Blog

Vor kurzem haben wir bereits gezeigt, wie Du Maschinendaten mit einem Edge Device auslesen und diese anschließend in Azure visualisieren und zur weiteren Verarbeitung vorbereiten kannst. Dieser Beitrag behandelt nun dieselbe Frage – nur in AWS.

Ray erfreut sich in der Machine-Learning-Community wachsender Beliebtheit. Es unter Windows zum Laufen zu bringen, kann jedoch knifflig sein. Wir zeigen Dir, wie es trotzdem funktioniert.

Mit der Entscheidung für die SAP Analytics Cloud (SAC) setzt Du auf eine innovative, flexible und performante Cloud-Lösung für Dein Unternehmen. Der nächste Schritt ist nun die Auswahl der zu Deinem Anwendungsfall passenden Analyse- und Visualisierungsmethode. Wir geben Dir einen Einblick in beide Entwicklungsumgebungen der SAC!

In unserer kostenlosen Online-Event-Reihe Data Firework Days haben wir Dir bereits die b.telligent Referenzarchitektur für Cloud Data Platforms vorgestellt. Nun wollen wir in unserer Blogreihe weiter auf das Thema Cloud und die einzelnen Anbieter eingehen. Im ersten dreiteiligen Part der Reihe Blueprint: Cloud-Data-Platform-Architektur ging es deshalb erst mal um die Architektur von Cloud-Plattformen im Allgemeinen.

Lies hier Teil 1: Blue Print Cloud-Data-Platform-Architektur

Exasol ist ein führender Hersteller von analytischen Datenbanksystemen. Das Kernprodukt ist eine auf In-Memory-Technologie basierende Software für die professionelle, parallele und schnelle Datenanalyse. Normalerweise werden SQL-Statements in einem SQL-Skript sequenziell abgearbeitet. Wie können aber mehrere Statements gleichzeitig ausgeführt werden? Dies zeigen wir anhand eines einfachen Skripts in diesem Blogbeitrag.

Vielleicht bist Du auch schon über folgendes Problem gestolpert? Du hast eine versionierte Tabelle in Deiner Datenbank und bemerkst, dass sich von Version zu Version gar nichts Relevantes ändert und Du einfach viel zu viele Zeilen hast? Wir zeigen Dir, wir Du das Problem lösen kannst!

Lange Wartezeiten beim Umgang mit Tableau sind nervig und sorgen fürmehr Frust als Lust. Wie man trotz Live-Connection oder einem komplexen Datenmodell die Performance der Tableau-Datenquelle wieder in den Griff bekommt, beleuchten wir in dieser Case-Study.

Um die Herausforderungen im Internet of Things zu bewältigen, müssen Unternehmen vor allem ihren IoT-Reifegrad kennen. Verfügt es über eine große Anzahl an Connected Devices und verborgenen Datenschätzen? Wird bereits erfolgreich IoT Data Analytics umgesetzt, sodass daraus Mehrwert für Prozesse generiert wird? Ist genug Know-how zu Data Storage und dem Umgang mit hoch performanten Datenbanken in der Cloud vorhanden? Alle diese Fragen haben Einfluss auf Euren Weg ins Internet of Things.

Herzlichen Glückwunsch, Du hast es geschafft und die bisherigen Ausführungen zu unserem Referenzarchitekturmodell unbeschadet überstanden! Der mühsamste und lästigste Teil liegt damit schon hinter uns. Falls Du gerade erst mit Teil 3 in unsere Blogserie einsteigst, kein Problem! Klicke einfach auf die Links zu Teil 1 und Teil 2. Dort erfährst Du mehr zu Ingestion und Data Lakes sowie der gesamten Referenzarchitektur.

Zu Teil 1 und Teil 2 der Blogserie.

Wie im ersten Teil erwähnt, werden wir in dieser Blogserie zunächst verschiedene Teile unserer Referenzarchitektur einer Cloud Data Platform vorstellen. Im Anschluss adaptieren wir diese auf die drei großen Cloud-Anbieter – Google Cloud Platform, AWS und Azure. Falls Du den ersten Blogbeitrag, der sich mit dem Ingestion-Teil unseres Modells beschäftigt, noch nicht gelesen hast, kannst Du das noch nachholen. Für alle anderen geht es nun mit dem Data-Lake-Teil der b.telligent Referenzarchitektur weiter, bevor wir uns in Teil 3 ausführlicher mit der Analytical Platform beschäftigen.

Hast Du schon mal darüber nachgedacht, wie die ideale Cloud-Data-Platform-Architektur aussehen sollte? Wir schon! In unserer kostenlosen Online-Event-Reihe Data Firework Days haben wir die b.telligent Referenzarchitektur für Cloud-Datenplattformen vorgestellt, einen Blueprint für den Aufbau einer erfolgreichen Datenplattform für Deine Analytics-, KI-/ML- oder DWH-Anwendungsfälle. Und wir sind noch einen Schritt weiter gegangen. Da wir alle wissen, dass es da draußen nicht die „eine“ Cloud gibt, haben wir unser Modell auch für die drei großen Cloud-Anbieter – Google Cloud Platform, AWS und Azure – adaptiert. In dieser Blogserie wollen wir in den ersten beiden Beiträgen zunächst unsere Referenzarchitektur beschreiben und uns dann, in den Teilen 4 bis 6, mit den Implementierungsmöglichkeiten für die einzelnen Anbieter beschäftigen. Los geht‘s, begleite uns auf unserer Reise durch die Cloud.

Ich: neu bei b.telligent, Promotion in reiner Mathematik, Programmier- und IT-Kenntnisse eine bunte Mischung. Das Ziel: innerhalb von 4 Monaten zertifizierter Azure Architect werden. Der Weg: ein Fortbildungsprogramm von Microsoft und viel Unterstützung von b.telligent.