Von der Datenintegration zur Datenintegrität: Erfahren Sie, was als Nächstes bei DataConnect ansteht

Für alle, die gerade erst dazustoßen: Wir warten noch ein oder zwei Minuten, dann starten wir mit dem „Data Connect“-Webinar. Alles klar. Es sieht so aus, als würden noch ein paar Teilnehmer hinzukommen, also warten wir vielleicht noch eine halbe Minute, dann legen wir los. Okay, warum fangen wir nicht einfach an? Wir sind zwei Minuten im Verzug. Herzlich willkommen, liebe Teilnehmer. Vielen Dank, dass ihr euch die Zeit genommen habt, an unserem „Data Connect“-Webinar teilzunehmen.

Wir freuen uns sehr darauf, einige der neuen Features und Funktionen von Data Connect mit Ihnen durchzugehen. Bevor wir damit beginnen, möchten wir noch kurz auf ein paar organisatorische Punkte eingehen. Wie Sie wahrscheinlich bereits bemerkt haben, sind alle Teilnehmer stummgeschaltet. Ihr könnt aber gerne Fragen im Q&A-Bereich einreichen. Zur Verdeutlichung: Der Q&A-Bereich befindet sich unter der Schaltfläche „Mehr“, also nicht im Chat. Wir behalten den Q&A-Bereich im Auge. Die Veranstaltung wird aufgezeichnet, und wir werden euch die Aufzeichnung zusammen mit weiteren Ressourcen im Anschluss an diese Veranstaltung zur Verfügung stellen.

Wir haben 45 Minuten eingeplant und hoffen, am Ende auch noch Zeit für Fragen zu haben – wenn möglich live. Nochmals vielen Dank für eure Teilnahme, und damit wollen wir gleich loslegen. Wir beginnen zunächst mit einer kurzen Vorstellungsrunde. Also, Chris, ich übergebe das Wort an dich. Danke, Lauren. Hallo zusammen. Mein Name ist Chris.

Ich bin hier bei Actian als Vice President of Data Connect Engineering tätig. Ich arbeite seit etwas mehr als 25 Jahren an diesem Produkt. Wir haben in der Entwicklungsabteilung unglaublich hart gearbeitet, und ich freue mich riesig darauf, euch all die tollen Neuerungen zu zeigen, die wir für Data Connect auf den Weg gebracht haben. Wir werden uns mit unserem Release zur Datenqualität, also V14, und dem darauf folgenden Release, dem Integration Manager 14.1, befassen. Also zurück zu dir, Lauren. Super. Danke, Chris.

Und ich bin Lauren Cartwright, Vertriebsleiterin für den amerikanischen Raum bei Actian. Ich arbeite sehr eng mit Chris und seinem Team sowie mit unseren Kunden zusammen und freue mich riesig darauf, euch zu zeigen, was wir bei Data Connect tun, wohin die Reise geht und welche internen Veränderungen wir als Unternehmen vorgenommen haben, um uns noch stärker auf unsere Kunden auszurichten und wertorientiert zu erzielen. Damit kommen wir nun zur nächsten Folie. Und zunächst ein paar Worte dazu, was wir heute behandeln werden, oder? Wir hören viel über den Hype um Daten im Gegensatz zum Datenlebenszyklus. KI – wir befinden uns im Zeitalter der KI, genau wie damals Big Data . Während wir weiterhin innovativ sind, dreht sich alles immer wieder um die Frage, wie vertrauenswürdig Ihre Daten sind, und Data Connect war schon immer ein integraler Bestandteil davon.

Wir haben jedoch bereits eine Reihe von Verbesserungen vorgenommen, insbesondere im Bereich der Qualität, die es uns wirklich ermöglichen, unseren Kunden über den gesamten Lebenszyklus Ihrer Daten hinweg eine bessere Transparenz, Beobachtbarkeit, Qualität und Vertrauen zu bieten. Wir freuen uns sehr darüber, denn wir haben diese Verbesserungen nicht nur vorgenommen, um diese bessere Transparenz zu gewährleisten, sondern auch, damit jeder Nutzer diese Fähigkeiten nutzen Nutzer – unabhängig davon, wie viel Erfahrung er mit dem Produkt oder allgemein mit Datenmanagement hat. Darüber hinaus haben wir als Unternehmen unseren Fokus wirklich darauf gerichtet. Seit April dieses Jahres habe ich die Leitung übernommen und verfüge über ein völlig neues Team, das sich ausschließlich der Unterstützung der Datenmanagement-Funktion bei Actian widmet – und Data Connect ist das Bindeglied innerhalb dieser Funktion. Jeder in unserem Team hat einen Datenmanagement . Ich selbst habe über ein Dutzend Data Governance in verschiedenen Branchen und mit unterschiedlichen Tools umgesetzt. Daher legen wir großen Wert darauf, sicherzustellen, dass wir uns ganz auf diese wertorientiert für unsere Kunden konzentrieren.

Dazu gehören auch die Verbesserungen – ganz bewusst vorgenommene Verbesserungen – rund um Data Connect, die es uns zudem ermöglichen, die Berechtigungen auf euch auszuweiten, um den Upgrade-Pfad deutlich zu vereinfachen. Wir werden noch etwas näher darauf eingehen, aber all das geschieht wiederum mit der Absicht, unseren Kunden wirklich ein besseres Erlebnis zu bieten und diese wertorientierten Ergebnisse zu erzielen. Indem wir dies ermöglichen, stellen wir sicher, dass wir auf die stärkere Plattform setzen. Ihr werdet also die überarbeitete Benutzeroberfläche sehen, die weit mehr ist als nur eine überarbeitete Benutzeroberfläche. Es geht wirklich darum, sie allen zugänglich zu machen. Ihr werdet die KI-gestützten Fähigkeiten zur Datenqualität sehen, Fähigkeiten Aufgaben, die früher Monate dauerten, nun in wenigen Minuten erledigen, eine verbesserte Überwachung sowie den für euch einfacheren Upgrade-Prozess auf V14. Wir freuen uns also sehr darauf, euch das alles zu zeigen.

Nachdem das nun gesagt ist, können wir zur nächsten Folie übergehen. Diese gibt Ihnen einen kleinen Einblick in unsere Roadmap. Gerne vereinbaren wir nach diesem Webinar Einzelgespräche, um näher ins Detail zu gehen. Heute jedoch, während wir V14 durchgehen, werden Sie sehen, was wir in Version 14.0 in Bezug auf die Datenqualität und die erweiterte Datenaufbereitung tun. Dabei geht es vor allem um diese Automatisierung, darum, sie jedem Nutzer zugänglich zu machen, sowie um die Geschwindigkeit, mit der sich aus der Datenqualität ein Mehrwert erzielen lässt, damit Sie wirklich verlässliche Ergebnisse erzielen können – ganz gleich, ob Sie KI-Initiativen vorantreiben oder Migrationsprojekte durchführen. Im Grunde wird sich jede Datenmanagement um diese vertrauenswürdigen Daten drehen, und wir haben euch einige wirklich coole Dinge zu zeigen. Und dann werden wir im dritten Quartal Verbesserungen am Integration Manager vornehmen und Fähigkeiten zur Überwachung, Messung und Verwaltung weiter ausbauen.

Sie werden also eine wirklich, wirklich umfassende Beobachtbarkeit erleben. Das begeistert mich total. Sie können dies über den gesamten Lebenszyklus Ihrer Daten hinweg beobachten eingebettet die Pipeline. eingebettet lässt sich die Zeit bis zur Problemlösung nun viel, viel einfacher verkürzen und optimieren. Angereicherte Herkunftsverfolgung, KI-gestützte Analyse. Auch hier gibt es wieder viele spannende Aspekte. Im vierten Quartal dreht sich alles um fortschrittliche Datenintegration.

Hier erwarten Sie also einen einfachen Upgrade-Pfad, Vorwärts- und Rückwärtskompatibilität sowie einen verbesserten Map-Designer, Prozess-Designer und Schema-Designer. Also noch einmal: wirklich spannende Neuerungen. Und dann kommen wir zum Beginn des nächsten Jahres, und da geht es wirklich darum, alles, was wir in Data Connect investiert haben, in wirklich jedes Tool zu integrieren, nicht wahr? Es geht darum, wirklich toolunabhängig zu werden – die Orchestrierung Beobachtbarkeit Ihr gesamtes Ökosystem Beobachtbarkeit . Auch diese Fähigkeiten, so denke ich, werden Sie in vielerlei Hinsicht als völlig neu für Data Connect empfinden, aber sie bauen wiederum auf den Kernwerten von Data Connect auf, die es schon lange gibt und die die vertrauenswürdige usability Daten wirklich vorantreiben. Damit übergebe ich das Wort an Chris, und noch einmal vielen Dank, dass Sie hier sind. Zögern Sie nicht, Fragen in die Warteschlange einzureichen. Danke, Leute.

Danke, Lauren. Einen Moment bitte, während ich die Präsentation freigebe. So, das wäre geschafft. Okay. Wie Lauren bereits erwähnt hat, werden wir uns heute mit dem Thema Datenqualität befassen. Ich werde euch alle verfügbaren Gestaltungsmöglichkeiten vorstellen und euch zeigen, wie ihr Erkenntnis unsere Benutzeroberfläche Erkenntnis gewinnen könnt. Das übergeordnete Ziel im Bereich Datenqualität war es, allen unseren Nutzern gerecht zu werden, indem wir die Datenqualität so einfach wie möglich gestaltet haben.

