In unserer schnelllebigen und mobilen Welt sind Cloud-Datenbanken das Herzstück moderner IT-Architekturen. Egal ob für Webanwendungen, Analysen, IoT- Szenarien oder unternehmenskritische Systeme – Microsoft bietet in seiner Cloud-Umgebung Azure eine breite Palette an Datenbankdiensten. Versprochen, hier findest du für jede Anforderung die perfekte Lösung!

In diesem Beitrag bekommst du einen Überblick über die wichtigsten Azure-Datenbanken, ihre Anwendungsfälle und Vorteile.

Azure SQL-Datenbank (Cloud-Datenbanken)

Die Azure SQL-Datenbank ist Microsofts vollständig verwaltete relationale Cloud-Datenbank, die auf dem SQL Server basiert.
Sie eignet sich besonders für moderne Cloud-Anwendungen, die sowohl Zuverlässigkeit als auch Skalierbarkeit erfordern, und das bei minimalem Wartungsaufwand.
Zudem profitiert man von automatischem Performance-Tuning, regelmäßigen Sicherheitsupdates sowie integrierter Hochverfügbarkeit, wodurch sie ideal für Entwickler ist, die sich nicht mit der zugrunde liegenden Infrastruktur beschäftigen wollen.

Merkmale:

• Vollständig verwaltet (PaaS)
• Automatische Backups
• Nahezu unbegrenzte Skalierung
• Hochverfügbarkeit
• Verschiedene Bereitstellungsmodelle: Single Database, Elastic Pool, Hyperscale

Einsatzszenarien:

• Webanwendungen
• SaaS-Plattformen
• Unternehmensdatenbanken mit kleinen bis hohen Anforderungen

Azure Cosmos DB Cloud-Datenbanken

Bei der Azure Cosmos DB handelt es sich um Microsofts hoch skalierbare, global verteilte NoSQL-Datenbank, die speziell für Anwendungen entwickelt wurde, die sowohl eine niedrige Latenz als auch eine hohe Verfügbarkeit erfordern. Weil sie verschiedene APIs wie MongoDB oder Cassandra unterstützt, lässt sie sich flexibel in bestehende Systeme integrieren, sodass Entwickler je nach Bedarf auf vertraute Technologien zurückgreifen können.
Zudem ermöglicht die weltweite Verteilung der Daten eine konsistente Nutzererfahrung – unabhängig davon, wo sich die Nutzer befinden.

Merkmale:

• Unterstützung verschiedener APIs: SQL (DocumentDB), MongoDB, Cassandra, Gremlin, Table
• Niedrige Latenz bei Lese- und Schreiboperationen
• Globale Verteilung und Echtzeit-Replikation

Einsatzszenarien:

• Globale Web- oder Mobilanwendungen
• IoT-Anwendungen
• E-Commerce und Echtzeitanalysen

Azure-Datenbank für PostgreSQL

Die Azure-Datenbank für PostgreSQL bietet eine vollständig verwaltete PostgreSQL-Umgebung auf Azure, wodurch sie ideal für Standardanwendungen sowie für hochskalierende Datenverarbeitung ist. Da PostgreSQL ein beliebtes Open-Source-Datenbanksystem mit einer großen Community ist, profitieren Nutzer von kontinuierlicher Weiterentwicklung und einer umfangreichen Unterstützung durch die Community.

Merkmale:

• Open-Source
• Hochverfügbarkeit mit Zonen-Redundanz
• Skalierbare Leistung und Speicher
• Unterstützung von Citus (massiv parallele Verteilung)

Einsatzszenarien:

• Geodatenverarbeitung (GIS)
• Analyse- und Reporting-Szenarien

Azure-Datenbank für MySQL

Auch für MySQL bietet Azure einen vollständig verwalteten Dienst, der sich insbesondere auf die Themen Einfachheit, Sicherheit und Skalierbarkeit fokussiert.

Da MySQL im Webbereich besonders beliebt ist – insbesondere, wenn es um CMS- und E-Commerce-Systeme geht – findet es in diesen Bereichen eine entsprechend intensive Anwendung.

Somit eignet sich der Azure-Dienst ideal für Entwickler, die eine vertraute Datenbanktechnologie mit den Vorteilen einer Cloud-Plattform kombinieren möchten.

