ETL-transformation: Teknikker & bedste praksis

147 zettabytes. Det er den datamastodont, menneskeheden producerede i 2024 — ikke mindre end 402,74 millioner terabytes om dagen. Og det kommer ikke til at aftage lige foreløbig, især ikke i betragtning af den selvforstærkende vækst inden for AI, kvantecomputere, blockchain og distribuerede hovedbøger. Læg dertil de endeløse strømme af digitalt “udstød” fra søgninger og onlineadfærd, og dataeksplosionen ser ud til at vokse som en snebold, der ruller ned ad en bakke. 

Men disse rådata er ikke andet end støj uden den rette struktur: Data er kun værdifulde, når de er verificeret, renset og konsolideret til en enkelt sandhedskilde. Indtil da er de stort set kommercielt ubrugelige til at opnå opbakning fra C-level-ledelsen eller forbedre kunde- og medarbejderoplevelser. 

ETL-datatransformation bygger bro over dette gab og skaber mening i data-kaosset. Den omdanner ustrukturerede, uorganiserede og rodede data fra flere kilder til et klart, integreret og handlingsanvisende format.

Er du nysgerrig på ETL-processen, de værktøjer som datateams sværger til, nye ETL-tendenser, og hvordan den klarer sig sammenlignet med ELT? Så lad os dykke ned i det.

Hvad er ETL-transformation?

ETL – udtræk, transformering og indlæsning – er rygraden i arkitekturen for dataintegration. Processen henter data fra forskellige kilder, standardiserer og renser dem og gemmer dem derefter på en central placering (en database eller et datalager) til brug for forretningsanalyse. 

Et solidt fundament af strukturerede og pålidelige data gør det muligt for virksomheder at blive ægte datadrevne og endda bevæge sig mod en rentabilitet på helt op til 6 %. ETL spiller en afgørende rolle her ved at forfine urene data og forberede dem til ML-modeller, der kan afspejle virksomhedens fremskridt — så dine data arbejder for dig og ikke omvendt.

Hvorfor har du brug for ETL-transformation?

Har du nogensinde undret dig over, hvorfor nogle virksomheder konsekvent klarer sig bedre end deres konkurrenter? Ofte handler det om, hvordan de håndterer og anvender deres data. ETL kan hjælpe dig med at få adgang til den samme markedsindsigt. Se her, hvorfor ETL-transformation er så vigtig: 

1. Forbedrer datakvaliteten: ETL er din første forsvarslinje mod dårlige (og blinde) data. Den fjerner dubletter, standardiserer inkonsekvente formater og håndhæver regler, så dataene forbliver inden for acceptable grænser. På den måde kan intet kompromittere integriteten af dine datasæt. 
2. Optimerer omkostningseffektiviteten: Ved at automatisere dataarbejdsgange fjerner ETL menneskelige fejl og flaskehalse, der kan forsinke succesinitiativer. En enkelt, centraliseret datahub reducerer også licens- og vedligeholdelsesudgifter og minimerer duplikering. Conde Nast oplevede dette på egen hånd, da de sparede 6 millioner dollars på omkostninger til datainfrastruktur ved at nedbryde datasiloer og muliggøre personaliserede oplevelser, der øgede kundefastholdelsen.
3. Styrker business intelligence: Processen omformer dine data til skræddersyede datasæt til BI-applikationer — KPI'er, trendanalyser og finansielle rapporter, der hjælper dig med at visualisere ROI og reducere driftsmæssige friktioner. Og fordi ETL er designet til at kunne skaleres, fortsætter den med at levere pålidelig BI-indsigt, selv når din datamængde vokser. Coca-Cola er et godt eksempel på ETL-drevet BI, når det er bedst, da virksomheden bruger ETL-metodik til at konsolidere salgsdata fra mere end 100 distributører for at forbedre distributionsstrategien og følge kampagner. 
4. Opfylder lovgivningsmæssige krav: ETL-transformationer hjælper virksomheder med at overholde reglerne ved at maskere følsomme PII'er, anvende opbevaringspolitikker og vedligeholde tydelige revisionsspor. Disse spor registrerer, hvem der har tilgået data, hvornår de blev transformeret, og hvordan de blev indlæst: alle vigtige komponenter i et transparent system, der opfylder kravene i GDPR og HIPAA.
5. Fremmer datadrevne beslutninger: Med ETL får virksomheder en samlet og skalerbar datapipeline med alle de historiske data, de har brug for til prædiktiv analyse, til at afstemme forretningsmål med investeringer og til på lang sigt at blive datadrevne. Ifølge ThoughtSpot x HBR oplever datadrevne virksomheder med integrerede datapipelines faktisk en vækst på 10-30 %, mens deres konkurrenter forsøger at indhente dem. 

