einem neuen System<\/p>\nLaden: <\/strong>Eingabe von Daten in das neue System<\/p>\n![\"Illustration](\"https:\/\/d33wubrfki0l68.cloudfront.net\/73f464eaeb06d40e6d7efedb55892af06b7bcf11\/da0b2\/images\/illustrations\/asset-etl-traditional.png\")
Quelle: Stitch Data<\/figcaption><\/figure>\nETL-L\u00f6sungen halfen Unternehmen bei der Konsolidierung von Daten aus verschiedenen Quellen, vor allem in den 1980er und 90er Jahren, als Data Warehousing popul\u00e4r wurde. ETL wurde verwendet, um Daten aus verschiedenen Systemen – Mainframes, PCs, Tabellenkalkulationen usw. – in eine Datenbank zu integrieren. Das Problem? Mit der zunehmenden Komplexit\u00e4t der Daten begannen die Unternehmen, verschiedene ETL-Tools f\u00fcr die Verwaltung unterschiedlicher Arten von Data Warehouses einzusetzen.<\/p>\n
Im Laufe der Zeit wurden die Datenformate, Systeme und Quellen immer komplexer und umfangreicher, so dass die traditionellen ETL-Methoden nicht mehr ausreichten. Obwohl der grundlegende ETL-Prozess nach wie vor eine Kernkomponente des Daten\u00f6kosystems ist, haben seine Herausforderungen zu neueren Ans\u00e4tzen und Prozessen gef\u00fchrt.<\/p>\n
Herausforderungen mit ETL: <\/strong><\/h2>\nEin typisches ETL-System ist effizient, wenn die Daten strukturiert und stapelorientiert sind und regelm\u00e4\u00dfig aktualisiert werden. Bei zeitkritischen Datenstr\u00f6men neigen ETL-Systeme jedoch dazu, ins Stocken zu geraten, es sei denn, das System wird durch individuelle Programmierung optimiert. Selbst dann wird ein ETL-System in einer Echtzeitumgebung mit den Anforderungen einer niedrigen Latenzzeit und einer hohen Verf\u00fcgbarkeit konfrontiert sein.<\/p>\n
Der ETL-Prozess selbst wurde immer komplexer, da die Datenformate zunahmen und mehrere Skripte und APIs f\u00fcr jedes Format erforderlich waren, um die Daten zu analysieren. Wenn also keine kompatiblen APIs oder Treiber verf\u00fcgbar waren, mussten ETL-Spezialisten einen ETL-Prozess speziell programmieren – eine m\u00fchsame Aufgabe, wenn man bedenkt, dass eine Datenquelle eines durchschnittlichen Unternehmens Millionen von Datenzeilen umfasst.<\/p>\n
Obwohl es auf dem Markt viele kommerziell erh\u00e4ltliche ETL-Tools gibt, die in der Lage sind, komplexe Daten zu verarbeiten und ETL-Herausforderungen zu \u00fcberwinden, ist immer noch eine erhebliche Lernkurve und zus\u00e4tzliche Prozessimplementierung erforderlich, um Daten nutzbar zu machen.<\/p>\n
Gibt L\u00f6sungen zur Datenaufbereitung ein.<\/p>\n
Was ist Datenvorbereitung und wie unterscheidet sie sich von ETL? <\/strong><\/h2>\nETL und Datenaufbereitung werden oft als ein Prozess verwechselt. Zwar ist daran etwas Wahres dran, da die Datenvorbereitung den Prozess der Datenextraktion und -umwandlung und die L\u00f6sung derselben Probleme beinhaltet, doch gibt es bestimmte Merkmale, die die Datenvorbereitung zu einer flexibleren Methode als ETL machen.<\/p>\n
DieDatenaufbereitung<\/a> kann als Prozess der „Vorbereitung“ oder Vorbereitung von Daten f\u00fcr die Analyse und Berichterstattung beschrieben werden. Obwohl es dem ETL \u00e4hnelt, handelt es sich um eine visuelle, benutzerfreundliche Selbstbedienungsl\u00f6sung, die dem Gesch\u00e4ftsanwender die M\u00f6glichkeit gibt, Daten aufzubereiten, im Gegensatz zum ETL, das in erster Linie ein IT-Prozess war, der ausschlie\u00dflich von der IT-Abteilung durchgef\u00fchrt wurde.<\/p>\nLaut Jon Pikington von Dataversity<\/a> ist die Datenaufbereitung,