Und das bedeutete, Ihnen maximale Erkenntnis Ihre Daten zu verschaffen, Probleme schnell zu identifizieren und die Regeln zu automatisieren, die zur Erfassung und Behebung dieser Probleme erforderlich sind. Wir werden all das nun gemeinsam durchgehen. Wir zeigen Ihnen, wie wir KI in unserem Produkt einsetzen. Mal sehen, ob ich das hier wegbekomme. Vielleicht finde ich später eine Lösung dafür. Außerdem zeige ich Ihnen den „Integration Manager“, die nächste Version 14.1. Wie Lauren bereits erwähnt hat, gibt es im „Integration Manager“ zahlreiche Neuerungen rund um Beobachtbarkeit und die Datenherkunft – sogar einige Design-Services, die Ihnen helfen, Ihre Jobs zu pflegen und in einem einwandfreien Zustand zu halten.

Wir fangen also genau hier mit dem Datenqualitäts-Editor an, den Sie gerade vor sich sehen. Wie Sie sehen können, habe ich eine Verbindung zu einem Datensatz hergestellt. Ich habe hier eine Ansicht meines Schemas sowie eine Beispielansicht meines Datensatzes. Und ich werde auf „Daten prüfen“ klicken. Wenn ich also auf „Daten prüfen“ klicke, werden zwei Dinge ausgeführt: Erstens führen wir ein semantisches Mapping durch, und zweitens führen wir Daten-Discovery durch. Das semantische Mapping hilft uns beispielsweise dabei, zu ermitteln, welche Art von Daten sich in diesem Feld oder in einem beliebigen anderen Feld befinden.

So erkennen wir beispielsweise, dass es sich um ein Datumsfeld handelt, und das hilft uns, die entsprechenden Regeln zu verstehen, die für dieses bestimmte Feld konfiguriert werden könnten, und gibt uns zudem einen kleinen Einblick darin, was in diesem Feld erwartet wird. Die Daten-Discovery , die ich Ihnen gleich zeigen werde, hilft Ihnen dabei, die Häufigkeit von Werten, Mustern und Statistiken innerhalb eines beliebigen Feldes zu verstehen. Aber zunächst zu den Entwurfsoptionen, die Ihnen hier zur Verfügung stehen: automatisierter Entwurf, Entwurfsunterstützung und manueller Entwurf. Beim manuellen Entwurf gelangen Sie direkt in den Editor. Beim automatisierten Entwurf erstellen wir die Lösung tatsächlich für Sie, und Sie müssen sie lediglich überprüfen, gegebenenfalls Änderungen vornehmen und bereitstellen. Entwurfsunterstützung bedeutet für uns, dass Sie Hilfe beim Entwerfen Ihrer Lösung benötigen oder wünschen. Vielleicht sind Sie mit Ihrem Datensatz noch nicht so vertraut, vielleicht sind Sie neu im Bereich der Datenqualität – in diesem Fall schlagen wir Ihnen Regeln vor und bieten Ihnen eine sehr einfache Möglichkeit, diese Regeln zu überprüfen und zu validieren.

Bei diesen beiden Optionen gibt es also jeweils ein zugehöriges Menü. Sie sind sich sehr ähnlich, aber im Grunde müssen Sie uns lediglich mitteilen, welche Felder wir verarbeiten und auswerten sollen. Hier gibt es einige optionale Spalten, bei denen – selbst wenn Sie zu Beginn des Entwurfsprozesses noch nicht damit vertraut sind – Daten-Discovery ins Spiel Daten-Discovery . Ich kann schnell erkennen, wie viele verschiedene Datumsmuster ich für dieses Datumsfeld habe. Und was beispielsweise die Werte betrifft, kann ich alle verschiedenen Werte, die darin enthalten sind, sowie deren Häufigkeit nachvollziehen. Wenn ich also möchte, dass Data Connect Regeln basierend auf meinen Präferenzen generiert, muss ich lediglich eines oder mehrere dieser Muster auswählen – zum Beispiel einen oder mehrere dieser Werte. Und was wir dann tun werden: Wir nehmen diese und wandeln sie in Datenqualitätsregeln um, d. h. Profiling und Korrektur.

Es gibt auch eine einfache Möglichkeit. Wenn ich zum Beispiel einen Vornamen maskieren möchte, habe ich hier mehrere Möglichkeiten, welche Zeichen ich dafür verwenden könnte. Innerhalb des Produkts selbst – ich werde im Rahmen der Demo nicht näher darauf eingehen – gibt es eine Anonymisierungsregel, bei der Sie alle möglichen Optionen hinsichtlich der verschiedenen Zeichen, die Sie verwenden können, sowie der Anzahl der zu maskierenden Zeichen haben; auf Wunsch können Sie die Daten sogar verschlüsseln. Was aber passiert, ist: Wenn Sie den Scan starten, wird unsere Engine ausgeführt, wir werten alle Daten aus, wir generieren alle Regeln, und das hängt dann davon ab, welche Option Sie auswählen. Entweder schlagen wir Ihnen die Regeln vor, oder wir automatisieren den gesamten Vorgang. Schauen wir uns also kurz ein automatisiertes Design an. Hier sehen Sie, dass ich mich im Editor befinde.

Das ist unser Datenbrowser. Und hier auf der rechten Seite sehe ich eine Liste aller verschiedenen Regeln, die für diesen Datensatz generiert wurden. Oben wird ein einziger Wert angezeigt, der „Datenqualitätsindex“ genannt wird und die Zuverlässigkeit dieses Datensatzes angibt. Ich habe keine Dimensionen mit meinen Regeln verknüpft. Das ist optional, und Sie können dies tun. Wenn Sie dies tun, generieren wir auch alle Kennzahlen für diese verschiedenen Dimensionen. Es gibt jedoch zwei verschiedene Möglichkeiten, wie Sie eine schnelle Validierung durchführen können.

Erstens können Sie sich die einzelnen Regeln ansehen. Wenn Sie also auf diesen Link hier klicken, wird die Regel aufklappen, und Sie sehen, wie sie konfiguriert wurde. Sie sehen, was die Regel bewirkt. Außerdem können Sie weitere Details einsehen, indem Sie auf dieses Balkendiagramm hier klicken. Dieser Balken zeigt mir also alle gültigen Daten an. In diesem speziellen Fall gibt es keine ungültigen Daten. Aber wenn es welche gäbe, werde ich Ihnen gleich zahlreiche Beispiele zeigen.

Sie müssen lediglich darauf klicken, und schon wird es im Browser für Sie dargestellt. Das ist also eine Möglichkeit, Regel für Regel vorzugehen. Wenn Sie jedoch auf den Datenqualitätsindex klicken, wird dieses Fenster neu gezeichnet und neu strukturiert. Bisher haben wir Ihnen alle Regeln in der Reihenfolge des Schemas angezeigt. Jetzt zeigen wir sie nach Profil und Korrekturmaßnahme geordnet an. Genau wie zuvor könnte ich die Regel überprüfen und mir die bereinigten Daten auf der Grundlage der Regel ansehen. In diesem Fall ist das Feld nicht leer.

Ich kann mir die Rohdaten ansehen und diese auch im Browser anzeigen lassen. In dieser Ansicht hier, in diesem Diagramm, können wir die Daten als Aggregat visualisieren. Also nicht im Kontext der einzelnen Regel, sondern tatsächlich das, was in unsere Ziele geschrieben wird. Innerhalb von Data Connect gibt es also zwei Ziele, die aus unserer Engine stammen: ein „Pass“-Ziel und ein „Fail“-Ziel. Und das funktioniert so: Ihre Profiling-Regel enthält eine Bedingung. Wir könnten zum Beispiel eine Bedingung für dieses Datumsfeld festlegen, die sich speziell auf das Format oder den Wert bezieht, richtig? Das ist also der Inhalt dieser Profiling-Regeln, und das hilft uns dabei, Ihre Präferenzen durchzusetzen – also das, was Sie als gültig erachten.

Außerdem hilft es uns dabei, dies zu messen. Die Korrekturregel funktioniert also so, dass sie ein ungültiges Format oder einen ungültigen Wert übernimmt und diesen so anpasst, dass er gültig wird. Wenn Sie sich also diese Ansichten Ihrer Gesamtzahlen für „Bestanden“, „Nicht bestanden“ und „Korrigiert“ ansehen, ist das sehr ähnlich zu dem, was ich Ihnen gerade gezeigt habe. Ich kann hier auf den grünen Bereich klicken. Beachten Sie, dass die Kopfzeile ihre Farbe ändert. Hier werden mir alle gültigen Daten aus meinem Datensatz angezeigt. Das sind also gültige Daten, die wir nicht verändert und nicht korrigiert haben.

In ihrem ursprünglichen Zustand waren sie gültig. Wenn ich auf den violetten Bereich klicke, färbt sich die Kopfzeile violett, sodass Sie schnell erkennen können, dass es sich um bereinigte Daten handelt. Das wären also alle Daten, die wir bereinigt haben. Und schließlich können Sie auf den roten Bereich klicken, um alle fehlerhaften Daten anzuzeigen. Und eines der Dinge, die ich an der Art und Weise, wie wir das Ganze gestaltet haben, für besonders leistungsstark und wertvoll halte, ist, dass man einfach die Profilregeln durchgehen kann, indem man hier auf die roten Bereiche klickt, um zu verstehen, warum diese Daten ungültig sind. Wenn ich also auf diese Regel klicke, die für das Datumsfeld konfiguriert ist, kann ich leicht erkennen, dass ich einige ungültige Datumsformate habe. Da ist ein Zeichen, ein Ausrufezeichen.

