ETL-transformasjon: Teknikker & beste praksis

147 zettabyte. Det er den datamengden menneskeheten produserte i 2024 – ikke mindre enn 402,74 millioner terabyte per dag. Og dette kommer ikke til å avta med det første, særlig med tanke på den selvforsterkende veksten innen AI, kvantedatabehandling, blokkjeder og distribuerte hovedbøker. Legg til de endeløse strømmene av digital «eksos» fra søk og nettbasert atferd, så ser dataeksplosjonen ut til å vokse som en snøball som ruller nedover en bakke. 

Men disse rådataene er ikke mer enn støy uten riktig struktur: Data er bare verdifulle når de er verifisert, renset og konsolidert til én sannhetskilde. Inntil da er de i praksis kommersielt ubrukelige for å skape oppslutning hos toppledelsen eller forbedre kunde- og medarbeideropplevelser. 

ETL-datatransformasjon bygger bro over dette gapet og gjør dataforvirringen forståelig. Den konverterer ustrukturerte, uorganiserte og rotete data fra flere kilder til et tydelig, integrert og handlingsrettet format.

Er du nysgjerrig på ETL-prosessen, verktøyene datateam sverger til, nye ETL-trender og hvordan ETL står seg mot ELT? La oss se nærmere på det.

Hva er ETL-transformasjon?

ETL – hent ut, transformer og last inn – er ryggraden i arkitekturen for dataintegrasjon. Prosessen henter data fra ulike kilder, standardiserer og renser dem, og lagrer dem deretter på et sentralisert sted (en database eller et datavarehus) for forretningsintelligens. 

Et solid fundament av strukturerte og pålitelige data gjør det mulig for virksomheter å bli virkelig datadrevne og til og med øke lønnsomheten med så mye som 6 %. ETL spiller en avgjørende rolle her ved å foredle urene data og klargjøre dem for ML-modeller som skal gjenspeile virksomhetens fremgang – slik at dataene arbeider for deg, ikke omvendt.

Hvorfor trenger du ETL-transformasjon?

Har du noen gang lurt på hvorfor enkelte selskaper konsekvent presterer bedre enn konkurrentene? Ofte handler det om hvordan de håndterer og utnytter dataene sine. ETL kan hjelpe deg med å få tilgang til den samme markedsinnsikten. Se hvorfor ETL-transformasjon er så viktig: 

1. Forbedrer datakvaliteten: ETL er din første forsvarslinje mot dårlige (og manglende) data. Den eliminerer duplikater, standardiserer inkonsekvente formater og håndhever regler for å holde data innenfor akseptable grenser. På denne måten kan ingenting svekke integriteten til datasettene dine. 
2. Optimaliserer kostnadseffektiviteten: Ved å automatisere dataarbeidsflyter fjerner ETL menneskelige feil og flaskehalser som kan forsinke suksessinitiativer. Et enkelt, sentralisert knutepunkt for data reduserer også lisensierings- og vedlikeholdskostnader og minimerer duplisering. Conde Nast opplevde dette på nært hold da de sparte 6 millioner dollar i kostnader til datainfrastruktur ved å bryte ned datasiloer og legge til rette for personaliserte opplevelser som økte kundelojaliteten.
3. Styrker forretningsintelligensen: Prosessen omformer dataene dine til tilpassede datasett for BI-applikasjoner – KPI-er, trendanalyser og finansielle rapporter som hjelper deg med å visualisere avkastningen på investeringen og redusere operasjonell friksjon. Og fordi ETL er utformet for å skalere, fortsetter den å levere pålitelig BI-innsikt selv når datamengden vokser. Coca-Cola er et godt eksempel på ETL-drevet BI på sitt beste, ettersom selskapet bruker ETL-metodikk til å konsolidere salgsdata fra over 100 distributører for å forbedre distribusjonsstrategien og følge opp kampanjer. 
4. Oppfyller kravene til regelverksetterlevelse: ETL-transformasjoner hjelper virksomheter med å overholde regelverket ved å maskere sensitive personopplysninger, anvende retningslinjer for oppbevaring og opprettholde tydelige revisjonsspor. Disse sporene viser hvem som fikk tilgang til dataene, når de ble transformert og hvordan de ble lastet inn: alt dette er sentrale komponenter i et transparent system som oppfyller kravene i GDPR og HIPAA.
5. Fremmer datadrevne beslutninger: Med ETL får selskaper en samlet og skalerbar datapipeline med alle historiske dataene de trenger for prediktiv analyse, kan knytte forretningsmål til investeringer og bli datadrevne på lang sikt. Ifølge ThoughtSpot x HBR opplever faktisk datadrevne virksomheter med integrerte datapipelines en vekst på 10–30 %, mens konkurrentene prøver å ta dem igjen. 