Merkmale:

• Kompatibel mit MySQL 5.7 und 8.0
• Skalierbarkeit und automatische Patches
• Flexible Server-Architektur mit mehr Kontrolle

Einsatzszenarien:

• WordPress-Hosting
• Webanwendungen kleiner bis mittlerer Größe

Azure-Datenbank für MariaDB (Hinweis: wird eingestellt)

Bei Azure MariaDB handelt es sich um ein Fork (eine „Kopie“ die unabhängig vom Original weiterentwickelt wurde) von MySQL das jedoch mit zusätzlichen Features ausgestattet ist. Microsoft stellt MariaDB jedoch schrittweise ein. Bestehende Nutzer sollten zur Azure-Datenbank für MySQL oder einer VM (Virtuelle Maschine) -basierten Lösung migrieren.

Merkmale:

• Basiert auf MySQL
• Integrierte Skalierung und Backup-Funktionen
• Unterstützung für bekannte Tools

Einsatzszenarien:

• Bestehende MariaDB-Anwendungen
• Kleinere relationale Workloads
• Web-Apps mit Open-Source-Stack

Azure Synapse Analytics (Cloud-Datenbanken)

Azure Synapse Analytics ist ein cloudbasierter Dienst, der Datenintegration, Big Data-Analyse und Data Warehousing kombiniert, wodurch eine umfassende Plattform für datengetriebene Anwendungen entsteht.
Synapse ermöglicht es, schnell Erkenntnisse aus großen Datenmengen zu gewinnen, indem es leistungsstarke Tools wie SQL, Apache Spark sowie den Data Explorer bereitstellt. Darüber hinaus kannst du mit Azure Synapse Daten aus verschiedenen Quellen integrieren, transformieren und analysieren, sodass du fundierte Entscheidungen auf Basis konsistenter und aktueller Informationen treffen kannst. Weil alle Komponenten eng miteinander verknüpft sind, lässt sich der gesamte Datenfluss effizient steuern und automatisieren. Für einen tieferen Einblick in Synapse empfehle ich den Beitrag meines Kollegen Tobias Adler: Azure Synapse Analytics

Merkmale:

• T-SQL-basiertes MPP-Data Warehouse ( Massively Parallel Processing)
• Integration mit Data Lake, Spark, Power BI
• Serverless SQL und dedizierte Pools

Einsatzszenarien:

• Datenanalyse
• Echtzeitdatenintegration
• Reporting und Business Intelligence

Azure Data Explorer (Kusto) Cloud-Datenbanken

Azure Data Explorer (Kusto) ist eine leistungsstarke Datenanalyseplattform, die speziell für schnelle Abfragen auf großen Datensätzen entwickelt wurde.
Dabei nutzt die Plattform die Kusto Query Language (KQL) – eine Sprache, die nicht nur einfach zu erlernen, sondern auch sehr effizient ist (hier findest du einen Vergleich zwischen SQL und KQL). Mit dem Azure Data Explorer kannst du Daten in Echtzeit verarbeiten und diese analysieren, wodurch er sich besonders für das Monitoring, die Sicherheitsanalyse sowie die Analyse von Nutzerverhalten eignet.
Außerdem integriert sich die Plattform nahtlos in andere Azure-Dienste wie Event Hubs, IoT Hub und Azure Monitor, sodass umfassende End-to-End-Szenarien realisierbar sind.

Merkmale:

• Kusto Query Language für große Datensätze
• Echtzeitverarbeitung
• Schnelle Abfragen über strukturierte und semi-strukturierte Daten

Einsatzszenarien:

• Anwendungsüberwachung (App Insights)
• IoT-Telemetrie
• Security- und Log-Analytik

SQL Server auf Azure Virtual Machines

Wenn du vollständige Kontrolle über deine Datenbankumgebung brauchst, dann ist der SQL Server auf Azure Virtual Machines eine gute Wahl. Diese IaaS-Option bietet eine Umgebung, die deiner On-Premises-Struktur gleicht und unterstützt alle SQL Server-Features.

Merkmale:

• Vollständige Admin-Kontrolle über Betriebssystem und SQL Server
• Unterstützung aller SQL Server-Versionen
• Integration in Azure Backup, Monitor etc.

Einsatzszenarien:

• Legacy-Anwendungen
• Komplexe SQL Server-Features (SSRS, SSIS)
• Hybrid-Cloud-Szenarien

Fazit: Welche Azure-Datenbank passt zu mir?

Die Auswahl der passenden Cloud-Datenbank hängt von verschiedenen Faktoren ab. Dazu zählen zum Beispiel die Art der Anwendung, das Datenvolumen und die benötigte Geschwindigkeit. Auch Anforderungen an Sicherheit, Skalierbarkeit und Wartungsaufwand spielen eine wichtige Rolle.