Das ist ein ungültiges Datum, weil der Tag fehlt. Ich kann mir meine E-Mails ansehen – warum sind die ungültig? Das ist doch dasselbe, oder? Es geht also darum, schnell auf den Punkt zu kommen und schnell zu verstehen, wo deine Probleme liegen. Ich finde, das sollte man noch einmal betonen, um es zu unterstreichen. Für mich ist das eine der spannendsten Funktionen, weil sie einen ganzheitlichen Überblick bietet, oder? Man kann sehr schnell, so wie du es gerade gezeigt hast.

Das Datum, die E-Mail. Wir müssen nicht zwischen verschiedenen Bildschirmen hin- und herwechseln, und ich kann sehen, was bereinigt wurde, was fehlgeschlagen ist und was bereits bereinigt war. Noch einmal: Alle bleiben auf derselben Seite und haben dieselbe Benutzererfahrung. Um das noch einmal zu betonen. Ja, da stimme ich dir zu 100 % zu, Lauren. Und noch etwas: Es stimmt, man muss sich keine Gedanken über die Verwaltung der Daten machen. Wir isolieren sie ja bereits für dich, oder?

Diese beiden separaten Ziele. Und während Sie voranschreiten – ich werde es Ihnen gleich zeigen –, können Sie bereits während der Entwurfsphase, während Sie entwerfen, schnell unterscheiden, was gültig ist, was ungültig ist und was bereits behoben wurde. Schauen wir uns als Nächstes also den Pfad des Entwurfsassistenten an. Das wäre also die mittlere Kachel, die Sie im Scan-Menü gesehen haben. Als Erstes – da Sie uns um Hilfe gebeten haben – geben wir Ihnen eine Einschätzung dessen, was wir gefunden haben. Oben wird lediglich wiederholt, worum Sie uns gebeten haben. In der Mitte nennen wir Ihnen die verschiedenen Arten von Datenqualitätsproblemen, die wir gefunden haben, zusammen mit den entsprechenden Definitionen.

Und ganz unten ordnen wir dann all diese Probleme Ihrem Schema zu, sodass Sie für jedes einzelne Feld sehen können, welche Art von Problem wir gefunden haben und wie viele Datensätze davon betroffen waren, richtig? Und all das erledigen Sie, bevor Sie überhaupt den Editor öffnen. Wenn Sie also den Editor öffnen, haben Sie ein besseres Verständnis dafür, womit Sie es zu tun haben und was Sie in Ihrer Lösung tun müssen. Wenn wir also den Editor öffnen, werden Sie feststellen, dass wir noch keine Regeln haben – wir haben also noch keinen Index. Es gibt hier drei Interaktionsmöglichkeiten, auf die ich Sie besonders hinweisen möchte. Die erste ist der Browser. Wenn Sie Data Connect bereits nutzen, starren Sie schon seit Jahren auf unseren Browser, und ich freue mich sehr, Ihnen mitteilen zu können, dass wir einige Änderungen vorgenommen haben, sodass Ihr Browser nun als Editor fungiert.

Und es funktioniert auf viele verschiedene Arten. Aber zunächst möchte ich Ihnen etwas zeigen – wählen wir dazu ein relevantes Feld aus. Nehmen wir zum Beispiel die Telefonnummer. Angenommen, ich schaue in meinem Browser nach – das habe ich im Laufe der Jahre mit Data Connect schon unzählige Male selbst gemacht. Ich finde im Browser etwas, das mir einfach nicht ganz richtig erscheint. Wir haben es also so eingerichtet, dass Sie darauf klicken können, und wenn Sie darauf klicken, sehen Sie, dass die Seite aktualisiert wird und mir die Regeln angezeigt werden, die mir empfohlen wurden. Auch hier folge ich wieder dem „Design Assist“-Pfad.

Ich brauche Hilfe. Und dieses Muster heben wir auch unten in Daten-Discovery hervor. Also wieder: Wir bringen Erkenntnis Nutzer schnell Erkenntnis . So verstehe ich nun anhand des Anzeigemusters, womit es zusammenhängt und wie viele Vorkommen davon ich in meinem Datensatz habe. Und ich kann auch ganz einfach die Regeln sehen, die mir empfohlen werden, oder? Und es gibt noch mehr zum Editor, den ich euch in einer Minute zeigen werde – ich freue mich schon riesig darauf, ihn euch vorzustellen. Aber um beim Thema Designunterstützung zu bleiben: Wir haben eure Daten gescannt und eine kuratierte Auswahl an Regeln zusammengestellt, die ihr überprüfen und bewerten könnt.

Und deshalb haben wir das so einfach wie möglich gestaltet, denn genau das hier ist der Name der Regel. Es handelt sich also um den Feldnamen, gefolgt von einem Unterstrich und dem Regelnamen, und Sie müssen lediglich darauf klicken. Wenn Sie darauf klicken, wird die Seite im Browser aktualisiert. Es werden Ihnen dann die gemäß dieser Regel ungültigen Daten angezeigt. Ich kann sehen, wie diese Regel konfiguriert ist, und ich kann sie ändern, wenn ich möchte, aber ich kann auch sehen, was in Daten-Discovery der Häufigkeit des Musters, der Häufigkeit der Werte und der Statistik – Verzeihung, der Statistiken – vor sich geht. Außerdem kann ich Beispiele für gültige und ungültige Daten gemäß dieser Regel abrufen. Und so kann ich auch die gültigen Daten genauer untersuchen, richtig?

Also inaktiv, aktiv. Das alles kann ich dort sehen. Und wenn ich mir das anschaue, sehe ich, wo mein Problem liegt, richtig? Wenn mir die Regel also gefällt, muss ich sie nur anwenden. Und wenn man die Regel anwendet, wird unsere Engine automatisch gestartet, richtig? Jetzt habe ich also einen Datenqualitätsindex und kann schnell überprüfen, was ich gerade getan habe, indem ich auf diesen Balken klicke. Ich sehe also wieder die gültigen Daten und die ungültigen Daten, richtig?

Damit man wirklich ganz einfach erkennen kann, was in meinem Design vor sich geht. Gefällt mir die Konfiguration dieser Regel? Verhält sie sich so, wie ich es erwarte? Um noch einmal auf das zurückzukommen, was ich gerade gesagt habe – dass unser Browser nun als Editor fungiert: Dies ist eine der vielen Möglichkeiten, die ich Ihnen zeigen werde, wie Sie eine Regel in Data Connect automatisieren können. Wir haben weiterhin die manuelle Möglichkeit, falls ich eine Regel manuell hinzufügen möchte, und wie bereits erwähnt, generieren wir alle regulären Ausdrücke für Sie, falls Sie jemals einen benötigen sollten. Aber eines der Dinge, die wir mit Data Connect 14 im Hinblick auf die Datenqualität unbedingt erreichen wollten, ist, dass Sie sich nicht mehr durch eine lange Liste von Regeln wühlen müssen, um herauszufinden, welche die richtige Regel ist, die Sie verwenden müssen, und dann Zeit damit verbringen, herauszufinden, wie man einen regulären Ausdruck für das schreibt, wonach Sie suchen. Wie Sie hier sehen können, habe ich meine Liste mit fehlerhaften Daten gemäß dieser Regel, und ich werde Daten-Discovery nutzen, Daten-Discovery zu verstehen, was bei jedem einzelnen davon nicht stimmt.

Bei diesem ersten Beispiel ist ziemlich offensichtlich, was daran falsch ist. Wir wissen, dass „active“ und „inactive“ unsere einzigen zulässigen Werte sind. Aber hier unten sieht es so aus, als wäre das gültig, daher verstehe ich es nicht ganz. Wenn ich also einfach darauf klicke und mir Daten-Discovery sowie das Anzeigemuster ansehe, sagt mir das „S“ genau dort, dass dort ein führendes Leerzeichen steht. Richtig? Das ist also unser Problem. Und ich sehe, dass ich bei „active“ und „inactive“ ein Problem mit der Groß-/Kleinschreibung habe.

Wenn ich also einmal auf die Zelle klicke, wird dadurch diese Zelle aktualisiert und auch Daten-Discovery . Wenn ich jedoch doppelt auf die Zelle klicke, wechselt sie in den Bearbeitungsmodus. Ich werde nun einfach die Groß-/Kleinschreibung auf „aktiv“ ändern und meine Änderung übernehmen. Dabei werde ich gefragt, wie diese Änderung interpretiert werden soll. Möchte ich diese Änderung nur auf die Zelle anwenden? Möchte ich sie auf alle Zellen mit identischen Werten anwenden, oder handelt es sich um eine Formatänderung, bei der der Wert unverändert bleibt? Ich wähle also „Formatänderung“ aus und wende sie an.

Und noch einmal: Immer wenn Sie etwas mit einer Regel machen, springt unsere Engine an, um sicherzustellen, dass das Ganze – all diese verschiedenen Komponenten – auf dem neuesten Stand dessen ist, was Sie in Ihrem Entwurf gerade tun. Richtig? Die Regel wurde also für mich hinzugefügt. Ich kann das genauer unter die Lupe nehmen, um noch einmal schnell zu überprüfen, was ich gemacht habe, und sicherzustellen, dass es so funktioniert, wie ich es erwarte. Und in unserem Browser siehst du den alten Wert und den neuen Wert, richtig? Der alte Wert ist rot durchgestrichen, der neue Wert ist grün. Das wird nur in unserem Editor angezeigt.

Das wird nicht in das Ziel geschrieben. Aber ich kann ganz einfach zu meiner Profiling-Regel zurückkehren und mir meine fehlerhaften Datensätze noch einmal ansehen. Auch hier stellen wir Ihnen eine übersichtliche Liste Ihrer Fehler zur Verfügung, damit Sie sich besser konzentrieren und mithilfe von Daten-Discovery erkennen können, was falsch läuft. Und ich kann sehen, dass sich mein Datenqualitätsindex verbessert hat. Außerdem kann ich in Daten-Discovery erkennen, Daten-Discovery die Anzahl meiner Muster zurückgegangen ist. Richtig? Die Anzeige ist auf dem aktuellen Stand meiner bisherigen Maßnahmen.