ETL-prosessens faser: Hent ut, transformer, last inn

Her er en gjennomgang av de viktigste fasene som gjør ETL så kraftig: 

Hent ut: Henting av rådata

Den første fasen i ETL er uthenting, der data hentes fra ulike og ofte heterogene kilder, som databaser, flate filer, skyapplikasjoner, API-er eller til og med eksterne dataleverandører. Målet er å opprette en kopi av de nødvendige dataene og metadataene på et bestemt tidspunkt, i sanntid eller i batcher, etter raske kontroller av kildedataenes gyldighet.

Avanserte metoder for datauttrekking 

Med data som strømmer inn fra alle kanter kan integrert datauttrekking virkelig hjelpe deg med å ligge i forkant. Les videre for å lære om de viktigste teknikkene for datauttrekking: 

1. Inkrementell uttrekking

I stedet for å hente ut alle data fra en database hver gang fokuserer inkrementell uttrekking bare på å hente nye eller nylig endrede data. Hvis for eksempel noen få nye kunder registreres på et nettsted, vil datatransformatoren bare hente ut disse nye registreringene i stedet for å opprette en kundeliste fra grunnen av. De viktigste fordelene? Det går raskere, krever færre ressurser og belaster nettverket mindre. Datateam kan bruke tidsstempler, batchnumre eller versjonsflagg for å implementere inkrementell uttrekking. Deretter trenger man bare å se på endringsloggene og hente inn postene som er oppdatert siden forrige uttrekking.

2. Registrering av dataendringer (CDC)

CDC fungerer ved å spore endringer i kildedatabaser på et detaljert nivå ved å lese transaksjonslogger i stedet for hele tabeller. Den analyserer logger som PostgreSQLs Write-Ahead Logs eller MySQLs binærlogger for å oppdage oppdateringer, lagre metadata i endringstabeller og legge til rette for gjenoppretting til et bestemt tidspunkt og revisjonsspor. CDC er nyttig innen netthandel, der lageroppdateringer i sanntid registreres umiddelbart og sendes til lagersystemet for å unngå overbestilling under disse travle Black Friday-periodene.

3. Parallell uttrekking

Med parallell uttrekking kan du kjøre flere uttrekkingsprosesser samtidig og gjøre ETL-operasjoner effektive samtidig som du holder deg innenfor budsjettet. Den største fordelen er imidlertid at arbeidsbelastningen fordeles mellom flere behandlingsnoder for å redusere tiden det tar å hente ut data, noe som er ideelt når du må overholde stramme ETL-planer.

Transformer: Klargjøring av data for analyse

I «transformer»-fasen konverteres de uttrekte dataene til et klart til bruk, rent og pålitelig format. Det er i hovedsak fasen for «dataklargjøring», der data fra kildeformatet transformeres til formatet målsystemet krever. Dette er hva prosessen innebærer:

1. Dataaggregering: Oppsummerer data ved å beregne totaler, gjennomsnitt eller antall. Perfekt for å lage rapporter eller dashbord.
2. Datavask: Omfatter korrigering av manglende verdier og opprydding i uoverensstemmelser. Hvis du har flere rader for samme kunde, kan du slå dem sammen til én oppføring for å rydde opp.
3. Fjerning av duplikater: Fjerner unødvendige dupliserte oppføringer, spesielt i lagringseffektive datavarehus og databaser, der selv én duplisert rad kan påvirke rapportenes nøyaktighet.
4. Datautvidelse: Legger til supplerende informasjon som geografiske opplysninger eller kundesegmenter som ikke opprinnelig fantes i rådataene. Senere aggregeres disse dataene etter nøkkeldimensjoner som tid eller sted for å gi et enda mer informert 360-graders grunnlag for analyse.