Je nach Einsatzzweck bieten sich unterschiedliche Azure SQL-Datenbanklösungen an:

Ganz gleich, ob du eine Beratung brauchst oder bereits konkrete Anforderungen hast – nimm einfach Kontakt zu uns auf.

Wir von der arelium GmbH helfen dir gern.

Was sind T-SQL Constraints?

Bei Constraints (engl. für “Einschränkungen”) handelt es sich um durch den Entwickler vorzugebende Regeln. Diese werden direkt auf Datenbankebene implementiert und durch diese überwacht. Derart abgesichert, sind Fehleingaben bei der Datenpflege nicht mehr möglich. Somit definieren Constraints Bedingungen, die beim Einfügen, Ändern oder Löschen von Datenbankinhalten erfüllt werden müssen.

Da Tabellen Werte innerhalb einer relationalen Datenbank speichern, hängen Constraints auch genau an dieser Art von Objekten. Sichten, Trigger, Prozeduren und Funktionen können keine Constraints haben.

Wann und wie werden Constraints erstellt?

Derartige Bedingungen kann man immer programmatisch erstellen. Man schreibt hierzu einen Quellcode mit normalen DDL-Befehlen. Dies kann schon beim Anlegen eines Objektes (CREATE TABLE) oder später als Änderungsanweisung (ALTER TABLE) geschehen. Es ist möglich Constraints einzeln zu löschen (DROP CONSTRAINT). Wenn das zugehörige Objekt gelöscht wird, werden gleichzeitig auch alle daran gebundenen Constraints eleminiert.

Es ist bei den meisten Constraints auch möglich, diese bequem über die grafische Benutzeroberfläche, bspw. das SQL Server Management Studio, zu pflegen.

Constraints gelten sofort. Mit ihrer Anlage sind sie automatisch aktiviert. Man kann sie zu Testzwecken einzeln deaktivieren, dann werden die implementierten Prüfungen nicht durchlaufen. Nach einer Reaktivierung findet die Bedingung dann sofort wieder Anwendung.

Anlage einer Tabelle mit sofortiger Constraint-Einrichtung

Spätere Erweiterung um einen weiteren Constraint

Welche Arten von T-SQL Constraints gibt es?

Man unterscheidet verschiedene Arte von Einschränkungen. Manche Arten können pro Tabelle nur einfach vorkommen (Primery Key Constraint), andere können auch mehrfach in unterschiedlicher Ausprägung an dieselbe Tabelle gebunden werden. Verschiedene Arten lassen sich problemlos an einer Tabelle gleichzeitig einsetzen.

• NOT NULL Constraint
  Soll in eine Spalte kein NULL-Wert eingegeben werden können, nutzt man einen NOT NULL Constraint
• UNIQUE Constraint
  Mit dieser Bedingung erzwingt man einzigarte Werte in einer Spalte. Dubletten sind nicht mehr möglich.
• Primery Key Constraint
  Bei dieser Beschränkung handelt es sich um eine Kombination aus der UNIQUE- und der NOT NULL-Beschränkung, wobei die Spalte oder die Gruppe von Spalten, die am PRIMARY KEY beteiligt sind, einzigartig sind und keinen NULL-Wert annehmen können.
• Foreign Key Constraint
  Hier wird die Eingabe von Werten erzwungen, die in einer anderen Tabelle der Primärschlüssel sind. Werte, die es in der zweiten Tabelle nicht gibt, werden abgelehnt.
• Check Constraint
  Der Wert in einer Spalte mit einer Prüfbeschränkung kann nur eingegeben werden, wenn die T-SQL Prüfbeschränkung als wahr ausgewertet wird.
• Default Constraint
  Mit dieser Art der Constraints werden Ersatzwerte vorgegeben, die automatisch eingefügt werden, wenn in einem INSERT-Statement ein NULL-Wert für die betroffene Spalte übergeben wird.

Warum sollte ich Constraints einsetzen?

Es gibt keine zuverlässigere Möglichkeit als die Nutzung von Constraints, um die Inhalte seiner Datenbank zu schützen. Merke: Was immer ein Nutzer eingeben oder ändern kann, wird er früher oder später auch bewusst oder unbewusst machen. Nur wenn die Datenbank sicherstellt, das keine ungewollten Pflegeinhalte gespeichert werden, kann der Inhalt einer Datenbank zuverlässig positiv garantiert werden.

Die Einrichtung passender T-SQL Constraints ist eine einmalige Arbeit. Dieser Aufwand lohnt sich aber definitiv! Es ist erfahrungsgemäß um ein Vielfaches zeit- und kostenintensiver eine inhaltlich „verunreinigte“ Datenbank zu säubern – wenn es überhaupt möglich ist.

