Wenn ich durch YouTube oder LinkedIn scrolle und Themen wie RAG, Agenten oder Quantum Computing sehe, habe ich manchmal ein mulmiges Gefühl, als Datenprofi mit diesen Innovationen Schritt zu halten.

Wenn ich dann aber über die Themen nachdenke, mit denen meine Kunden als Salesforce-Berater oder als Information Scientist an der Universität täglich konfrontiert sind, erscheinen die Herausforderungen oft greifbarer: Beispiele sind schnellerer Datenzugriff, bessere Datenqualität oder die Steigerung der technischen Fähigkeiten der Mitarbeiter. Die zentralen Themen sind oft weniger futuristisch und können meist vereinfacht werden. Das ist der Schwerpunkt dieses und des nächsten Artikels:

Ich habe 12 Begriffe zusammengestellt, die Ihnen als Information Engineer, Information Scientist und Information Analyst im Jahr 2025 sicherlich begegnen werden. Warum sind sie related? Was sind die Herausforderungen? Und wie können Sie sie auf ein kleines Projekt anwenden?

Additionally – lasst uns eintauchen.

Inhaltsverzeichnis
1 – Information Warehouse, Information Lake, Information Lakehouse
2 – Cloud-Plattformen wie AWS, Azure und Google Cloud Platform
3 – Optimierung der Datenspeicherung
4 – Massive-Information-Technologien wie Apache Spark, Kafka
5 – Wie Datenintegration echtzeitfähig wird: ETL, ELT und Zero-ETL
6 – Even-Pushed Structure (EDA)
Time period 7–12 in Teil 2: Information Lineage & XAI, Gen AI, Agentic AI, Inference Time Compute, Close to…

Das Ziel eines jeden angehenden Datenprofis ist es, in bestimmten Programmiersprachen ein Profi zu sein. Das Erreichen eines bestimmten Niveaus in einer der unzähligen Sprachen ist für jeden ein entscheidender Meilenstein.

Für Dateningenieure ist SQL wahrscheinlich die wichtigste Sprache. Als Webentwickler müssen Sie im Schlaf JavaScript, HTML, CSS und PHP beherrschen. Für Datenwissenschaftler hingegen sind Python und R die bevorzugten Werkzeuge. Beide Sprachen haben ihre Stärken und Schwächen – und beide bieten leistungsstarke Instruments und eine große Group zur Analyse und Visualisierung von Daten.

Wenn Sie ganz am Anfang Ihrer datenwissenschaftlichen Reise stehen, kann die Wahl zwischen R und Python überwältigend sein. Wer sich aber langfristig in diesem Bereich bewegen möchte, wird ohnehin früher oder später mit beiden Sprachen in Berührung kommen. Wenn Sie bereits an der Universität sind, haben Sie wahrscheinlich auch Kurse in beiden Sprachen.

Aber schauen wir uns die wichtigsten Bibliotheken in R und Python an, um Daten zu visualisieren, wie sich die Erstellung von Diagrammen in R und Python unterscheidet (mit Codebeispielen) und welche Vor- und Nachteile die beiden Sprachen haben.

Inhaltsverzeichnis
1 – Was macht R zu einem Muss? (Und wesentliche Bibliotheken für Visualisierungen)
2 —…

Als ich mich auf die Salesforce Knowledge Cloud-Zertifizierung vorbereitete, stieß ich auf den Begriff Zero-ETL. Die Knowledge Cloud bietet die Möglichkeit, direkt auf Daten aus anderen Systemen wie Knowledge Warehouses oder Knowledge Lakes zuzugreifen oder Daten mit diesen Systemen zu teilen, ohne dass die Daten kopiert werden. Salesforce bezeichnet dies auch als Convey Your Personal Lake (BYOL) und bezieht sich dabei auf den Begriff Convey Your Personal System (BYOD). Ich wollte das Konzept von Zero-ETL besser verstehen und verständlich veranschaulichen.

In diesem Artikel zeige ich Ihnen, wie Sie mit Python einen vereinfachten ETL-Prozess erstellen können, um dieses Konzept besser zu verstehen, was Zero-ETL oder Zero-Copy bedeutet und wie dieser neue Ansatz zur Datenintegration in der Salesforce Knowledge Cloud umgesetzt wird.

Inhaltsverzeichnis
1) Traditioneller ETL-Prozess: Schritt-für-Schritt-Anleitung mit Python für Anfänger
2) Was ist Zero-ETL?
3) Warum Zero-ETL? Vor- und Nachteile
4) Wie sieht Zero-ETL in der Salesforce Knowledge Cloud aus?
5) Abschließende Gedanken

Wenn Sie bereits mit den ETL- und ELT-Prozessen vertraut sind, können Sie diesen Abschnitt überspringen. Wenn Sie mit diesem Thema noch nicht vertraut sind, werfen Sie einen Blick auf das stark vereinfachte Beispiel, um den Prozess „Extrahieren – Transformieren – Laden“ besser zu verstehen. Oder noch besser: Erstellen Sie es selbst – wenn Sie es anwenden, werden Sie die Konzepte normalerweise besser verstehen.