Avanserte transformasjonsteknikker

Vanlige datatransformasjonsteknikker innen ETL omfatter: 

1. Dataavledning

Dataavledning skaper ny innsikt ved å transformere eller kombinere eksisterende data til nye, meningsfulle måltall. Den bruker SQL og matematiske simuleringer til å generere nye variabler fra grunnen av, for eksempel ved å finne gjennomsnittlig kjøpsverdi ved hjelp av eksisterende datasett som total inntekt og antall bestillinger. Selv når datasettene mangler et viktig datafelt eller opplever tilfeldige svingninger som potensielt kan forvrenge sanntidsresultater, kan avledninger fylle inn manglende målinger ved hjelp av gjennomsnitts- eller medianverdier. Vær imidlertid oppmerksom på utfordringer knyttet til nøyaktighet, personvern og dataeierskap.

2. Datakryptering

Konverterer sensitive opplysninger under overføring til et kodet format for å beskytte dem under transformasjon og lagring. De fleste ETL-verktøy bruker kontekstuell kryptering via hashing og maskering for å beskytte utvalgte data basert på sensitivitetsnivåer, for eksempel ved å anonymisere bare høyrisikoopplysninger som kan identifisere personer, for eksempel helsejournaler, for å oppfylle HIPAA-standarder. Enda bedre er det at dekrypteringsnøkler kan tilpasses ulike roller, noe som betyr at bare autoriserte brukere, ledere eller systemer kan få tilgang til bestemte datafelt og redusere risikoen for sosial manipulasjon.

3. Datasplitting

Når en database blir for stor, kan spørringsytelsen bli dårligere. En måte å løse dette på er å dele databasen opp i mindre og mer håndterbare deler for å øke behandlingshastigheten, redusere forsinkelsen og avdekke lokaliserte innsikter som passer perfekt for et globalt publikum.

Tenk på Netflix, der forretningsanalytikere bryter ned og studerer kundedata basert på tidsperioder, bruksmønstre eller til og med følsomhet for å følge markedstrender og forberede seg på travle dager, samtidig som kostnadene holdes under kontroll. Amazon bruker også AWS Glue til å sortere kundetilbakemeldinger i produktproblemer, leveringsproblemer og serviceklager. Med denne inndelingen kan CX-team finne de underliggende årsakene til kundenes frustrasjon, finjustere lagerstyringen og til og med eliminere leveringsforsinkelser.

Lasting: Lagring av transformerte data

«Lasting»-fasen er den siste fasen i ETL-prosessen, der transformerte og berikede data lagres på et målsted — et datalager, en datasjø eller en operasjonell database. Dette gjør endelig data tilgjengelig for forretningsanalyse, bevarer historiske data for trendanalyse og samsvar, og muliggjør optimalisert datalagring for rask henting og analyse. Lastingsprosessen følger vanligvis disse trinnene:

1. Datavalidering: Valider de transformerte dataene for konsistens og samsvar med formatet før de lastes inn i målsystemet.
2. Datatilordning: Tilordne transformerte felt til skjemaet i målsystemet.
3. Lastingsstrategi: Velg enten full lasting, som overskriver alle eksisterende data med det nye datasettet, eller inkrementell lasting, der bare nye poster endres for å minimere forstyrrelser.
4. Indeksering og partisjonering: Bruk indeksering og partisjonering for å optimalisere spørringer mot store datamengder.

Typer ETL-transformasjoner

Les videre for å oppdage de ulike ETL-typene og hvordan de kan forbedre dataoperasjonene dine: 

1. Gruppering 

Gruppering konverterer kontinuerlige numeriske data eller tidsdata til ryddige, diskrete kategoriske grupper. I stedet for å oppgi en nøyaktig alder kan du gruppere den i intervaller som 0-18, 19-30 eller 31-50, redusere datakompleksiteten og tydeliggjøre mønstre. Selv Google bruker datagruppering til å lage målrettede annonser ved å opprette kundesegmenter basert på brukeratferd, søkeaktivitet og interesser. Gruppering forenkler også datapartisjonering i distribuerte systemer som Hive eller Spark, der ETL-verktøyet kan støtte raskere spørringsytelse ved å redusere dataskanninger. 

2. Datafiltrering

For at data skal kunne brukes til intelligente forretningsbeslutninger, må de være etterprøvbare og gi konsistente resultater til tross for mange forespørsler. Det er her datafiltrering kommer inn — den bidrar til å identifisere og korrigere unøyaktige, ufullstendige eller inkonsistente data. Ved å implementere verktøy for automatisering av ETL-testing sikrer du at disse filtreringsprosessene opprettholder nøyaktigheten og påliteligheten. Filtre kan fungere basert på enkle betingelser (som «bare transaksjoner over $1000») eller mer komplekse kriterier (som steds- eller tidsbaserte filtre). 