Da wir gerade beim Thema Daten-Discovery sind, möchte ich Ihnen kurz zeigen, was wir in diesem Bereich bereits umgesetzt haben. In diesem Beispiel schauen wir uns das Feld „Verlängerungsdatum“ an. Ein kurzer Blick in den Editor zeigt, dass hier viele verschiedene Muster vorkommen. Ich könnte also entweder im Editor oder im Browser selbst darauf klicken, um diese Ansicht aufzurufen, oder ich könnte sie einfach aus dem Menü auswählen, wie ich es gerade getan habe. Wenn ich mir das anschaue, sehe ich sofort, dass ich sieben unterschiedliche Muster in meinem Datumsfeld habe. Das Tolle daran ist, dass ich auf einen beliebigen Eintrag in dieser Tabelle klicken und den Browser aktualisieren lassen kann, um sie klar zu erkennen. Und wenn ich mich entschieden habe, welches Muster ich als Standard festlegen möchte, kann ich auf diese Schaltfläche hier unten klicken.

Und an dieser Stelle muss ich lediglich ein oder mehrere Muster auswählen, auf die ich standardisieren möchte. Ich speichere die Auswahl. Ich kann sehen, wie die Regel konfiguriert werden wird. Ich kann eine Vorschau meiner Regel anzeigen, und da wir eine Formatänderung vornehmen, werden wir die Erstellung einer Profiling- und einer Korrekturregel für Sie automatisieren. Sie können beide Regeln verwerfen, wenn Sie möchten, aber schon durch einen Klick auf diese Kacheln sehe ich, wie die Regel konfiguriert wird. In diesem Fall wird die Korrekturregel all diese unterschiedlichen Datumsformate in dieses Format umwandeln. Ich muss nur noch auf „Regel anwenden“ klicken.

Wieder wird unsere Engine gestartet. Ich sehe, dass meine Regeln hinzugefügt wurden, und jetzt kann ich tiefer in die Details einsteigen und überprüfen, wie sie sich verhalten haben und welche Leistung sie erbracht haben. Beachten Sie auch, dass unsere Regel erkennen konnte, dass zwar das Format hier gültig war, der Wert des Datums selbst jedoch ungültig ist. Und wieder kann ich meine Korrekturmaßnahmen untersuchen und mir die vorherigen Beispiele ansehen sowie all die verschiedenen Datumsformate erkennen, die wir ganz einfach konvertieren konnten, nicht wahr? Ein Teil davon ist also wiederum, dass wir versuchen, den Fokus auf Ihre Datenqualitätsprobleme zu lenken, es wirklich einfach machen, diese zu erkennen, Trends zu erkennen und die Erstellung der Regeln schnell zu automatisieren. Ich denke, ein weiterer wichtiger Punkt ist, dass Ihnen gezeigt wird, wo sich Ihre verschiedenen Formate befinden, noch bevor Sie überhaupt etwas unternehmen, richtig? Wenn Sie also feststellen, dass ein Format mit 22 verschiedenen Assets verknüpft ist, im Gegensatz zu anderen Formaten, die vielleicht nur eine oder zwei Verknüpfungen haben, kann dies Unternehmen helfen, schneller und einfacher zu entscheiden, welches Format sie als Standard festlegen möchten.

Oftmals ist es genau das, womit wir uns sozusagen schwer tun: Was ist eigentlich unser Standard? Oder vielleicht gibt es zwei von fünf Standards, die wir häufiger nutzen als die anderen. Das zeigt Ihnen sehr schnell – wiederum auf einen Blick –, wo Sie möglicherweise Prioritäten setzen oder einen Standard festlegen sollten. Einverstanden. Einverstanden. Wir haben noch so viel zu besprechen, deshalb möchte ich ganz kurz zum Scan-Menü zurückkehren und euch ein paar Dinge zeigen. Im Menü „Design-Assistenz“ bieten wir euch die Möglichkeit, nach Datensätzen mit ungenauen Übereinstimmungen zu suchen.

Ich weiß also, dass doppelte Datensätze jedem ein Dorn im Auge sind. Jeder hasst sie. Jeder hat sie. Wir machen es Ihnen ganz einfach, sowohl Datensätze mit ungenauen Übereinstimmungen als auch solche mit exakten Übereinstimmungen zu finden. Wenn Sie also möchten, dass wir das Design für Sie erstellen, müssen Sie nur diese Schaltfläche aktivieren, und wir suchen dann nach Datensätzen mit exakten Übereinstimmungen. Ich habe hier ein Beispiel für Sie. Sie werden sehen – lassen Sie mich hier die Vorschau generieren.

Sie werden sehen, was wir tun. Im Rahmen des automatisierten Designprozesses haben wir die Möglichkeit, alle exakt übereinstimmenden Duplikate zu identifizieren und zu finden. Da sie alle identisch sind, spielt es eigentlich keine Rolle, welchen wir behalten, aber standardmäßig behalten wir einen davon und schreiben den Rest als Duplikate in unsere Fehlerdatei. In Wirklichkeit könntest du hier jedoch so viele davon auswählen, wie du möchtest, wenn du sie behalten möchtest. So funktionieren Duplikate mit exakter Übereinstimmung im Grunde genommen. Beim Verhalten für Duplikate mit unscharfer Übereinstimmung müssen Sie lediglich – es sieht so aus, als hätte ich das vermasselt, aber Sie müssen lediglich ein Schlüsselfeld auswählen und dann ein oder mehrere übereinstimmende Felder auswählen, und ich zeige Ihnen ganz schnell, wie das funktioniert. Ich glaube, ich muss diesen Fehler beheben.

Ich werde Ihnen also zeigen, wie das funktioniert, und Ihnen ein Beispiel dafür geben. Im Grunde wählen Sie ein Schlüsselfeld aus, und innerhalb dieses Schlüsselfelds suchen wir nach exakten Übereinstimmungen; anschließend können Sie so viele übereinstimmende Felder auswählen, wie Sie möchten, und aus dieser Liste von Algorithmen wählen, die wir zur Verfügung stellen. Und so funktioniert es: Wenn wir 10 exakte Übereinstimmungen für die Kontonummer gefunden haben, erstellen wir einen Cluster, und ich zeige Ihnen gleich genau, wie das aussieht. Innerhalb dieses Cluster werden wir uns diese beiden Felder ansehen und auf der Grundlage dieses Algorithmus ungenaue Übereinstimmungen finden. Okay? Das sieht dann so aus, dass wir eine Cluster erstellen, die Sie überprüfen können, und so sieht sie aus. Das hier ist also unser Schlüsselfeld, der Vorname.

So können Sie exakte Übereinstimmungen sehen und die eindeutige Cluster , die wir für Sie erstellt haben. Sie müssen also nur hereinkommen und sich jeden Cluster ansehen. Das sind die exakten Übereinstimmungen. Sie können sehen, wie wir hier Fuzzy-Matching durchgeführt haben und wie wir dies über all diese verschiedenen Cluster hinweg umgesetzt haben. Sie müssen lediglich die Datensätze auswählen, die Sie aus jedem Cluster als eindeutig betrachten. Diese schreiben wir in unsere „Pass“-Datei, unser „Pass“-Ziel, und der Rest wird als Duplikate aus unscharfen Übereinstimmungen in das „Fail“-Ziel geschrieben. Es steht Ihnen natürlich frei, alle diese Datensätze in jedem Cluster auszuwählen, Cluster Sie möchten.

Mehrere oder nur eines – ganz nach Bedarf und ganz nach Ihrem Geschmack. Okay. Kommen wir nun zu unserem KI-Prompt. Im Rahmen der KI, also in unserem Angebot hier in Version 14, haben Sie die Möglichkeit, jeden beliebigen KI-Dienst einzubinden. Sie haben außerdem die Möglichkeit, ein beliebiges Modell auszuwählen, und das sogar innerhalb derselben Sitzung. Wenn Sie kostenbewusst vorgehen möchten, können Sie ein bestimmtes Modell auswählen. Wenn Sie etwas eher Komplexes bearbeiten, können Sie ein anderes Modell wählen.

Aber so funktioniert es: Unser KI-Prompt erscheint hier unten, und Sie können „Hallo“ eingeben, woraufhin er mit einer Liste aller verschiedenen Funktionen antwortet, die er ausführen kann. Ich habe ihn persönlich schon genutzt. Ich habe ihn verwendet, um Daten in unserem Browser zu filtern. Wenn ich nach etwas suche und eine Teilmenge von Datensätzen basierend auf einer bestimmten Bedingung anzeigen möchte, nutze ich ihn dafür. Ich nutze sie, um für mich Regeln zur Profilerstellung und Fehlerbehebung zu generieren und zu automatisieren. Ich nutze sie zum Debuggen. Ich nutze sie, um mein Datenqualitätsdesign und meine Lösung zu bewerten und Lücken für mich aufzuspüren.

