Kapitel 4. Strategien zur Datenumwandlung
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Ein kürzlich von Forbes veröffentlichter Bericht beschreibt wie einige Börsenmakler und Handelsunternehmen in der Lage waren, schneller als ihre Konkurrenten auf Daten zuzugreifen und diese zu analysieren. Dadurch waren sie in der Lage, "Trades zum besten Preis auszuführen, Mikrosekunden vor der Masse. Der Gewinn war zwar nur geringfügig in Bezug auf die Zeit, aber gewaltig in Bezug auf den Wettbewerbsvorteil, der durch die Schnelligkeit der Erkenntnisse erzielt wurde."
Wenn du eine Analyselösung in Betracht ziehst, ist es wichtig, dass du schnell zu Erkenntnissen kommst. Je schneller ein Unternehmen auf eine Veränderung seiner Daten reagieren kann, desto wettbewerbsfähiger wird es sein. In vielen Fällen müssen die Daten umgewandelt werden, um die benötigten Erkenntnisse zu gewinnen. Wie in Kapitel 3, "Einrichten deiner Datenmodelleund Einlesen von Daten", kurz erläutert , kannst du einen ETL-Ansatz verwenden, bei dem die Quelldaten gelesen, die Transformationen in einer externen Anwendung verarbeitet und die Ergebnisse geladen werden, oder du kannst einen ELT-Ansatz verwenden, bei dem die Daten, die du gerade geladen hast, an Ort und Stelle transformiert werden, indem du die Rechenleistung von Amazon Redshift nutzt.
In diesem Kapitel beginnen wir mit dem "Vergleich von ELT- und ETL-Strategien", um dir bei ...