ETL's faser: Udtræk, transformering og indlæsning

Her får du et overblik over hver af de vigtigste faser, der gør ETL så effektiv: 

Udtræk: Hentning af rådata

Den første fase i ETL er udtræk, hvor data hentes fra forskellige og ofte heterogene kilder såsom databaser, flade filer, cloudapplikationer, API'er eller endda eksterne dataleverandører. Formålet er at oprette en kopi af de nødvendige data og metadata på et bestemt tidspunkt, enten i realtid eller i batchkørsler efter hurtige kontroller af kildedataenes validitet.

Avancerede metoder til dataudtræk 

Med data, der strømmer ind fra alle retninger, kan integreret dataudtræk virkelig hjælpe dig med at være på forkant. Læs videre for at lære om de bedste teknikker til dataudtræk: 

1. Inkrementelt udtræk

I stedet for at hente alle data fra en database hver gang fokuserer inkrementelt udtræk kun på at hente nye eller nyligt ændrede data. Hvis for eksempel nogle få nye kunder opdateres på et websted, udtrækker datatransformeren kun disse nye tilmeldinger i stedet for at oprette en kundeliste fra bunden. De vigtigste fordele? Det er hurtigere, bruger færre ressourcer og belaster dit netværk mindre. Datateams kan bruge tidsstempler, batchnumre eller versionsflag til at implementere inkrementelt udtræk. Derefter er det eneste, der er nødvendigt, at gennemgå ændringsloggene og kun hente de poster, der er blevet opdateret siden dit seneste udtræk.

2. Registrering af dataændringer (CDC)

CDC fungerer ved at spore ændringer i kildedatabaser på et detaljeret niveau ved at læse transaktionslogge i stedet for hele tabeller. Den analyserer logfiler som PostgreSQLs logge for forudgående skrivning eller MySQLs binære logfiler for at registrere opdateringer, gemme metadata i ændringstabeller og muliggøre gendannelse til et bestemt tidspunkt samt revisionsspor. CDC er praktisk inden for e-handel, hvor lageropdateringer i realtid registreres med det samme og sendes til lagersystemet for at undgå oversalg under travlheden på Black Friday.

3. Parallelt udtræk

Med parallelt udtræk kan du køre flere udtræksprocesser samtidigt og gøre ETL-operationer effektive, samtidig med at du holder dig inden for budgettet. Den største fordel er dog fordelingen af arbejdsbyrden på tværs af flere behandlingsnoder, hvilket fremskynder udtrækstiderne og er ideelt, når du arbejder under stramme ETL-tidsplaner.

Transformér: Klargøring af data til analyse

I fasen ”transformér” konverteres de udtrukne data til et brugsklart, rent og pålideligt format. Det er i praksis fasen for ”dataforberedelse”, hvor data fra deres kildeformat transformeres til det format, som målsystemet kræver. Her er, hvad processen indebærer:

1. Dataaggregering: Opsummerer data ved at beregne totaler, gennemsnit eller antal. Perfekt til oprettelse af rapporter eller kontrolpaneler.
2. Dataklargøring: Omfatter rettelse af manglende værdier og oprydning i uoverensstemmelser. Hvis du har flere rækker for den samme kunde, kan du flette dem til én post for at skabe orden.
3. Deduplicering af data: Fjerner unødvendige dubletter, især i lageroptimerede datavarehuse og databaser, hvor selv én duplikeret række kan påvirke rapporternes nøjagtighed.
4. Dataforbedring: Tilføjer supplerende oplysninger som geografiske data eller kundesegmenter, der ikke oprindeligt var til stede i rådataene. Senere aggregeres disse data efter vigtige dimensioner som tid eller placering for at gøre analysen endnu mere informativ med et 360-graders perspektiv.