\n„die Technologie, die es Administratoren erm\u00f6glicht, durch Datenqualit\u00e4t und Datenzugriff schnellere und bessere Entscheidungen zu treffen“. <\/em>
\n<\/strong><\/p>\nUnternehmen nutzen die Datenaufbereitung, um:<\/p>\n
\n- Gesch\u00e4ftsanwendern die Aufbereitung ihrer Daten entsprechend den Analyseanforderungen zu erleichtern<\/li>\n
- Entlastung der IT-Abteilung und Automatisierung der Datenaufbereitung<\/li>\n
- Komplexe Daten sinnvoll nutzen<\/li>\n
- Abgleichen, Konsolidieren, Bereinigen und Beheben von Datenproblemen ohne technische oder programmiertechnische Kenntnisse.<\/li>\n<\/ul>\n
ETL ist zwar ein technischer Prozess, der zum Verschieben von Daten eingesetzt wird, doch fehlen ihm die zus\u00e4tzlichen Funktionen, die Datenaufbereitungsl\u00f6sungen in der Regel bieten. Zu den wichtigsten Vorteilen der Datenaufbereitung geh\u00f6ren:<\/p>\n
\n- Daten werden von denjenigen aufbereitet, die sie am besten kennen <\/strong><\/li>\n<\/ol>\n
Der Hauptvorteil der Datenaufbereitung besteht darin, dass die Daten von den Gesch\u00e4ftsanwendern aufbereitet werden k\u00f6nnen, die sie am besten kennen. Gesch\u00e4ftsanwender in der Marketingabteilung k\u00f6nnen beispielsweise ein Datenaufbereitungstool verwenden, um ihre aktivsten Social-Media-Nutzer zu ermitteln, was, wenn es der IT-Abteilung \u00fcberlassen bliebe, keine genauen Ergebnisse liefern w\u00fcrde. Daten sind mehr als nur Zahlen und Text – jedem Datensatz ist ein Kontext inh\u00e4rent, der nur von den Personen verstanden und identifiziert werden kann, die diese Daten verwenden werden.<\/p>\n
\n- Vereinfachung der pr\u00e4diktiven Analyse <\/strong><\/li>\n<\/ol>\n
Die pr\u00e4diktive Analyse bezieht sich auf den Prozess der Vorhersage des Verhaltens und der Erwartungen von Entit\u00e4ten (Kunden) durch die Untersuchung oder Analyse von aktuellen Datens\u00e4tzen. Unternehmen m\u00fcssen mehrere Datenquellen wie soziale Medien, Online-Umfragen, Kaufverhalten, Kaufhistorie, Tickethistorie usw. abgleichen, um sich ein Bild von ihrer Zielgruppe zu machen und so Vorhersagen treffen zu k\u00f6nnen.<\/p>\n
ETL erm\u00f6glicht nicht dieses Ma\u00df an intelligentem Datenabgleich<\/a> und -konsolidierung und ist daher f\u00fcr Unternehmen, die strategische Erkenntnisse gewinnen wollen, unbrauchbar. Datenaufbereitungstools hingegen erm\u00f6glichen es Unternehmen, komplexe Datenfelder innerhalb von oder \u00fcber mehrere Datens\u00e4tze hinweg abzugleichen und eine konsolidierte, einheitliche Quelle der Wahrheit zu schaffen, ohne dass daf\u00fcr technische F\u00e4higkeiten oder Kenntnisse erforderlich sind.<\/p>\n\n- Flexibilit\u00e4t bei der Datenbereinigung<\/strong><\/li>\n<\/ol>\n
ETL-Tools basieren auf Regeln und strukturierten Arbeitsabl\u00e4ufen. Probleme wie abgek\u00fcrzte Namen, zus\u00e4tzliche Zeichen, Rechtschreibfehler oder sogar Zeichensetzungen in Telefonnummern m\u00fcssen vordefiniert werden, damit das ETL sie erkennen kann. Meistens sind einige Fehler jedoch so t\u00e4uschend (z. B. die Verwendung von Spitznamen im Gegensatz zu echten Namen), dass es schwierig ist, sie im Voraus zu definieren und Regeln daf\u00fcr aufzustellen. Zweitens impliziert ETL, dass ein Benutzer die Fehler in seinen Daten kennen muss, bevor sie behoben werden k\u00f6nnen – es gibt jedoch viele F\u00e4lle, in denen ein Benutzer einfach nichts von den Problemen wei\u00df, die seine Daten plagen.<\/p>\n