Da Constraints auf DB-Ebene wirken, greifen sie bei jeder Art der Datenmanipulation. Egal ob durch einen Sachbearbeiter über eine Applikations-GUI oder einen Entwickler mit T-SQL-Befehlen… die Beschränkungen sorgen für saubere Daten!  

Unsere Spezialisten

Wir sind seit vielen Jahren Spezialisten für die gesamte Datenverarbeitung von der Speicherung, über die Analyse bis zum fertigen Bericht. Außerdem bauen wir seit fast zwei Jahrzehnten Datenbanken für Unternehmen verschiedenster Größen. Wenn Sie weitere Fragen kontaktieren Sie uns doch einfach.

Wenn von Data Vault gesprochen wird, dann sprechen wir über einen Modellierungsansatz für den Aufbau eines Data Warehouses. Der Grundgedanke zu diesem Modell wurde bereits in den 1990er Jahren von Dan Linstedt entworfen. Dabei lag der Fokus auf Agilität, Skalierbarkeit und der Anpassungsfähigkeit des Modells.

In der heutigen Zeit müssen Unternehmen ihr Geschäftsmodel in immer kürzer werdenden Zyklen anpassen und sich ständig den sich ändernden Marktbedürfnissen oder auch regulatorischen Anforderungen anpassen. Die Verantwortlichen stehen deshalb ständig unter Druck, die häufig sehr komplexgestalteten, bestehenden Datenstrukturen anzupassen. Dies ist mit unter äußerst anstrengend und teuer.  

Dafür bietet der Ansatz des Data Vault eine Lösungsmöglichkeit, indem es die Eigenschaften aus der dimensionalen (Sternschema) und normalisierten Modellierungswelt miteinander verbindet. Dadurch kann eine Beschleunigung bei der Befüllung des Warehouses erreicht werden. Der wesentliche Vorteil liegt jedoch darin, dass wir bei der Erweiterbarkeit wesentlich flexibler sind als bei den klassischen Methoden.  Durch die andere Art der Modellierung müssen bei Änderungen, meistens Regel, keine bestehenden Tabellen angepasst werden. Es reicht einfach neue Tabellen z.B. zusätzliche Satelliten (s.u.) ergänzt werden.

Beim Data Vault handelt es sich nicht um einen Ersatz des erprobten Sternschema, sondern um eine Ergänzung, indem es zur Modellierung des Data Warehouses (zentrale Datenbank zur Integration und Historisierung von Daten) verwendet wird.

Mit Data-Vault 2.0 wird eine Verbesserung bezüglich der Agilität und der Flexibilität gegenüber dem klassischen Modell erreicht. Zusätzlich werden dabei auch Big-Data, NoSQL-Datenbanken und Cloud-Technologien mitberücksichtigt. Ohne hier allerdings tiefer in das Thema einzusteigen, sei gesagt, dass Data Vault sich vor allem für Data Warehouses eignet und weniger für Lakehouses.

Data Vault bietet eine hohe Flexibilität bei Erweiterungen, eine vollständige Historisierung der Daten und erlaubt eine starke Parallelisierung der Datenladeprozesse. Es ist eine moderne Architektur für agiles Data Warehousing und ermöglicht es ihrem Unternehmen, die Daten effizient zu verwalten und zu nutzen.

Allerdings ist Data Vault nicht für alle Szenarien die beste Wahl. Neben dem initialen Aufwand bei der Erstellung des Models, erfordert Data Vault ein grundlegendes tiefes Verständnis des Ansatzes sowie der vorhandenen Geschäftslogik.

Wir, die arelium GmbH, verfügen über ein fundiertes Wissen in diesem Bereich. Sollten Sie Interesse an dem Thema Data Vault und deren Einsatzmöglichkeiten haben, dann nehmen Sie gerne mit uns Kontakt auf. Wir beraten sie gerne.

SQL vs KQL

In den folgenden Zeilen werde ich kurz erklären, was SQL ist, was KQL ist und wofür wir die Sprachen verwenden können. Abschließend werde ich kurz die Unterschiede zwischen den beiden Sprachen erläutern.

SQL

SQL ist eine Abkürzung für Structured Query Language. Dabei handelt es sich um eine Datenbanksprache.