Das ist also sehr leistungsstark. Und genau hier unten können Sie, wie bereits erwähnt, Ihren Anbieter auswählen und auch das Modell, das Sie verwenden möchten. Und genau hier können Sie auch Ihren Kontext löschen. Und eines der Dinge, die ich an dieser Eingabeaufforderung großartig finde: Es ist eine Sache, sich dieses Umsatzfeld und diese Zelle anzusehen und zu sagen: „Okay, das Format ist gültig“, und vielleicht liegt der Wert auch im entsprechenden Bereich, sodass er gültig zu sein scheint. Aber wenn man sich die Geschäftslogik und die Beziehungen innerhalb des Datensatz ansieht, ist es meiner Meinung nach einfach großartig, auf dieser tieferen Ebene validieren zu können. Und dieser KI-Prompt macht das super einfach. In diesem Datensatz habe ich also ein Feld namens „Steuersatz“ und ein weiteres Feld, das den tatsächlichen Bundesstaat enthält.

Ich werde also diesen KI-Befehl verwenden und sage: „Stelle sicher, dass das Feld ‚Steuersatz‘ für das Feld ‚Bundesstaat‘ bei den US-Bundesstaaten korrekt ist.“ Und das ist alles, was ich ihm sage. Und genau wie bei der gleichen Erfahrung, wenn Sie beispielsweise Claude in Ihrer IDE verwenden, warten wir auf das Modell. Es kommuniziert mit dem Modell. Aber was nun passiert, ist, dass es eine Regel zurückgibt, die es mir vorschlägt, und ich habe die Möglichkeit, diese zu akzeptieren, zu überspringen, zu ändern oder damit zu machen, was ich will. Aber wie du siehst, hat es eine Antwort zurückgegeben und mir mitgeteilt: „Okay, ich habe diese Regel erstellt. Ist das, was du willst?“ Und ich sage: „Anwenden.“

Und genau wie alles andere, was ich euch heute gezeigt habe, wird unsere Engine dies ausführen. Die Regel wird hinzugefügt. Und sobald sie hinzugefügt ist, habe ich die Möglichkeit, detailliert darauf einzugehen und mir die Daten zu den erfolgreichen und fehlgeschlagenen Durchläufen anzusehen. Übrigens haben wir auch dies hinzugefügt, und das gilt speziell für den Browser. Dies ändert nichts daran, wie die Daten auf eure Ziele geschrieben werden. Aber ich kann dieses Feld verschieben und genau dort ablegen, sodass die Felder direkt nebeneinander liegen – dann ist es für mich wirklich übersichtlich, oder? Das erleichtert die Überprüfung.

Da ich nun meine fehlerhaften Daten sehen kann, kann ich die KI-Eingabeaufforderung nutzen. Mit der KI-Eingabeaufforderung kann ich einige Korrekturregeln hinzufügen und das Problem beheben, wenn ich möchte. In diesem Fall möchte ich Ihnen jedoch auch zeigen und hervorheben, dass dies der Ausdruck ist. Die von mir generierte Regel war die „Assert“-Regel, bei der der Ausdruck auf der linken Seite, der Ausdruck auf der rechten Seite und der Operator in der Mitte stehen. Aber mithilfe unserer KI-Eingabeaufforderung und unseres KI-Agenten konnte ich diesen sehr komplexen Ausdruck mit dieser KI-Eingabeaufforderung generieren. Und das Einzige, was ich wirklich tun musste, um damit erfolgreich zu sein, war, die Beziehungen innerhalb des Datensatz zu verstehen Datensatz die Geschäftslogik zu begreifen. Deshalb gebe ich euch noch ein kurzes Beispiel dafür, wie ich die KI-Eingabeaufforderung genutzt habe.

Also setze ich einfach ein Backtick davor und gebe „apply“ ein, was ein ungültiger Ausdruck ist. Dann speichere ich die Änderung, die ich an meiner Regel vorgenommen habe. Es erscheint eine Meldung, dass die Ausführung fehlgeschlagen ist, und ich gebe ein: „Ausführung fehlgeschlagen.“ Das hätte ich wahrscheinlich nicht groß schreiben müssen. Bitte beheben. Und nun wird das Debugging gestartet. Das System hat Zugriff auf unsere Protokolldatei. Es wird nun mit dem Debugging dieser Regel beginnen.

Und genau diese Konzepte, die ich euch gerade zeige, nicht wahr? Wir schauen uns jetzt an, wie wir sie im Map Designer und im Process Designer anwenden, was ich sehr spannend finde. Aber der Vorgang wird bald abgeschlossen sein, und die Regel wird für mich aktualisiert. Ich muss nur noch auf „Bestätigen“ klicken. Die Engine läuft wieder, und meine Regel wurde korrigiert. Richtig? Also machen wir das.

Deshalb habe ich noch ein paar weitere Beispiele zu dieser Art von tiefergehender Datenqualität erstellt. Ich werde diese ganz kurz durchgehen und Fähigkeiten auch kurz auf unsere Fähigkeiten der Datenaufbereitung eingehen. Beachten Sie jedoch, dass ich den Steuersatz anhand des Bundeslandes validiert habe. Ich habe hier noch eine weitere Regel. Lassen Sie mich zur Standardansicht im Browser zurückkehren. Ich habe hier noch eine weitere Regel, genau hier, die den Umsatz validiert. Man kann den Umsatz also berechnen, indem man die Stückkosten, den Steuersatz, den Rabatt pro Einheit und die verkauften Einheiten betrachtet.

Stimmt’s? Ich kann also wieder all diese Beziehungen nutzen, und da ich – theoretisch gesehen – meine Spalte mit den Steuersätzen bereinigt habe, kann ich mich darauf verlassen, oder? Aber ich kann alle diese Spalten anhand dieser Regeln überprüfen. Es ist nicht nur eine. Ich kann die Fehler und Probleme in allen erkennen. Und schließlich nutze ich die Datenaufbereitung, um diesem Datensatz ein neues Feld hinzuzufügen. Es heißt „CSM“, und ich verwende die Nachschlagsfunktion, um diese Daten in den Datensatz zu übernehmen und sie diesem Feld zuzuordnen.

Und was das für mich bedeutet – die Logik dahinter ist, dass wir einen Customer Success Manager haben, der verschiedenen Kunden zugewiesen ist, und die Kriterien lauten, dass der Umsatz mindestens 500.000 Dollar betragen muss, das Abonnement gültig sein muss und keine Kreditbeschränkung vorliegen darf. Wir verbinden also beide Seiten in dem Sinne, dass wir Ihnen die Möglichkeiten der Datenqualität und die Fähigkeiten für die Datenaufbereitung benötigen, in einem einzigen Tool zur Verfügung stellen. Ich habe also die Daten, die außerhalb dieses Datensatzes lagen, in diesen Datensatz importiert und kann nun auf der Grundlage dieser Logik Profiling und Korrekturen daran vornehmen, was ich einfach großartig finde. Okay, mir ist gerade klar geworden, dass ich „Data Prep“ nur kurz gestreift habe, aber kurz gesagt bietet Ihnen „Data Prep“ die Möglichkeit, beliebige Änderungen an Ihrem Schema vorzunehmen, Felder umzubenennen, zu löschen oder hinzuzufügen. Die Regeln, die wir in „Data Prep“ haben, ermöglichen es Ihnen, Daten aus einem Feld zu extrahieren, wie zum Beispiel Adressbestandteile. Wenn Sie alle Adressbestandteile in separate Felder aufteilen müssten, könnten Sie das tun. Sie könnten dies für Verknüpfungen nutzen.

Man kann damit Lookups nutzen. Das ist sehr, sehr leistungsstark. Aber damit komme ich nun zu unserer nächsten Version, dem Integration Manager. Eine der Maßnahmen, die wir im Rahmen von Data Connect umsetzen, ist die enge Verknüpfung von Integration Manager und Data Connect. Die Ansicht, die Sie gerade sehen, ist also die Ansicht unseres Design Studios. Okay? Ich kann also eine Verbindung zum Integration Manager herstellen und buchstäblich alle Benutzeroberflächen des Integration Managers sehen sowie über alle Funktionen und Fähigkeiten verfügen, Fähigkeiten wäre ich direkt dort angemeldet.

Okay? Als Erstes zeige ich Ihnen also unsere Terminübersichtsseite. Das ist eine neu gestaltete Ansicht Ihres Kalenders. Alle diese Kacheln stehen für verschiedene Aufträge. Die Größe der Kachel gibt an, wie lange die Ausführung des Auftrags dauern wird. Ich kann einen Auftrag ganz einfach per Drag & Drop neu planen. Und wie Sie sehen, ist die Farbe der Kacheln spezifisch für den jeweiligen Worker-Pool, dem sie zugeordnet sind.

Wenn ich eine graue Kachel sehe, bedeutet das, dass dieser Job angehalten wurde. Wenn ich also auf diese Kachel klicke, kann ich ganz einfach sehen, wer ihn wann angehalten hat, und habe die Möglichkeit, ihn wieder zu aktivieren. Aber das ist nur ein kurzer Überblick über unseren Kalender. Als Nächstes möchte ich auf die Beobachtbarkeit eingehen. Also, lassen Sie mich kurz durchatmen. Als wir uns damit befassten, wie wir unseren Kunden mit Data Connect einen Mehrwert bieten können – insbesondere im Integration Manager –, Beobachtbarkeit ein Kinderspiel. Aber als ich mir den Markt ansah, stellte ich fest, dass es eine Unmenge an Beobachtbarkeit gibt, die zwar hervorragend visualisieren, bei denen man aber meist nichts mit dem Tool anfangen kann, oder?

Es sagt dir: „Hey, du hast ein Problem“, aber okay, was mache ich dagegen? Wie behebe ich es? Und all das fehlt. Was mir außerdem aufgefallen ist, als ich mir diese anderen Tools angesehen habe, ist die „Diagramm-Müdigkeit“. Es ist, als würde man eine E-Mail in Großbuchstaben erhalten. Man weiß gar nicht, wo man anfangen soll und worauf man sich konzentrieren soll, oder? Deshalb wollte ich einen anderen Ansatz wählen, um es ganz einfach zu halten, und ich werde dir erklären, was du hier siehst und warum wir es so gestaltet haben.