Et av de beste eksemplene på datafiltrering i praksis er Facebook, som filtrerer bort skadelig innhold som hatefulle ytringer, feilinformasjon og eksplisitt innhold ved å analysere mønstre i tekst, bilder og videoer, og omvendt. Metas nyhetsfeed filtreres også for å sikre at brukerne ser innhold som er mest relevant for dem, basert på aktiviteten og preferansene deres.

3. Sammenslåing av data

Sammenslåing av data kombinerer data fra ulike kilder eller tabeller ved hjelp av felles nøkler for å holde alt samstemt og løse konflikter. Dette er en viktig del av å bygge 360-graders kundebilder i Salesforce, der data fra CRM-systemer, supportlogger og faktureringssystemer samles for å opprette en komplett kundeprofil. Med nye teknikker som tilnærmet sammenligning er det nå enklere å slå sammen data selv når nøklene ikke samsvarer nøyaktig, for eksempel ved variasjoner i kundenavn.

4. Datanormalisering og denormalisering  

Normalisering handler om å rydde opp i dataene dine — ved å dele store tabeller opp i mindre, fokuserte tabeller for å minimere duplisering og holde ting ryddige. Du deler relaterte data inn i separate tabeller, oppretter nøklerelasjoner og sørger for at hver kolonne bare inneholder én verdi. 

Denormalisering kombinerer derimot data for raskere lesing, noe som er ideelt for systemer som datasjøer eller OLAP, selv om det kan gjøre skriving tregere og bruke mer lagringsplass. De fleste virksomheter går nå over til en hybridtilnærming for å balansere de to metodene, redusere datafeil, optimalisere lagring og effektivisere oppdateringer.

Verktøy for ETL-transformasjon

Å velge riktig ETL-verktøy kan utgjøre hele forskjellen når du skal fremme en datadrevet kultur som trives og lykkes. Her er en oversikt over de beste ETL-verktøyene og hva som gjør hvert av dem til en favoritt blant brukerne for dataintegrasjon: 

1. Apache Airflow 

Apache Airflow er et foretrukket verktøy med åpen kildekode for stordatatransformasjoner, og er populært på grunn av fleksibiliteten ved distribuert databehandling. Med støtte for Java, Python, Scala og R kan utviklere lage tilpassede ETL-pipelines etter behov. Airflows nettbaserte brukergrensesnitt og kommandolinjeverktøy muliggjør også automatisert planlegging og oversikt over arbeidsflyten fra ende til ende (samt overvåking). 

Integrasjoner: Kompatible datakilder som HDFS, Cassandra og S3, med innebygde biblioteker for maskinlæring (MLlib), grafbehandling (GraphX) og SQL

Fordeler: Eksepsjonell ytelse takket være minnebasert behandling, samt høy skalerbarhet og feiltoleranse. Med et rikt økosystem og støtte fra et sterkt fellesskap har Airflow blitt den foretrukne ETL-plattformen for mange utviklere. 

2. Talend Open Studio 

Talend Open Studio har et brukervennlig dra-og-slipp-grensesnitt som forenkler opprettingen av ETL-arbeidsflyter. Det tilbyr også innebygde verktøy for datarensing, deduplisering og validering, noe som sikrer pålitelige resultater. Mens brukere av åpen kildekode får tilgang til kjernefunksjonalitet, kan virksomheter få tilgang til avanserte funksjoner som styring og versjonskontroll. 

Integrasjoner: Over 1 000 datakilder og koblinger, inkludert RDBMS, AWS og Azure. 

Fordeler: Omfattende dokumentasjon, versjoner med åpen kildekode og et brukervennlig grafisk grensesnitt. 

3. AWS Glue 

AWS Glue er en fullstendig administrert, serverløs ETL-tjeneste utviklet for AWS-miljøer, uten bryderiet med å administrere lokal infrastruktur. Den støtter skalerbare datatransformasjoner med Apache Spark, forenkler håndteringen av metadata ved hjelp av Glue Data Catalog og tilbyr fleksible grensesnitt som et dra-og-slipp-grensesnitt, Jupyter-notatbøker eller Python-/Scala-skript. 