Datenaufbereitungstools erlegen den Benutzern keine solchen Regeln auf. Die besten Datenaufbereitungstools auf dem Markt verf\u00fcgen \u00fcber vordefinierte Algorithmen, die jedes m\u00f6gliche Problem mit einem Datenfeld erfassen und dem Benutzer die Probleme mit seinen Daten aufzeigen. Das Tool bietet dem Benutzer eine visuelle Darstellung des Zustands seiner Daten – Spalten mit fehlenden oder ung\u00fcltigen Daten, Felder mit Rechtschreib- oder Zeichenfehlern, zus\u00e4tzlichen Leerzeichen zwischen Zeichen usw. k\u00f6nnen vom Benutzer gesehen und korrigiert werden, bevor er die Daten verwendet.<\/p>\n
Wie Sie jetzt sehen k\u00f6nnen, haben ETL und Datenaufbereitung, obwohl sie im Wesentlichen dieselben Funktionen erf\u00fcllen, unterschiedliche Verwendungszwecke. W\u00e4hrend es sich bei ETL um einen Back-End-Prozess zur Datenextraktion handelt, ist ein Datenvorbereitungstool ein Gesch\u00e4ftswerkzeug, mit dem die Benutzer ihre Daten weiter verfeinern und f\u00fcr die gesch\u00e4ftliche Nutzung vorbereiten k\u00f6nnen.<\/p>\n
Verwendung der API eines Datenvorbereitungstools mit einer ETL-Pipe – ein Beispiel <\/strong><\/h2>\nViele Unternehmen nutzen sowohl ETL als auch Datenaufbereitung, um ihre Daten effektiv zu verwalten. Erm\u00f6glicht wird dies durch die Integration der API des Datenaufbereitungstools in die ETL-Pipe des Daten\u00f6kosystems des Unternehmens. Auf diese Weise werden die Echtzeitdaten bereinigt und abgeglichen, bevor das ETL-Tool diese Daten in eine neue Datenquelle l\u00e4dt.<\/p>\n
Hier ein kleines Beispiel eines Kunden von Data Ladder, der sowohl ETL als auch unsere Datenaufbereitungssoftware einsetzt, um seine Ziele zu erreichen.<\/p>\n
Stellen Sie sich ein ETL-Szenario vor, in dem das Unternehmen \u00fcber eine gro\u00dfe Menge an Kern-\/Stammdaten verf\u00fcgt und t\u00e4glich\/w\u00f6chentlich Tausende, Zehntausende, Hunderttausende oder Millionen von Transaktionen verarbeitet. Diese Daten sollen gegen die Kerndaten gestreamt und die Kerndaten mit den Transaktionsdetails angereichert werden.<\/p>\n
Der Anwendungsfall f\u00fcr Streaming ist die pr\u00e4diktive Analytik. Das Unternehmen verf\u00fcgt \u00fcber Kerndaten und bezieht dar\u00fcber hinaus gro\u00dfe Mengen zus\u00e4tzlicher Daten zur Anreicherung seiner Kerndaten ein, wie z. B. Verbraucherinteressen, Kreditw\u00fcrdigkeit und geografische Informationen. usw., k\u00f6nnen ETL-L\u00f6sungen den Abgleich nicht sehr gut durchf\u00fchren. Sie wollen also diese Kerndaten in Echtzeit mit einer Menge neuer Daten anreichern, und das funktioniert nicht, wenn der Name in ihrer Kerndatenbank Peggy Sheridan und der Name in den neuen Daten Margaret Sheridan lautet.<\/p>\n
Die ETL-Pipe des Unternehmens kann die API von Data Ladder verwenden, um die Bereinigung<\/a> und den Abgleich aufzurufen, um die eindeutige ID aus den Kerndaten zu ziehen und diese eindeutige ID an die passenden neuen Daten anzuh\u00e4ngen, um die Kerndaten mit diesen neuen Attributen zu aktualisieren.<\/p>\nWie hilft die Data Ladder bei der Datenaufbereitung?<\/strong><\/h2>\nDas Flaggschiff vonData Ladder<\/a>, DataMatch Enterprise, erm\u00f6glicht eine einfache Datenvorbereitung, indem es den Benutzern erm\u00f6glicht,:<\/p>\nIntegrieren Sie Daten: <\/strong>Integrieren Sie Daten aus mehr als 150 Anwendungen und leiten Sie Datens\u00e4tze ab, die Sie f\u00fcr Ihre Analysen und Berichte ben\u00f6tigen.<\/p>\nDaten profilieren: <\/strong>Erkennen Sie die Schwachstellen Ihrer Daten visuell. Sie k\u00f6nnen die Probleme sehen, die Ihre Daten betreffen, einschlie\u00dflich Rechtschreibfehler, Zahlenfehler, Probleme mit der Zeichensetzung und vieles mehr.<\/p>\n