Wir haben also diese KPI-Karten, die verschiedene Kennzahlen darstellen, und grob gesagt beziehen sich diese Kennzahlen auf den Zustand Ihrer Jobs, den Zustand Ihrer Daten und den Zustand des Host-Systems, auf dem unsere Engine läuft. Wir haben sie in drei Kategorien unterteilt: Betriebszustand, Datenzuverlässigkeit sowie Volumen und Geschwindigkeit. Was Sie hier sehen, ist also eine Gesamtübersicht. Alle diese Kennzahlen sind eine Zusammenfassung dessen, was bei Ihnen in der Produktion läuft. Nehmen wir also an, Sie haben 1.000 Jobs in der Produktion laufen. Sie sehen hier eine Gesamtübersicht über Ihre Umgebung. So können Sie sich einen Überblick verschaffen.

Die grüne Sparkline zeigt einen positiven Trend an, die blaue Sparkline steht für einen neutralen Trend und die rote Sparkline deutet natürlich auf einen negativen Trend hin. So können Sie sich hier gleich auf einen Blick einen Überblick verschaffen, wenn Sie sich morgens einloggen. Habe ich heute irgendwelche Probleme? Nein, habe ich nicht. Okay, dann werde ich mich auf etwas anderes konzentrieren. Oder doch, ich habe welche. Dann werde ich genauer hinschauen und herausfinden, was los ist.

Ich zeige Ihnen nun, wie das mit dem Durchsatz funktioniert. Der Durchsatz gibt in unserer Engine die Datensätze pro Sekunde an. Oben finden Sie einen Filter, der zeit- oder ausführungsbasiert ist, sodass Sie sich die letzten zwei Wochen oder die letzten 20 Ausführungen ansehen können. Im Grunde müssen Sie jedoch nur irgendwo auf dieses Diagramm klicken, und darunter erscheint eine Tabelle. Wir betrachten also erneut die Datensätze pro Sekunde; daher teilen wir Ihnen mit, wie viele Datensätze pro Sekunde für jeden dieser verschiedenen Jobs erwartet werden, und Sie können sehen, ob dies erfolgreich war oder nicht. Noch einmal: Von der Makro- zur Mikroebene – wenn dies ein Trend wäre, könnten Sie schnell die Untergruppe von Jobs erkennen, die hinter diesem Trend stehen. Und genau dieses Konzept wenden wir nun auf ein konkretes Problem an.

Ich werde Ihnen im weiteren Verlauf dieser Demo noch einige Beispiele zeigen, aber als Nächstes sehen wir uns die Ressourcenauslastung an. Wenn ich also auf „Ressourcenauslastung“ klicke, sehe ich hier ein historisches Trenddiagramm, das mir die Ressourcenauslastung auf dem Host-Rechner für unsere Engine anzeigt. Außerdem gibt es eine Visualisierung der Warteschlangenzeit. Die Warteschlangenzeit gibt also an, wie lange ein Auftrag in der Warteschlange verweilt, bevor er ausgeführt wird, richtig? Er soll also pünktlich um zehn Uhr ausgeführt werden – und wie lange stand er in der Warteschlange, bevor er tatsächlich abgeholt und ausgeführt wurde? Ich sehe hier also einen negativen Trend bei meiner Warteschlangenzeit. Und auch hier gilt: Ich kann darauf klicken und die erwartete sowie die tatsächliche Warteschlangenzeit einsehen.

Richtig? Dieser Teil funktioniert also auch ohne KI zu 100 %. Aber wir werden diese Diagramme nutzen, um Ihnen dabei zu helfen, die Aussagen der KI zu überprüfen. KI liegt nicht immer richtig, und deshalb wollte ich – genau wie wir es bereits im Bereich Datenqualität getan haben – sicherstellen, dass ich, wenn mir die KI-Eingabeaufforderung eine Regel vorschlägt, die Möglichkeit habe, diese abzulehnen, zu ändern oder zu genehmigen. Und so erhalte ich eine Trendanalyse von der KI, die mir mitteilt: „Das System hat einen deutlichen Anstieg der Wartezeit festgestellt.“ Ich muss lediglich auf „Metriken anzeigen“ klicken, und wir filtern das automatisch für dich heraus. Ja, ich habe tatsächlich ein Problem mit der Wartezeit. Ich möchte mehr darüber erfahren, oder?

Wenn Sie das tun, führen wir eine gründliche Analyse Ihrer Metadaten durch, die wir in einer Datenbank speichern, die mit Data Connect oder dem Integration Manager installiert wurde. So kann ich noch tiefer in die Materie einsteigen, um zu verstehen, was vor sich geht. Hier sind die wichtigsten Ergebnisse. Die durchschnittliche Wartezeit in der Warteschlange ist auf 510 Sekunden gestiegen. Dies sind die fünf Jobs, bei denen es zu Verzögerungen kommt. Und ich kann erneut direkt zu meinem Diagramm zurückkehren und das überprüfen. 510 Sekunden, 510 Sekunden, dieselben fünf Jobs.

Okay, was kann ich dagegen tun? Unmittelbare kurz- und langfristige Anforderungen. Was die unmittelbaren Maßnahmen angeht: Wir empfehlen Ihnen, diesen Worker-Pool derzeit überzubelegen, damit wir Ihnen beim Lastausgleich helfen können, richtig? Hier ein ganz einfaches Beispiel, wie das funktioniert. Außerdem haben wir hier zwei weitere KPI-Karten, mit denen Sie etwaige Schwellenwertüberschreitungen oder Ausfälle jeglicher Art verwalten und beheben können. Eine Schwellenwertüberschreitung wäre also eine Bedingung, die Sie mit einem Integrationsmanager für Ihren Job festgelegt haben, z. B.: „Ich erwarte, dass mein Job in fünf Minuten abgeschlossen ist.“ Wenn es sechs Minuten dauert, erhalten Sie eine Benachrichtigung – entweder über Slack, Teams oder per E-Mail.

Wir leiten Sie auf diese Seite weiter, auf der Sie entweder ein JIRA-Ticket dafür erstellen oder es jemandem zuweisen können. Mit anderen Worten: Sie können verwalten Warteschlange verwalten . Das Gleiche gilt für Fehler. Diese Diagramme unterscheiden sich insofern ein wenig, als wir hier unten eine Legende haben, mit der Sie sowohl diese Visualisierung als auch die darunterliegende Tabelle steuern können. Genau hier sehen Sie die native JIRA-Integration, von der ich gesprochen habe. Wir haben alle diese Felder bereits für Sie ausgefüllt. Sie müssen lediglich auf „Ticket erstellen“ klicken, wenn Sie JIRA verwenden.

Beachten Sie jedoch, dass ich meine durchschnittliche Lösungszeit habe, auf die Lauren zuvor hingewiesen hat. Ich kann zwischen der Anzeige einer Gesamtübersicht aller meiner Fehler und der Betrachtung eines bestimmten Fehlers wechseln, richtig? Wenn ich mir also Konfigurationsfehler ansehe, betrachte ich den aktuellen Wert in meinem gleitenden Durchschnitt, und beachten Sie, dass meine durchschnittliche Lösungszeit 13 Stunden beträgt. Wenn ich zu einem anderen Thema wechseln würde, wie zum Beispiel zu Ressourcenproblemen, sehe ich, dass ich dort eine andere durchschnittliche Lösungszeit habe. Meiner Meinung nach gibt euch das die Möglichkeit, verwalten Warteschlange effektiv zu verwalten und von Quartal zu Quartal effektiv zu planen. Wie viel Zeit verbringe ich bzw. verbringen wir, und wie lange dauert es, bis eines dieser Probleme behoben ist? Warum brauchen wir für die Behebung dieses Problems so viel mehr Zeit als für jenes?

Und so funktioniert das also. Außerdem haben wir hier oben eine KI-Eingabeaufforderung, die wir eingerichtet haben, damit wir unser dashboard nicht dashboard all diesen verschiedenen Widgets und Optionen überladen müssen. Man kann buchstäblich ein Gespräch mit seinen Daten führen, um alles herauszufinden, was man wissen möchte. Ich frage zum Beispiel: „Wie viele Jobs wurden letzte Woche bereitgestellt?“ Und die KI antwortet mir: Das sind die Jobs, die bereitgestellt wurden. Hier ist, wer sie durchgeführt hat, hier ist der Verantwortliche, hier ist der Zeitplan und so weiter und so fort. Aber wir haben das hier speziell eingebaut, um euch all die Flexibilität zu bieten, die ihr euch wünscht und die ihr auf Knopfdruck benötigt, oder?

Warten Sie nicht darauf, dass wir ein neues Diagramm erstellen, das etwas misst, das Sie interessiert. Sie können das gleich hier selbst tun. Als Nächstes wechseln wir zur Seite „Konfigurieren“. Was die Seite „Konfigurieren“ angeht, möchte ich zunächst erwähnen, dass wir eine gewisse Struktur in die Speicherung Ihrer Konfigurationen einführen. Sie können also alle Ihre Konfigurationen projektbezogen speichern. Das funktioniert ganz ähnlich wie derzeit im Lager . Außerdem werden Sie feststellen, dass wir hier dieselben KPI-Karten haben.