Integrasjoner: Grensesnitt mot alle AWS-tjenester som S3, Redshift og Athena. 

Fordeler: Betalingsmodell basert på bruk, minimalt behov for infrastrukturadministrasjon og automatisk skalering

4. Oracle Data Integrator 

Oracle Data Integrator (ODI) er en ETL-løsning som forenkler bygging og administrasjon av datavarehus i stor skala gjennom satsvis behandling og sanntidsoperasjoner basert på hendelser. Hovedproduktet, Data Integrator Studio, leveres med en innebygd plattform for å administrere arbeidsflyter med datakvalitet, dataflytting og datasynkronisering med minimal innsats.

Integrasjoner: En plug-and-play-modell som er lett tilgjengelig med Oracle SOA-pakken (GoldenGate og Enterprise Manager 14c). Har innebygd støtte for Spark, Hive, Kafka, Cassandra og Hadoop. 

Fordeler: Ferdigbygde maler for å systematisere arbeidsflyter for data, et bredt utvalg av koblinger og kryptering på AES-nivå for å beskytte digital informasjon. 

Selv om dette er våre favorittvalg, har vi også laget en spesiell liste over de 19 beste ETL-verktøyene, bare for deg. Ta en titt: De beste ETL-verktøyene

Utfordringer ved ETL-transformasjon

ETL-automatisering kan redusere menneskelig innsats med så mye som 50%, men mange virksomheter høster ennå ikke gevinstene. Datadrift, synkronisering og stabilitetsproblemer står i veien for smidig datahåndtering fra ende til ende.  Og det er ikke alt – det finnes flere utfordringer å ta hensyn til:

1. Opprettholde datakvaliteten: En av de tøffeste utfordringene i ETL-transformasjon. En enkel menneskelig feil, som å blande sammen datoformater eller adressestiler, kan skape kaos i beregningene dine. I tillegg kommer problemet med at flere systemer registrerer den samme informasjonen, noe som skaper plagsomme duplikater som tvinger ETL-verktøyene dine til å jobbe på høygir. Tenk på det: Hvis en kunde har ulike opplysninger i CRM-, fakturerings- og kundestøttesystemene dine, kommer ting garantert til å gå galt i salgsmøter og e-postkampanjer.  
2. Endring av skjema: Dette skjer uten varsel og kan bringe alt ut av balanse. Det ene øyeblikket er systemstrukturen din i orden, og det neste må du håndtere uventede endringer – som at et API for sosiale medier plutselig legger til nye måltall for brukerengasjement, eller at produktkoder endrer format. 
3. Løse mangelen på robust dataintegrasjon: Se for deg at en kunde kjøper noe i en fysisk butikk, men at lagerbeholdningen ikke oppdateres på tvers av alle kanaler – på nett, mobil og overalt ellers. Det er en oppskrift på lagerkaos, tapte salg og sinte kunder. Det er en like stor utfordring å integrere data fra heterogene kilder. Kombiner MongoDBs ustrukturerte, fleksible JSON med Oracles strukturerte tabeller, og du får en hindring som kan bremse eller til og med spore av hele datastrategien din. 
4. Håndtere misforholdet mellom virksomhetsdata og skalerbarhet: Datavolumet overgår ofte infrastrukturens evne til å håndtere det og legger press på ETL-prosessene, som må hente inn, behandle og flytte store datasett i sanntid eller som batchprosesser. Denne mangelen på skalerbarhet fører også til langsommere databehandling uten at belastningen balanseres på tvers av ETL-verktøyene, på grunn av stadig mer omfattende SLA-krav og overutnyttelse av beregningsressurser. I slike tilfeller kan selv elastisk skalering blåse opp budsjettene basert på beregningskraft, lagring og dataoverføring, til tross for ineffektive resultater. 

ETL kontra ELT: Viktige forskjeller og bruksområder

ETL kontra ELT – to vanlige begreper innen databehandling, men hvordan skiller de seg egentlig fra hverandre? Først og fremst har de ulike tilnærminger til hvor transformasjonen skjer, og hvordan data lagres. Med ETL transformeres data på en separat server før de lastes inn i datavarehuset. 