Avancerede transformationsteknikker

Almindelige datatransformationsteknikker inden for ETL omfatter: 

1. Dataafledning

Dataafledning skaber nye indsigter ved at transformere eller kombinere eksisterende data til nye, meningsfulde målepunkter. Den bruger SQL og matematiske simuleringer til at generere nye variabler fra bunden, f.eks. ved at finde den gennemsnitlige købsværdi ud fra eksisterende datasæt som samlet omsætning og antal ordrer. Selv når datasættene mangler et vigtigt datafelt eller oplever tilfældige udsving, der potentielt kan forvrænge resultater i realtid, kan afledninger udfylde manglende målinger ved hjælp af gennemsnits- eller medianværdier. Vær dog opmærksom på udfordringer relateret til nøjagtighed, privatliv og dataejerskab.

2. Datakryptering

Konverterer følsomme data under overførsel til et kodet format for at beskytte dem under transformation og lagring. De fleste ETL-værktøjer bruger kontekstbaseret kryptering via hashing og maskering for at beskytte udvalgte data baseret på følsomhedsniveauer, f.eks. ved kun at anonymisere PII-felter med høj risiko, såsom helbredsoplysninger, for at overholde HIPAA-standarder. Endnu bedre er det, at dekrypteringsnøgler kan tilpasses forskellige roller, hvilket betyder, at kun autoriserede brugere, ledere eller systemer kan få adgang til bestemte datafelter og mindske risikoen for social engineering-angreb. 

3. Opdeling af data

Når en database vokser sig for stor, kan forespørgslernes ydeevne blive forringet. En måde at løse dette på er at opdele databasen i mindre og mere håndterbare dele for at fremskynde behandlingen, reducere latenstiden og opdage lokale indsigter, der er velegnede til et globalt publikum.

Tænk på Netflix, hvor forretningsanalytikere opdeler og undersøger kundedata baseret på tidsperioder, brugsmønstre eller endda følsomhed for at følge markedstendenser og forberede sig på travle dage, samtidig med at omkostningerne holdes under kontrol. Amazon bruger også AWS Glue til at sortere kundefeedback i produktproblemer, leveringsproblemer og serviceklager. Med denne opdeling kan CX-teams identificere de grundlæggende årsager til kundernes frustration, finjustere lagerstyringen og endda eliminere forsinkelser i forsendelser.

Indlæsning: Lagring af transformerede data

Trinnet “Indlæsning” er den sidste fase i ETL-processen, hvor transformerede og berigede data gemmes på en destinationsplacering — et datavarehus, en datasø eller en operationel database. Det gør endelig data tilgængelige for forretningsintelligens, bevarer historiske data til trendanalyse og overholdelse af regler og muliggør endda optimeret datalagring, så data hurtigt kan hentes og analyseres. Indlæsningsprocessen følger typisk disse trin:

1. Datavalidering: Valider de transformerede data for konsistens og overensstemmelse med formatet, før de indlæses i målsystemet.
2. Datakortlægning: Match transformerede felter med målsystemets skema.
3. Indlæsningsstrategi: Vælg enten en fuld indlæsning, der overskriver alle eksisterende data med det nye datasæt, eller en trinvis indlæsning, hvor kun nye poster ændres for at minimere forstyrrelser.
4. Indeksering og partitionering: Brug indeksering og partitionering til at optimere forespørgsler på data i stor skala.

Typer af ETL-transformationer

Læs videre for at opdage de forskellige ETL-typer, og hvordan de kan forbedre dine dataoperationer: 

1. Inddeling i intervaller 

Inddeling i intervaller omdanner kontinuerlige numeriske data eller tidsdata til overskuelige, diskrete kategoriske grupper. I stedet for at angive en nøjagtig alder kan du gruppere den i intervaller som 0-18, 19-30 eller 31-50, reducere datakompleksiteten og tydeligere fremhæve mønstre. Selv Google bruger inddeling af data i intervaller til at oprette målrettede annoncer ved at skabe kundesegmenter baseret på brugeradfærd, søgeaktivitet og interesser. Inddeling i intervaller forenkler også datapartitionering i distribuerede systemer som Hive eller Spark, hvor ETL-værktøjet kan understøtte hurtigere forespørgsler ved at reducere datagennemsøgninger. 