Transformieren: <\/strong>Neuformatierung der Daten f\u00fcr die Verwendung in einem neuen System<\/p>\n Laden: <\/strong>Eingabe von Daten in das neue System<\/p>\n ETL-L\u00f6sungen halfen Unternehmen bei der Konsolidierung von Daten aus verschiedenen Quellen, vor allem in den 1980er und 90er Jahren, als Data Warehousing popul\u00e4r wurde. ETL wurde verwendet, um Daten aus verschiedenen Systemen – Mainframes, PCs, Tabellenkalkulationen usw. – in eine Datenbank zu integrieren. Das Problem? Mit der zunehmenden Komplexit\u00e4t der Daten begannen die Unternehmen, verschiedene ETL-Tools f\u00fcr die Verwaltung unterschiedlicher Arten von Data Warehouses einzusetzen.<\/p>\n Im Laufe der Zeit wurden die Datenformate, Systeme und Quellen immer komplexer und umfangreicher, so dass die traditionellen ETL-Methoden nicht mehr ausreichten. Obwohl der grundlegende ETL-Prozess nach wie vor eine Kernkomponente des Daten\u00f6kosystems ist, haben seine Herausforderungen zu neueren Ans\u00e4tzen und Prozessen gef\u00fchrt.<\/p>\n Ein typisches ETL-System ist effizient, wenn die Daten strukturiert und stapelorientiert sind und regelm\u00e4\u00dfig aktualisiert werden. Bei zeitkritischen Datenstr\u00f6men neigen ETL-Systeme jedoch dazu, ins Stocken zu geraten, es sei denn, das System wird durch individuelle Programmierung optimiert. Selbst dann wird ein ETL-System in einer Echtzeitumgebung mit den Anforderungen einer niedrigen Latenzzeit und einer hohen Verf\u00fcgbarkeit konfrontiert sein.<\/p>\n Der ETL-Prozess selbst wurde immer komplexer, da die Datenformate zunahmen und mehrere Skripte und APIs f\u00fcr jedes Format erforderlich waren, um die Daten zu analysieren. Wenn also keine kompatiblen APIs oder Treiber verf\u00fcgbar waren, mussten ETL-Spezialisten einen ETL-Prozess speziell programmieren – eine m\u00fchsame Aufgabe, wenn man bedenkt, dass eine Datenquelle eines durchschnittlichen Unternehmens Millionen von Datenzeilen umfasst.<\/p>\n Obwohl es auf dem Markt viele kommerziell erh\u00e4ltliche ETL-Tools gibt, die in der Lage sind, komplexe Daten zu verarbeiten und ETL-Herausforderungen zu \u00fcberwinden, ist immer noch eine erhebliche Lernkurve und zus\u00e4tzliche Prozessimplementierung erforderlich, um Daten nutzbar zu machen.<\/p>\n Gibt L\u00f6sungen zur Datenaufbereitung ein.<\/p>\n ETL und Datenaufbereitung werden oft als ein Prozess verwechselt. Zwar ist daran etwas Wahres dran, da die Datenvorbereitung den Prozess der Datenextraktion und -umwandlung und die L\u00f6sung derselben Probleme beinhaltet, doch gibt es bestimmte Merkmale, die die Datenvorbereitung zu einer flexibleren Methode als ETL machen.<\/p>\n DieDatenaufbereitung<\/a> kann als Prozess der „Vorbereitung“ oder Vorbereitung von Daten f\u00fcr die Analyse und Berichterstattung beschrieben werden. Obwohl es dem ETL \u00e4hnelt, handelt es sich um eine visuelle, benutzerfreundliche Selbstbedienungsl\u00f6sung, die dem Gesch\u00e4ftsanwender die M\u00f6glichkeit gibt, Daten aufzubereiten, im Gegensatz zum ETL, das in erster Linie ein IT-Prozess war, der ausschlie\u00dflich von der IT-Abteilung durchgef\u00fchrt wurde.