Hier ist zu beachten, dass wir den Kontext wechseln. Als ich zuvor auf der Beobachtbarkeit war, haben wir uns alle Jobs angesehen. Auf der Seite „Konfiguration“ betrachten wir nun einen einzelnen Job, nicht wahr? Wenn ich also ein Data Steward oder Data Engineer bin, habe ich diese Lösung entwickelt. Ich bin vielleicht nicht sonderlich an allem interessiert, was in der Produktion vor sich geht, aber ich interessiere mich sehr für die Jobs, für die ich verantwortlich bin. Und so funktionieren KPI-Karten ganz ähnlich: Ich sehe die Farben Grün, Blau und Rot, die für positiv, negativ und neutral stehen. Ich werde Ihnen gleich zeigen, wie Sie diese Informationen genauer untersuchen können.

Hier unten finden Sie alle Ihre Konfigurationsdetails. Sie sehen Ihre Makroliste und Ihren Auftragsverlauf. Wie oft wird dieser Vorgang ausgeführt? Wie oft ist er fehlgeschlagen? Wie oft hintereinander? Wir führen ein Änderungsprotokoll ein, sodass jedes Mal, wenn jemand diese Konfiguration ändert, Aufzeichnung wer dies wann getan Aufzeichnung und welche Änderungen vorgenommen wurden. Und ich werde Ihnen gleich zeigen, wie sich das auf das Ganze auswirkt.

Als Nächstes möchte ich Ihnen jedoch die Abfolge zeigen. Lassen Sie mich das für Sie vergrößern. Hier sehen Sie also eine Darstellung der Abfolge. Das hier ist ein Datensatz , und das hier ist ein „Schritt“-Knoten. Sie können auf einen der beiden klicken, um Details anzuzeigen. Das zeigt Ihnen also das Schema. Ich kann auf den „Schritt“-Knoten klicken, und dann erhalten Sie einige Details darüber, was in diesem Schritt vor sich geht.

Ich habe die Möglichkeit zu suchen. Wenn ich also „valid“ als Suchbegriff eingebe, wird das Wort „valid“ im Datensatzknoten gefunden, es wird im Feld gefunden und es wird im Schritt gefunden. Ich kann auch eine Auswirkungsanalyse durchführen. Wenn wir hier also einen Fehler hätten, könnte ich auf „Auswirkungsanalyse“ klicken. Dann würden mir die direkten Abhängigkeiten angezeigt und ich könnte sehen, aus welchem Schritt der Fehler stammt. Richtig? Und der Zweck der Herkunftsverfolgung hier ist – bevor ich zu weit vorpresche –, dass man auch … Lassen Sie mich das vergrößern.

Sie können in Ihrer Lineage-Ansicht auch die vor- und nachgelagerten Jobs sehen. Diese können Sie also aufklappen. Ich kann Felder innerhalb meines Projekts zuordnen, richtig? So kann ich sehen, wie all diese Felder im gesamten Projekt zugeordnet sind. Aber die Linage-Ansicht dient uns zwei Zwecken. Sie ist eine Referenz für Sie: Wenn Sie Wartungsarbeiten durchführen müssen oder ein Problem mit diesem Job auftritt, können Sie zunächst die Linage-Ansicht konsultieren, um zu verstehen, wie die Daten durch den Job fließen, wie er konzipiert wurde und was er tut – und das lange bevor Sie das Artefakt überhaupt öffnen. Richtig?

Man kann auch Abhängigkeiten erkennen. Wenn wir also ein Problem mit diesem Job hätten und ihn offline nehmen müssten, wüssten wir sofort, was vorgelagert und was nachgelagert ist und was ich hinsichtlich des Zeitplans tun muss. Ich denke, das bietet eine Menge Möglichkeiten. Ich glaube, dass die Protokollierung hierfür sehr nützlich sein wird. Ich möchte so etwas wie – ich habe es hier zwar nicht für euch visualisiert, aber ich möchte damit fast schon eine Art Debugging-Erfahrung schaffen, bei der man Schritt für Schritt durchgehen und im Zeitverlauf sehen kann, wie sich die Lösung entwickelt hat. Als sie bereitgestellt wurde, befand sie sich in diesem Zustand, und heute ist sie in diesem Zustand, und hier ist eine Momentaufnahme aller Änderungen sowie der Verantwortlichen und der durchgeführten Maßnahmen während ihres gesamten Lebenszyklus. Als Nächstes möchte ich euch etwas zeigen, das dem ähnelt, was wir uns beim Thema Beobachtbarkeit angesehen haben, aber dieses Mal haben wir hier eine KPI-Karte, die uns anzeigt, dass wir einen KI-Trend haben, und dieser ist negativ.

Schauen wir uns das also einmal an. Hier werden wir uns die Trends bei der Datenqualität ansehen. Und genau wie zuvor erhalten wir von der KI eine Zusammenfassung, aus der hervorgeht, dass der Index in der letzten Woche um 9 % gesunken ist. Ich kann also auf „Metriken anzeigen“ klicken und unsere Visualisierung nutzen, um erneut anhand der Visualisierung zu überprüfen, was uns die KI mitteilt. Wenn die Angaben nicht übereinstimmen, kann ich sie ignorieren und mit meiner Arbeit fortfahren. Stimmt die Angabe, habe ich die Möglichkeit, tiefer in die Materie einzusteigen, um mehr zu erfahren und herauszufinden, wie ich weiter vorgehen soll. Die KI teilt mir also mit, dass mein Datenqualitätsindex gesunken ist.

Okay, ich verstehe. Ich glaube es. Also machen wir mit der Ursachenanalyse weiter. Und noch einmal: Dies ist ein Scan auf Abruf, um sicherzustellen, dass Sie über aktuelle Informationen verfügen und entscheiden können, wie es weitergehen soll. Der Scan hat also ein anderes Muster festgestellt. Die Dimension „Vollständigkeit“ ist um 13 % gesunken, was auf einen Rückgang bei den E-Mail-Feldern von 89 % auf 68 % zurückzuführen ist. Und dann wird mir angezeigt, welche Regel versagt hat.

Also noch einmal: Bevor ich irgendetwas unternehme, schaue ich mir die Kennzahlen an, und wir werden alle diese Diagramme automatisch filtern. Dieses erste Diagramm zeigt mir also den Vollständigkeitswert, und ich kann den Trend erkennen. Das nächste Diagramm zeigt mir das Feld „E-Mail“, das eine Regel enthält, die mit der Dimension „Vollständigkeit“ verknüpft ist. Gleicher Trend. Und schließlich ist diese Regel – „nicht null“ – für das Feld „E-Mail“ konfiguriert. Richtig? Gleicher Trend.

Alle drei zeigen mir also dasselbe an und geben mir dieselbe Information. Übrigens verstehe ich nun bereits die Ursache meines Problems, noch bevor ich das Artefakt überhaupt geöffnet habe. Und dieser Teil funktioniert auch ohne KI. Aber da wir über eine Herkunftsverfolgung verfügen und dieses Änderungsprotokoll haben, kann ich erkennen, dass das Problem von meinem Upstream-Job herrührt. Feldzuordnung für das E-Mail-Feld fehlt. Das Quellfeld „Source Email“ ist nicht dem Zielfeld „Target Email“ zugeordnet. Ich kann die Auswirkungen anhand der betroffenen Datensätze erkennen und auch den Änderungsverlauf einsehen, den wir uns gerade angesehen haben.

Ein Typ namens Chris Gilson hat die Zuordnung gelöscht. Richtig? Wir wissen also, auf wen wir wütend sein müssen, aber wir wissen auch, wo unser Problem liegt. Und hier unten seht ihr den Job-Verlauf. Das ist also der Job, den wir uns gerade ansehen. Das ist der vorgelagerte Job, das ist der nachgelagerte Job. Und wir haben eine Liste mit vorgeschlagenen Maßnahmen.

Und so können wir diese Eingabeaufforderung in natürlicher Sprache nutzen, genau wie ich es Ihnen beim Thema Datenqualität gezeigt habe, um diese Änderungen vorzunehmen. Hier werde ich also angeben, den Upstream-Job zu aktualisieren und das Mapping für das E-Mail-Feld wiederherzustellen. Wenn ich nun auf „Senden“ klicke, zeigen wir Ihnen genau den Teil der Benutzeroberfläche des Upstream-Jobs, in dem die Änderung vorgenommen wird, und Sie haben die Möglichkeit, diese zu genehmigen oder abzubrechen. In diesem Fall werde ich sie genehmigen. Sobald das erledigt ist, sehen Sie, dass der Eintrag durchgestrichen wurde, da wir die Änderung bereits vorgenommen haben. Als Nächstes nehmen wir eine Änderung an diesem Job vor und fügen eine Korrekturregel hinzu. Dadurch werden alle Nullwerte korrigiert, die aufgrund des fehlenden Mappings entstanden sind.

Wie Sie sehen, ist unser Status hier leer, also werde ich ihn genehmigen. Und zum Schluss richten wir noch eine Sicherheitsmaßnahme ein, damit wir benachrichtigt werden, falls wir jemals wieder ein Problem wie dieses haben sollten. Dazu fügen wir nun eine Benachrichtigung mit einem Vollständigkeitsschwellenwert hinzu. Wir legen sie auf 90 % fest, genehmigen und stellen sie bereit. Richtig? Und genau das habe ich gemeint, als ich davon sprach, dem Integration Manager einige Design-Funktionen hinzuzufügen, damit der erste Schritt bei jedem auftretenden Problem nicht darin besteht, einfach alles in den lokalen Lager herunterzuladen, alle Abhängigkeiten aufzulösen und dann erst herauszufinden, was schiefgelaufen ist. Und ich halte das für sehr leistungsstark.