2. Datafiltrering

For at data kan danne grundlag for intelligente forretningsbeslutninger, skal de kunne verificeres og levere ensartede resultater på trods af mange forespørgsler. Det er her, datafiltrering kommer ind i billedet — den hjælper med at identificere og rette unøjagtige, ufuldstændige eller inkonsistente data. Implementering af værktøjer til automatisering af ETL-test sikrer, at disse filtreringsprocesser bevarer deres nøjagtighed og pålidelighed. Filtre kan fungere ud fra simple betingelser (f.eks. "kun transaktioner over $1000") eller mere komplekse kriterier (f.eks. lokations- eller tidsbaserede filtre). 

Et af de bedste eksempler på datafiltrering i praksis er Facebook, som filtrerer skadeligt indhold som hadefuld tale, misinformation og eksplicit indhold fra ved at analysere mønstre i tekst, billeder og videoer og omvendt. Metas nyhedsfeed filtreres også for at sikre, at brugerne ser det indhold, der er mest relevant for dem, baseret på deres aktivitet og præferencer.

3. Sammenføjning af data

Sammenføjning af data kombinerer data fra forskellige kilder eller tabeller ved hjælp af fælles nøgler for at holde alt afstemt og løse konflikter. Det er en afgørende del af opbygningen af Salesforces 360-graders kundebilleder, hvor data fra CRM-systemer, supportlogge og faktureringssystemer samles for at skabe en komplet kundeprofil. Og med nye teknikker som upræcis matchning er det nu lettere at sammenføje data, selv når nøglerne ikke matcher nøjagtigt, f.eks. ved variationer i kundenavne.

4. Datanormalisering og denormalisering  

Normalisering handler om at rydde op i dine data — store tabeller opdeles i mindre, fokuserede tabeller for at minimere duplikering og holde tingene overskuelige. Du opdeler relaterede data i separate tabeller, opretter nøglesammenhænge og sikrer, at hver kolonne kun indeholder én værdi. 

Omvendt kombinerer denormalisering data for at opnå hurtigere læsninger, hvilket er ideelt til systemer som datasøer eller OLAP, selvom det kan gøre skrivninger langsommere og kræve mere lagerplads. De fleste virksomheder vælger nu en hybrid tilgang for at afbalancere begge metoder, reducere datafejl, optimere lagring og strømline opdateringer.

Værktøjer til ETL-transformation

At vælge det rigtige ETL-værktøj kan gøre hele forskellen på din rejse mod at fremme en kultur, der trives og opnår succes med data. Her er en oversigt over de bedste ETL-værktøjer, og hvad der gør hvert af dem til en brugerfavorit inden for dataintegration: 

1. Apache Airflow 

Apache Airflow er et populært open source-værktøj til big data-transformationer, som er værdsat for sin fleksibilitet inden for distribueret databehandling. Med understøttelse af Java, Python, Scala og R kan udviklere skræddersy ETL-pipelines efter deres behov. Airflows webbaserede brugerflade og kommandolinjeværktøjer muliggør også automatiseret planlægning samt indsigt i og overvågning af arbejdsgange fra start til slut. 

Integrationer: Interoperable datakilder som HDFS, Cassandra og S3 med indbyggede biblioteker til maskinlæring (MLlib), grafbehandling (GraphX) og SQL

Fordele: Enestående ydeevne på grund af behandling i hukommelsen samt høj skalerbarhed og fejltolerance. Med et omfattende økosystem og opbakning fra et stærkt fællesskab er Airflow blevet den foretrukne ETL-platform for mange udviklere. 

2. Talend Open Studio 

Talend Open Studio har en brugervenlig træk-og-slip-grænseflade, der gør det lettere at oprette ETL-arbejdsgange. Det tilbyder også indbyggede værktøjer til datarensning, deduplikering og validering, hvilket sikrer pålidelige resultater. Mens open source-brugere får fordel af kernefunktionerne, kan virksomheder få adgang til avancerede funktioner som styring og versionskontrol. 

Integrationer: Mere end 1.000 datakilder og forbindelser, herunder RDBMS, AWS og Azure. 

Fordele: Omfattende dokumentation, open source-versioner og en brugervenlig grafisk grænseflade. 

3. AWS Glue 

AWS Glue er en fuldt administreret, serverløs ETL-tjeneste, der er designet til AWS-miljøer uden besværet med at administrere lokal infrastruktur. Den understøtter skalerbare datatransformationer med Apache Spark, forenkler administrationen af metadata ved hjælp af Glue Data Catalog og tilbyder fleksible grænseflader som en grafisk træk-og-slip-brugerflade, Jupyter-notesbøger eller Python-/Scala-skripter. 

