Blog

In Teil 1 & Teil 2 dieser Blogreihe haben wir gezeigt, wie man einen AWS Data Lake aufbaut und Daten in ein Data Lakehouse importiert. Im dritten und letzten Teil erklären wir, wie man in einem Lakehouse das „Recht auf Vergessenwerden“gemäß DSGVO implementiert und durchsetzt. Wir werden sowohl den Data Lake als auch das Date Warehouse, deren Aufbau wir in den vorherigen Blogbeiträgen beschrieben haben, mit der Ausübung dieses Rechts konform machen. Doch zunächst einmal gilt es zu klären, was man überhaupt unter dem Recht auf Vergessenwerden versteht.

Auf Grundlage unseres vorherigen Blogbeitrags sollten sich unsere transformierten Daten nun im Data Lake befinden und im Glue-Datenkalalog zur Verfügung stehen. Im zweiten Artikel unserer Blogreihe klären wir nun, was AWS Lake Formation ist und wie Du es nutzen kannst, um unbefugten Datenzugriff zu verhindern.

Data Lakes sind beliebte Komponenten von Cloud Data Plattform Architekturen. Wenn Du Dich für die Implementierung von Data Lakes und entsprechenden Services auf AWS interessierst, solltest Du folgende Blogbeiträge lesen. Bei einem Data Lakehouse handelt es sich um eine Architektur, die Datentransparenz im Data Lake ermöglicht und die Daten für die weitere Auswertung in einem Data Warehouse verfügbar macht. Erfahre hier mehr.

Data Mesh ist das aktuelle technische, organisatorische Konzept, um in großen Data-&-Analytics-Organisationen mehr Business-Nähe und mehr Skalierung zu ermöglichen. Eine konsequente Umsetzung ist revolutionär und erfordert Change-Management.

Ob in der Lagerung, der Produktion oder im Kundenservice – in völlig unterschiedlichen Geschäftsprozessen werden Bilder genutzt, die analysiert und bewertet werden müssen. Die manuelle Auswertung dieser Bilder ist dabei allerdings sowohl zeitaufwendig als auch fehleranfällig. Dank Computer Vision, also der maschinellen Analyse und Verarbeitung von Bildern, lassen sich derartige Prozesse automatisieren. Dabei sind Maschinen heute dank eines hohen methodischen Reifegrads in der Lage, selbst komplizierte Analysen durchzuführen.

Die SAP Analytics Cloud ermöglicht es, mit der Erstellung von Analytic Applications komplexe Berichtsszenarien für Kunden abzubilden. Mit dem Custom Widgets wird diese Funktion um einen entscheidenden Baustein erweitert, der es ermöglicht, einige Visualisierungen schnell und nutzerzentriert zu bauen. Wir zeigen Dir hier, wie Du diese erstellen und in eine SAC-Applikation einbetten kannst.

Wenn eine Datenanalyse-Pipeline nach erfolgreichem Proof of Concept (POC) in Produktion gehen soll, ist dies oft ein langer Weg. Ibis bietet die Möglichkeit, diesen Prozess zu vereinfachen und somit schneller Mehrwert zu erzeugen.

Nach der erfolgreichen lokalen Entwicklung einer Analyse-Datenpipeline in Python muss der Code oftmals umgeschrieben werden, um in Produktion laufen zu können. Aber muss das eigentlich so sein? Die Python-Ibis-Bibliothek, die der Hauptautor der Python-Pandas-Bibliothek Wes McKinney programmiert hat, bietet eine spannende Lösung, um Datenverarbeitung zwischen Produktions- und Entwicklungsumgebungen anzugleichen und es somit dem Analytics-Team zu ermöglichen, schneller in Produktion zu gehen. Wir zeigen Dir in diesem Blogbeitrag, wie das funktioniert.

Die Monitoring-Komponente einer MRM-Lösung bietet Analyse-, Auswertungs- und Reportingfunktionen, die Marketern z. B. mit Hilfe von Dashboards oder durch die Konfiguration von Berichten eine transparente Statusdarstellung ihrer Aktivitäten ermöglichen.

Mit Hilfe der Workflow-Komponente einer MRM-Lösung erstellen Marketer Aufgaben und können diese sich selbst oder anderen zuweisen und kontrollieren. Dadurch werden auf einen Blick Timings, Verantwortlichkeiten, der Bearbeitungsstatus von Aufgaben und Kampagnen erkennbar, filterbar und steuerbar.

Marketing Resource Management (kurz MRM) ist bei Marketern immer noch zu wenig bekannt. Leider, denn MRM-Software kann Deine Marketingplanung und -steuerung auf das nächste Level bringen – vorausgesetzt, Du findest die für Deine Bedürfnisse richtige Software. Um im MRM-Markt Orientierung zu geben, hat b.telligent als technologieunabhängiges Beratungsunternehmen relevante Anbieter analysiert, klassifiziert und so eine Marktübersicht mit Hilfestellungen, Funktionsübersichten und Anbieterprofilen erstellt: den b.telligent MRM Market Overview.

Am Zitat „Daten sind das Gold des 21. Jahrhunderts“ kam in den letzten Jahren kaum jemand vorbei. Doch es gibt einen entscheidenden Unterschied zwischen Daten und Gold. Daten haben nur einen Wert, wenn man sie nutzt. Um diese Nutzung zu ermöglichen, muss sich in vielen Fällen etwas ändern – die Daten müssen demokratisiert werden.

In der Arbeit mit Tableau stolpert man früher oder später über den Begriff der Tableau Sets. Im Folgenden wird erläutert, was Sets sind und wie sie sich von Gruppierungen unterscheiden. Außerdem zeigen wir, wie man Sets in Tableau erstellen kann und somit für mehr Interaktivität sorgt.