Und ich gebe gerne als Erster zu: Wenn ihr systemische Probleme innerhalb eines riesigen Prozesses mit 1.500 Schritten habt, ist das wahrscheinlich nicht der beste Weg. Stimmt’s? Ich würde das Ganze in die IDE übertragen und dort anfangen, der Sache auf den Grund zu gehen. Aber ich denke, die meisten Probleme, auf die ihr stoßt, werden wir damit schnell und zuverlässig lösen können. Und schließlich haben wir hier oben noch eine weitere KI-Eingabeaufforderung, die insofern ein wenig anders ist, als ihr ihr nicht nur Fragen zu diesem Auftrag stellen, sondern auch Maßnahmen ergreifen könnt. Zum Beispiel: „Lade das herunter und importiere es in mein Lager.“ Oder: „Schlage bessere Terminierungsoptionen vor.“

Es gibt eine Vielzahl verschiedener Möglichkeiten, wie Sie das nutzen können. Das waren also einige Erkenntnis unsere Datenqualitätsversion 14.0 sowie einige Erkenntnis die nächste Version, 14.1. Eine Sache, die ich eigentlich gleich zu Beginn des Meetings erwähnen wollte, es aber versäumt habe – und die ich in meiner Eile und Begeisterung übersehen habe –, ist, dass ich euch versichern wollte, dass wir mit Version 14 dasselbe Konzept von Arbeitsbereich und Projekt verfolgen wie Eclipse – oder wie es dort früher der Fall war –, und dass wir dies mit Version 14 unterstützen und durchsetzen. Wenn also Version 14 erscheint, müsst ihr lediglich Version 14 auf euren bestehenden Arbeitsbereich verweisen. Es gibt kein Upgrade, keine Migration – verweist sie einfach auf euren bestehenden Arbeitsbereich und schon kann es losgehen. Okay, das war’s von mir. Vielen Dank.

Danke, Chris. Ich weiß, wir haben eine ganze Menge durchgenommen. Ich hoffe, alle Zuhörer erkennen und sind genauso begeistert wie wir von den Neuerungen, die in das Produkt einfließen werden. Und hoffentlich könnt ihr erkennen, wie wir versuchen, das Ganze sowohl aus technischer Sicht als auch – noch einmal – unter dem Gesichtspunkt des geschäftlichen Mehrwerts anzugehen, damit wir die Nutzung vereinfachen und die betriebliche Effizienz steigern können. Damit kommen wir nun zur Fragerunde und gehen auf einige der gestellten Fragen ein. Die erste Frage, die hier vorliegt, betrifft Änderungen an den Korrekturmaßnahmen. Die Frage lautet also: „Werden diese Änderungen an den Korrekturmaßnahmen an das Quellsystem weitergeleitet?“

„Und wenn nicht, wo werden die Korrekturdaten gespeichert?“ Das wurde hier bereits beantwortet: Die Korrekturfunktion erstellt die Regeln, um diese Änderungen vorzunehmen, und Sie haben dann die Möglichkeit, die Korrekturfunktion so zu steuern, dass die Änderungen an der Quelle vorgenommen werden oder dass Sie dort eingreifen. Ja. Also die Korrektur – und das ist eine gute Frage. Wir ändern also niemals den Quellcode. Wir ändern den Quellcode in keinem unserer Tools und werden ihn auch in Zukunft niemals ändern. Die Korrektur findet statt, wenn man die Daten in ein Ziel schreibt, richtig? Man liest also Daten aus einer Quelle aus und möchte sie in eine andere schreiben.

Und Sie haben in Data Connect die Möglichkeit, die Ziele auszublenden, wenn Sie möchten – falls Sie lediglich Metriken generieren wollen. Sie haben auch die Möglichkeit, die Behebung auszublenden, wenn Sie nicht möchten, dass das Problem behoben wird. Ich hoffe, das beantwortet die Frage. Ja. Das war eine perfekte Klarstellung. Eine weitere Frage, die wir erhalten haben – und die du, Chris, gerade angesprochen hast –, betrifft den Upgrade-Pfad; daher glaube ich nicht, dass ich das unbedingt noch einmal wiederholen muss. Ich möchte nur sagen, dass wir, wie ich bereits zu Beginn des Webinars erwähnt habe, wirklich versuchen, uns weiterhin darauf zu konzentrieren, oder?

Wir möchten, dass unsere Partnerschaften mit Ihnen allen fortbestehen und stark bleiben, und dazu gehört auch, dass wir regelmäßig mit Ihnen im Austausch stehen und regelmäßig überprüfen, wie Sie das Tool implementiert haben, wie Sie es nutzen und was funktioniert und was nicht. Wenn ihr also damit beginnt, V14 zu evaluieren – und hoffentlich genauso begeistert seid wie wir, es einzusetzen –, zögert nicht, uns zu kontaktieren, damit wir euch unterstützen können, um sicherzustellen, dass der Prozess für euch reibungslos verläuft. Ich denke, wir haben es so konzipiert, dass dies der Fall sein wird, aber es gibt auch all die anderen geschäftlichen Ziele, bei deren Umsetzung wir euch ebenfalls helfen können. Möchtest du dem noch etwas hinzufügen, Chris, oder gibt es etwas, das du darüber hinaus hervorheben möchtest? Ja. Wir sind uns sehr bewusst, dass das Wichtigste für unsere Nutzer all die Ressourcen sind, die sie aufgebaut haben – all die Jahre, die sie damit verbracht haben, Lösungen zu entwickeln und zu pflegen –, und wir möchten auf jeden Fall, dass ihr weiterhin Wert daraus schöpft, und wir wollen diesen Prozess für euch in keiner Weise erschweren. Wir möchten euch dabei einfach so gut wie möglich entgegenkommen.

Mal sehen. Hier ist noch eine Frage. Mal sehen. Ich gehe das mal durch. Hier geht es also um die Verfügbarkeit von V14. Das steht also an – natürlich stellen wir es euch hier gerade erstmals vor, es wird also nicht mehr lange dauern. Gegen Ende des Monats werden wir eine größere öffentliche Einführung oder, wenn man so will, einen Relaunch vornehmen.

Bitte besuchen Sie dazu unsere Website. Ein Teil der Inhalte ist dort bereits zu finden. Die Seite wird laufend aktualisiert. Und noch einmal: Wir möchten sicherstellen, dass wir dieses Thema konsequent vorantreiben. Daher würden wir uns auch über jedes Feedback freuen. Wir möchten sichergehen, dass das, worüber wir uns freuen, auch Sie gleichermaßen begeistert. Außerdem haben wir intern eine Reihe von Programmen.

Wir gründen gerade eine zentrale Ortsgruppe. Hoffentlich kommen noch eine im Osten und eine im Westen hinzu. Das alles soll doch als Feedback dienen, oder? Also noch einmal: Während wir weiter an V14 arbeiten, würden wir uns sehr freuen, wenn ihr euch die Version anschaut, Feedback gebt, wo immer ihr könnt, und euch an euren Ansprechpartner in eurer Region wendet. Falls ihr nicht wisst, wer das ist, zögert nicht, euch an mich oder auch an Chris zu wenden. Ich weiß, dass wir beide euch dabei gerne weiterhelfen. Und ich glaube, das war’s dann auch schon.

Lassen Sie mich nur noch einmal nachsehen, ob hier im Chat noch weitere Fragen vorliegen. Einen Moment bitte. Ja. Ich denke, damit wären wir mit den Fragen am Ende, es sei denn, jemand möchte in letzter Minute noch etwas hinzufügen – dazu sind Sie herzlich eingeladen. Lauren und Chris, wir haben noch ein paar Fragen erhalten. Gibt es Änderungen bei Deployment in V14? Ja, und das hängt mit der Einbindung des Integration Managers zusammen.

Also, der Integration Manager – den können Sie überall bereitstellen. Er kann vor Ort bereitgestellt werden, er kann als Container in einer VPC bereitgestellt werden. Sie können ihn in der Cloud bereitstellen. Sie können unsere Engines überall einsetzen. Was jedoch unser Design Studio betrifft, wollten wir das Design Studio privat, als Desktop-Anwendung und als Single-Tenant-Lösung belassen. Entschuldigung, der Integration Manager ist mandantenfähig. Aus architektonischer Sicht hätten wir zwar die Möglichkeit, das Design Studio in der Cloud bereitzustellen, aber derzeit konzentrieren wir uns ausschließlich auf die Bereitstellung vor Ort.

Okay. Und da war noch eine weitere Frage. Viele Unternehmen verfügen über in-house , und als Sie erwähnt haben, dass man dort KI einsetzen könnte, gab es einige Fragen dazu, was dort unterstützt wird und so weiter. Ja, gute Frage. Ja, Sie können Ihr eigenes Modell in V14 einbinden. Auf jeden Fall. Ausgezeichnet.

Und damit habe ich keine weiteren Fragen mehr gesehen, die eingegangen sind. In Ordnung. Dann können wir das Ganze wohl abschließen. Ich möchte mich noch einmal ganz herzlich bei allen bedanken, die sich die Zeit genommen haben, daran teilzunehmen. Ich habe das Gefühl, wir haben gerade erst an der Oberfläche gekratzt. Es gibt viele wirklich spannende Dinge, an denen wir in V14 arbeiten. Das ist die Richtung, in die wir mit dem Produkt selbst gehen, und letztendlich kommt es immer darauf an, wie vertrauenswürdig Ihre Daten sind – und das ermöglicht es uns wirklich, proaktiv und reaktiv zu handeln, alles aus einer Hand zu erledigen, sozusagen, und dabei effizienter und effektiver vorzugehen.

Ich hoffe, ihr nehmt das mit und behaltet es im Hinterkopf, und wir freuen uns darauf, live mit euch in Kontakt zu treten. Vielen Dank dafür. Danke, Leute. Danke.