ELT sender derimot rådataene direkte til datavarehuset og utfører transformasjonene etterpå. Men det er bare toppen av isfjellet. Her er de tydelige forskjellene som skiller disse to prosessene fra hverandre: 

Nye trender

ETL er ikke lenger det samme. Det som en gang var et lokalt, batchbasert system drevet av SQL-skript, er nå en moderne, skybasert infrastruktur med automatisering og funksjoner med lite kode, som behandler data i mikrobatcher og muliggjør raskere dataanalyse. Men hvor er det hele på vei? Her får du en grundig gjennomgang av nye trender innen ETL og hvordan disse gjennombruddene former fremtiden for dataintegrasjon: 

1. Datavirtualisering

I stedet for å kjøre ETL-prosesser fysisk bygger datavirtualisering et samlet «virtuelt» datalag som muliggjør raskere implementering og eliminerer redundans. De fleste transformasjonene skjer underveis ved å spørre dataene for å unngå forhåndsbehandling. Indonesias børs har begynt å bruke datavirtualisering for å hente og sentralisere data uten å flytte dem fysisk. Capgemini og T-Mobile har også kastet seg på, og eliminerer kompleksiteten i tradisjonelle ETL-arbeidsflyter for å levere sanntidsanalyse til kundene sine. Med lynrask datatilgang og nesten ingen maskinvareoppsett blir dette raskt det foretrukne valget for ETL, der komplekse transformasjoner og tilordninger kan gjøre prosessene tregere.

2. Personvern først i ETL og datastyring

Etter hvert som personvernlovgivning som GDPR og CCPA blir strengere, er det ikke lenger valgfritt å gjøre personvern til en integrert del av ETL-prosessene dine – det er et krav. ETL-plattformer vil bli presset til å utvikle verktøy som bygger personvern inn i utformingen fra starten av, blant annet datamaskering, kryptering og strenge tilgangskontroller. Microsofts Azure Synapse Analytics er allerede godt i gang med dette – og sørger for at alle kundedata er kryptert og i samsvar med globale personvernlover før behandlingen starter.

3. Dataintegrasjon som en tjeneste (DIaaS)

DIaaS finner sin plass i ETL-bransjen ved å erstatte manuelle og fragmenterte dataintegrasjonsprosesser med fullstendig administrerte, skybaserte ETL-integrasjoner som eliminerer bryderiet med spesialutvikling. De fleste DIaaS-plattformer vil bruke kunstig intelligens til å automatisere datarensing og transformasjon, samt støtte for flere skyer for enkelt å veksle mellom ELT og ETL.

Snaplogic kombinerer DIaaS og omvendt ETL gjennom ferdigbygde API-er og nettgrensesnitt for å føre berikede data inn i appene dine. Og det gir resultater. FELFEL brukte for eksempel Fivetrans DIaaS til å koble sammen viktige forretningsplattformer, få tilgang til lagerdata i sanntid og synkronisere hvert 30. minutt for å få et helhetlig operasjonelt overblikk. Resultatet? En imponerende reduksjon på 99 % i tiden brukt på datateknikk, slik at teamet deres kan fokusere på oppgaver som skaper større verdi.

Det er en stor seier, særlig når man tar i betraktning at manuell datareplikering, utdatert innsikt og trege beslutninger stadig var et problem med eldre SQL Server-oppsett og ytelsesbegrensningene i eldre ETL-plattformer. 

Avsluttende tanker

Dataintegrasjon er i vinden – og det bør den være. Det er den eneste måten å gjøre dataene dine om til noe som faktisk skaper verdi. Ellers samler du bare inn et rot av ubrukelige data som tetter til systemene dine og svekker evnen din til å ta informerte beslutninger. Det er ikke rart at 72 % av bedriftslederne sier at for mye data og for lite tillit holder dem tilbake. 

ETL er ikke alt og alle, men når det kombineres med kunstig intelligens og datapipelines, blir det et avgjørende verktøy for toppledere som ønsker innsikt i produktøkosystemet, kundeutviklingen og konkurranseintelligensen i markedet. 

ETL i 2026 kommer til å bli enda mer utfordrende, intrikat og rett og slett nødvendig etter hvert som vi må håndtere data-kaoset vi har skapt. Debatten vil kanskje aldri ta slutt, men én ting er sikkert – det er avgjørende å holde seg informert.

Abonner på nyhetsbrevet til The CTO Club og få det siste om ETL-trender og den omfattende endringen innen dataintegrasjon.