<\/p>\n Laut Jon Pikington von Dataversity<\/a> ist die Datenaufbereitung, Unternehmen nutzen die Datenaufbereitung, um:<\/p>\n ETL ist zwar ein technischer Prozess, der zum Verschieben von Daten eingesetzt wird, doch fehlen ihm die zus\u00e4tzlichen Funktionen, die Datenaufbereitungsl\u00f6sungen in der Regel bieten. Zu den wichtigsten Vorteilen der Datenaufbereitung geh\u00f6ren:<\/p>\n Der Hauptvorteil der Datenaufbereitung besteht darin, dass die Daten von den Gesch\u00e4ftsanwendern aufbereitet werden k\u00f6nnen, die sie am besten kennen. Gesch\u00e4ftsanwender in der Marketingabteilung k\u00f6nnen beispielsweise ein Datenaufbereitungstool verwenden, um ihre aktivsten Social-Media-Nutzer zu ermitteln, was, wenn es der IT-Abteilung \u00fcberlassen bliebe, keine genauen Ergebnisse liefern w\u00fcrde. Daten sind mehr als nur Zahlen und Text – jedem Datensatz ist ein Kontext inh\u00e4rent, der nur von den Personen verstanden und identifiziert werden kann, die diese Daten verwenden werden.<\/p>\n Die pr\u00e4diktive Analyse bezieht sich auf den Prozess der Vorhersage des Verhaltens und der Erwartungen von Entit\u00e4ten (Kunden) durch die Untersuchung oder Analyse von aktuellen Datens\u00e4tzen. Unternehmen m\u00fcssen mehrere Datenquellen wie soziale Medien, Online-Umfragen, Kaufverhalten, Kaufhistorie, Tickethistorie usw. abgleichen, um sich ein Bild von ihrer Zielgruppe zu machen und so Vorhersagen treffen zu k\u00f6nnen.<\/p>\n ETL erm\u00f6glicht nicht dieses Ma\u00df an intelligentem Datenabgleich<\/a> und -konsolidierung und ist daher f\u00fcr Unternehmen, die strategische Erkenntnisse gewinnen wollen, unbrauchbar. Datenaufbereitungstools hingegen erm\u00f6glichen es Unternehmen, komplexe Datenfelder innerhalb von oder \u00fcber mehrere Datens\u00e4tze hinweg abzugleichen und eine konsolidierte, einheitliche Quelle der Wahrheit zu schaffen, ohne dass daf\u00fcr technische F\u00e4higkeiten oder Kenntnisse erforderlich sind.<\/p>\n ETL-Tools basieren auf Regeln und strukturierten Arbeitsabl\u00e4ufen. Probleme wie abgek\u00fcrzte Namen, zus\u00e4tzliche Zeichen, Rechtschreibfehler oder sogar Zeichensetzungen in Telefonnummern m\u00fcssen vordefiniert werden, damit das ETL sie erkennen kann. Meistens sind einige Fehler jedoch so t\u00e4uschend (z. B. die Verwendung von Spitznamen im Gegensatz zu echten Namen), dass es schwierig ist, sie im Voraus zu definieren und Regeln daf\u00fcr aufzustellen. Zweitens impliziert ETL, dass ein Benutzer die Fehler in seinen Daten kennen muss, bevor sie behoben werden k\u00f6nnen – es gibt jedoch viele F\u00e4lle, in denen ein Benutzer einfach nichts von den Problemen wei\u00df, die seine Daten plagen.<\/p>\n Datenaufbereitungstools erlegen den Benutzern keine solchen Regeln auf. Die besten Datenaufbereitungstools auf dem Markt verf\u00fcgen \u00fcber vordefinierte Algorithmen, die jedes m\u00f6gliche Problem mit einem Datenfeld erfassen und dem Benutzer die Probleme mit seinen Daten aufzeigen. Das Tool bietet dem Benutzer eine visuelle Darstellung des Zustands seiner Daten – Spalten mit fehlenden oder ung\u00fcltigen Daten, Felder mit Rechtschreib- oder Zeichenfehlern, zus\u00e4tzlichen Leerzeichen zwischen Zeichen usw. k\u00f6nnen vom Benutzer gesehen und korrigiert werden, bevor er die Daten verwendet.<\/p>\n Wie Sie jetzt sehen k\u00f6nnen, haben ETL und Datenaufbereitung, obwohl sie im Wesentlichen dieselben Funktionen erf\u00fcllen, unterschiedliche Verwendungszwecke. W\u00e4hrend es sich bei ETL um einen Back-End-Prozess zur Datenextraktion handelt, ist ein Datenvorbereitungstool ein Gesch\u00e4ftswerkzeug, mit dem die Benutzer ihre Daten weiter verfeinern und f\u00fcr die gesch\u00e4ftliche Nutzung vorbereiten k\u00f6nnen.