Integrationer: Grænseflade til alle AWS-tjenester som S3, Redshift og Athena. 

Fordele: Betal-efter-forbrug-prismodel, minimal infrastrukturadministration og automatisk skalering

4. Oracle Data Integrator 

Oracle Data Integrator (ODI) er en ETL-løsning, der forenkler opbygningen og administrationen af datavarehuse i stor skala gennem batchbehandling og realtidsbaserede, hændelsesstyrede operationer. Flagskibet Data Integrator Studio leveres med en indbygget platform til håndtering af arbejdsgange med datakvalitet, dataflytning og datasynkronisering med minimal indsats.

Integrationer: En klar-til-brug-model, der er umiddelbart tilgængelig med Oracle SOA-pakken (GoldenGate og Enterprise Manager 14c). Understøtter oprindeligt Spark, Hive, Kafka, Cassandra og Hadoop. 

Fordele: Forudbyggede skabeloner til systematisering af dataarbejdsgange, et bredt udvalg af forbindelser og kryptering på AES-niveau til beskyttelse af digitale oplysninger. 

Selvom dette er vores foretrukne valg, har vi også udarbejdet en særlig liste over de 19 bedste ETL-værktøjer til dig. Tag et kig: De bedste ETL-værktøjer

Udfordringer ved ETL-transformation

ETL-automatisering har potentiale til at reducere den menneskelige indsats med op til 50%, men mange virksomheder høster endnu ikke fordelene. Dataforskydning, synkronisering og stabilitetsproblemer står i vejen for en problemfri dataadministration fra start til slut.  Og det er ikke alt—der er flere udfordringer at tage højde for:

1. Vedligeholdelse af datakvalitet: En af de vanskeligste udfordringer ved ETL-transformation. En simpel menneskelig fejl som at blande datoformater eller adressestile sammen kan skabe kaos i dine beregninger. Dertil kommer problemet med, at flere systemer registrerer de samme oplysninger, hvilket skaber irriterende dubletter, der tvinger dine ETL-værktøjer til at arbejde på højtryk. Tænk over det: Hvis en kunde har forskellige oplysninger i dine CRM-, fakturerings- og supportsystemer, er det næsten uundgåeligt, at tingene går galt under salgsmøder og e-mailkampagner.  
2. Ændring af skema: Dette sker uden varsel og kan bringe alting ud af balance. Det ene øjeblik er dit systems struktur i orden, og det næste håndterer du uventede ændringer – som når en API til sociale medier pludselig tilføjer nye målepunkter for brugerengagement, eller produktkoder ændrer format. 
3. Løsning af manglen på robust dataintegration: Forestil dig, at en kunde køber noget i en butik, men lagerbeholdningen ikke opdateres på tværs af alle kanaler – online, på mobilen og alle andre steder. Det er en opskrift på lagerkaos, mistede salg og vrede kunder. Det er også en udfordring at integrere data fra heterogene kilder. Kombinér MongoDB's ustrukturerede, fleksible JSON med Oracles strukturerede tabeller, og du har en forhindring, der kan forsinke eller endda afspore hele din datastrategi. 
4. Håndtering af uoverensstemmelsen mellem virksomhedens og dataenes skalerbarhed: Datamængden overstiger ofte infrastrukturens evne til at håndtere den og belaster ETL-processerne, som skal indlæse, behandle og flytte store datasæt i realtid eller som batchprocesser. Denne manglende skalerbarhed fører også til langsommere databehandling, hvis belastningen ikke fordeles på tværs af ETL-værktøjer, blandt andet på grund af omfattende SLA-krav og overudnyttelse af beregningsressourcer. I sådanne tilfælde kan selv elastisk skalering sprænge budgetterne på grund af beregningskraft, lagerplads og dataoverførsel, selv når resultaterne ikke er effektive. 

ETL versus ELT: Vigtige forskelle og anvendelsesområder

ETL versus ELT – to almindelige begreber inden for databehandling, men hvordan adskiller de sig egentlig? Først og fremmest har de forskellige tilgange til, hvor transformationen finder sted, og hvordan data lagres. Med ETL transformeres data på en separat server, før de indlæses i datalageret. 

ELT sender derimod de rå data direkte til datalageret og udfører transformationerne bagefter. Men det er kun toppen af isbjerget. Her er de konkrete forskelle, der adskiller de to processer: 

Nye tendenser

ETL er ikke længere det samme. Det, der tidligere var et batchbaseret system på egne servere drevet af SQL-scripts, er nu en moderne cloudbaseret infrastruktur med automatisering og low-code-funktioner, der behandler data i mikrobatches og muliggør hurtigere dataanalyse. Men hvor er det hele på vej hen? Her får du et dybdegående indblik i nye tendenser inden for ETL, og hvordan disse fremskridt former fremtiden for dataintegration: 

1. Datavirtualisering

I stedet for fysisk at køre ETL-processer opbygger datavirtualisering et samlet "virtuelt" datalag, der muliggør hurtigere implementering og eliminerer redundans. De fleste transformationer sker undervejs ved at forespørge data for at undgå forbehandling. Indonesiens børs er begyndt at bruge datavirtualisering til at hente og centralisere data uden fysisk at flytte dem. Capgemini og T-Mobile har også taget teknologien til sig og elimineret kompleksiteten i traditionelle ETL-arbejdsgange for at levere realtidsanalyse til deres kunder. Med lynhurtig dataadgang og næsten ingen hardwareopsætning er det hurtigt ved at blive det foretrukne valg til ETL, hvor komplekse transformationer og mappinger kan forsinke processen.

2. Privatlivsorienteret ETL og datastyring

Med databeskyttelseslove som GDPR og CCPA, der bliver stadig strengere, er det ikke længere valgfrit at gøre privatliv til en central del af dine ETL-processer – det er et krav. ETL-platforme vil blive presset til at udvikle værktøjer, der indbygger privatliv i designet fra starten, herunder datamaskering, kryptering og strenge adgangskontroller. Microsofts Azure Synapse Analytics er allerede på forkant med dette – og sikrer, at alle kundedata er krypteret og i overensstemmelse med globale databeskyttelseslove før behandlingen.

3. Dataintegration som en tjeneste (DIaaS)

DIaaS er ved at finde sin plads i ETL-branchen ved at erstatte manuelle og fragmenterede dataintegrationsprocesser med fuldt administrerede, cloudbaserede ETL-integrationer, der eliminerer besværet ved specialudvikling. De fleste DIaaS-platforme vil bruge AI til at automatisere datarensning og -transformation samt understøttelse af flere cloudmiljøer for nemt at skifte mellem ELT og ETL.

Snaplogic kombinerer DIaaS og omvendt ETL via forudbyggede API'er og webgrænseflader for at indsætte berigede data i dine apps. Og det skaber resultater. FELFEL benyttede eksempelvis Fivetrans DIaaS til at forbinde vigtige forretningsplatforme, få adgang til lagerdata i realtid og synkronisere hvert 30. minut for at opnå et helhedsorienteret operationelt overblik. Resultatet? En imponerende reduktion på 99 % i den tid, der bruges på dataingeniørarbejde, så teamet kan fokusere på opgaver med større værdi.

Det er en stor gevinst, især når man tænker på, hvordan manuel datareplikering, forældede indsigter og langsomme beslutninger konstant var et problem med ældre SQL Server-opsætninger og de ydelsesbegrænsninger, der kendetegnede traditionelle ETL-platforme. 

Afsluttende tanker

Dataintegration er i fuld gang – og det bør den være. Det er den eneste måde at forvandle dine data til noget, der rent faktisk skaber værdi. Ellers indsamler du blot en bunke ubrugelige data, der tilstopper dine systemer og ødelægger din evne til at træffe velinformerede beslutninger. Det er ikke så mærkeligt, at 72 % af erhvervslederne siger, at for mange data og for lidt tillid holder dem tilbage. 

ETL er ikke det eneste, der betyder noget, men når det kombineres med AI og datapipelines, bliver det et afgørende værktøj for ledere på C-niveau, der ønsker indsigt i deres produktøkosystem, kundeudvikling og konkurrencemæssige markedsinformation. 

ETL i 2026 bliver endnu mere udfordrende, kompleks og ganske enkelt nødvendig, efterhånden som vi står over for det dataos, vi selv har skabt. Debatten stopper måske aldrig, men én ting er sikker – det er afgørende at holde sig informeret.

Tilmeld dig The CTO Clubs nyhedsbrev og få de seneste oplysninger om ETL-tendenser og den massive udvikling inden for dataintegration.