<\/p>\n Viele Unternehmen nutzen sowohl ETL als auch Datenaufbereitung, um ihre Daten effektiv zu verwalten. Erm\u00f6glicht wird dies durch die Integration der API des Datenaufbereitungstools in die ETL-Pipe des Daten\u00f6kosystems des Unternehmens. Auf diese Weise werden die Echtzeitdaten bereinigt und abgeglichen, bevor das ETL-Tool diese Daten in eine neue Datenquelle l\u00e4dt.<\/p>\n Hier ein kleines Beispiel eines Kunden von Data Ladder, der sowohl ETL als auch unsere Datenaufbereitungssoftware einsetzt, um seine Ziele zu erreichen.<\/p>\n Stellen Sie sich ein ETL-Szenario vor, in dem das Unternehmen \u00fcber eine gro\u00dfe Menge an Kern-\/Stammdaten verf\u00fcgt und t\u00e4glich\/w\u00f6chentlich Tausende, Zehntausende, Hunderttausende oder Millionen von Transaktionen verarbeitet. Diese Daten sollen gegen die Kerndaten gestreamt und die Kerndaten mit den Transaktionsdetails angereichert werden.<\/p>\n Der Anwendungsfall f\u00fcr Streaming ist die pr\u00e4diktive Analytik. Das Unternehmen verf\u00fcgt \u00fcber Kerndaten und bezieht dar\u00fcber hinaus gro\u00dfe Mengen zus\u00e4tzlicher Daten zur Anreicherung seiner Kerndaten ein, wie z. B. Verbraucherinteressen, Kreditw\u00fcrdigkeit und geografische Informationen. usw., k\u00f6nnen ETL-L\u00f6sungen den Abgleich nicht sehr gut durchf\u00fchren. Sie wollen also diese Kerndaten in Echtzeit mit einer Menge neuer Daten anreichern, und das funktioniert nicht, wenn der Name in ihrer Kerndatenbank Peggy Sheridan und der Name in den neuen Daten Margaret Sheridan lautet.<\/p>\n Die ETL-Pipe des Unternehmens kann die API von Data Ladder verwenden, um die Bereinigung<\/a> und den Abgleich aufzurufen, um die eindeutige ID aus den Kerndaten zu ziehen und diese eindeutige ID an die passenden neuen Daten anzuh\u00e4ngen, um die Kerndaten mit diesen neuen Attributen zu aktualisieren.<\/p>\n Das Flaggschiff vonData Ladder<\/a>, DataMatch Enterprise, erm\u00f6glicht eine einfache Datenvorbereitung, indem es den Benutzern erm\u00f6glicht,:<\/p>\n Integrieren Sie Daten: <\/strong>Integrieren Sie Daten aus mehr als 150 Anwendungen und leiten Sie Datens\u00e4tze ab, die Sie f\u00fcr Ihre Analysen und Berichte ben\u00f6tigen.<\/p>\n Daten profilieren: <\/strong>Erkennen Sie die Schwachstellen Ihrer Daten visuell. Sie k\u00f6nnen die Probleme sehen, die Ihre Daten betreffen, einschlie\u00dflich Rechtschreibfehler, Zahlenfehler, Probleme mit der Zeichensetzung und vieles mehr.<\/p>\nHerausforderungen mit ETL: <\/strong><\/h2>\n
Was ist Datenvorbereitung und wie unterscheidet sie sich von ETL? <\/strong><\/h2>\n
\n„die Technologie, die es Administratoren erm\u00f6glicht, durch Datenqualit\u00e4t und Datenzugriff schnellere und bessere Entscheidungen zu treffen“. <\/em>
\n<\/strong><\/p>\n\n
\n
\n
\n
Verwendung der API eines Datenvorbereitungstools mit einer ETL-Pipe – ein Beispiel <\/strong><\/h2>\n
Wie hilft die Data Ladder bei der Datenaufbereitung?<\/strong><\/h2>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/09\/data-profiling-1024x487.png\")
Dar\u00fcber hinaus k\u00f6nnen Sie DataMatch Enterprise verwenden, um Ihre Daten auf der Grundlage vordefinierter Regeln oder zus\u00e4tzlicher Gesch\u00e4ftsregeln, die Sie erstellen m\u00f6chten, zu profilieren und zu korrigieren. Und das Beste daran? Sie m\u00fcssen keine Programmiersprache beherrschen, um Ihre Daten mit DataMatch Enterprise aufzubereiten.<\/p>\n