Innerhalb der SQL-Sprache werden drei Formen von SQL-Befehlen unterschieden:

• DML (Data Manipulation Language)
• DDL (Date Definition Language)
• DCL (Data Control Language)

DDL ermöglicht die Ausführung von Befehlen in SQL, die zur Definition von Datenstrukturen in relationalen Datenbanken benötigt werden. Mit den DML-Befehlen (Insert, Modify, Delete) können Änderungen an den Daten vorgenommen werden. Mit DCL werden Abfragen auf den vorhandenen Datenbeständen ausgeführt. Die Datenbanksprache SQL dient der Verwaltung strukturierter Daten in relationalen Datenbanken. Dabei wird, wie bereits erwähnt, ein relationales Datenmodell verwendet, bei dem die Daten in Tabellen mit Spalten und Zeilen organisiert sind. Die Sprache SQL ist in ihren Grundlagen standardisiert, jedoch verwenden verschiedene SQL-Engines unterschiedliche Dialekte, d.h. je nach Dialekt gibt es andere Befehle, Datentypen oder Funktionen. Auch Microsoft verwendet mit T-SQL einen eigenen Dialekt.

KQL

KQL (Kusto Query Language) ist eine leistungsfähige Sprache, mit der Daten untersucht und Muster erkannt werden können. Dadurch können Anomalien und Ausreißer identifiziert werden. KQL ist eine einfache, aber leistungsfähige Sprache zur Abfrage von strukturierten, halbstrukturierten und unstrukturierten Daten. Die Sprache ist leicht lesbar. KQL verwendet Schema-Entitäten, die denen von SQL ähnlich sind: Datenbanken, Tabellen und Spalten.

Die Kusto-Abfragesprache (KQL) wird heute in vielen Szenarien verwendet, um Daten zu analysieren und daraus Erkenntnisse zu gewinnen.
So kann KQL zur Überwachung von Protokollen, Metriken und Telemetriedaten verwendet werden. Ein weiteres Anwendungsgebiet von KQL ist der Sicherheitsbereich. Dort ermöglicht KQL die Untersuchung von Sicherheitsereignissen, wie z.B. die Erkennung von Angriffsmustern oder die Überwachung von Anmeldeaktivitäten.
Auch im Bereich Business Analytics wird KQL eingesetzt, um z.B. Verkaufsdaten, Kundenverhalten oder Marketingkampagnen zu untersuchen.

Vergleich von SQL und KQL

Fazit

Sowohl SQL als auch KQL sind Abfragesprachen, die für die Verarbeitung und Analyse von Daten entwickelt wurden.
SQL wird hauptsächlich für relationale Datenbanken und strukturierte Daten verwendet. KQL ist für die Abfrage und Analyse großer, verteilter Daten in der Cloud optimiert.

Kontakt

Wenn Sie sich noch unsicher sind, welche Datenbank für Sie die richtige ist, kontaktieren Sie uns gerne. Unsere Experten freuen sich, Sie beraten zu dürfen.

In modernen Unternehmen fallen täglich große Datenmengen aus verschiedenen internen und externen Quellen an. Um auf Basis dieser Daten geschäftskritische Entscheidungen treffen zu können, müssen die Daten in ein einheitliches Format gebracht werden. Dieser Prozess wird auch als ETL-Prozess bezeichnet und gliedert sich in die folgenden drei Schritte. Extract (Extraktion der Rohdaten aus verschiedenen Quellen), Transform (Überführung der Rohdaten in ein einheitliches Format) und Load (zentrale Bereitstellung der Daten). In diesem Beitrag werde ich Schritt für Schritt erläutern, wie ein ETL in Azure Synapse Analytics implementiert werden kann.

Warum Daten in der Cloud und nicht Lokal speichern?

Warum immer mehr Unternehmen den Weg in die Cloud finden, zeigt eine Reihe von Vorteilen, die die Cloud bietet:

• Skalierbarkeit: Die Cloud bietet die Möglichkeit, die Ressourcen an den eigenen Bedarf anzupassen, ohne Änderungen an der Infrastruktur vornehmen zu müssen.
• Kosteneffizienz: Da die Ressourcen an den eigenen Bedarf angepasst werden können, müssen Unternehmen keine Überkapazitäten vorhalten, um eine überdurchschnittliche Auslastung zu bewältigen. Stattdessen können die Ressourcen in solchen Fällen dynamisch erhöht werden, so dass nur die tatsächlich benötigte Kapazität bezahlt werden muss.
• Sicherheit: Microsoft hat robuste Sicherheitsmaßnahmen wie zum Beispiel VPNs implementiert, um die Daten während der Übertragung zu schützen. Darüber hinaus bietet die Azure-Cloud fortschrittliche Zugriffskontrollfunktionen, um sicherzustellen, dass nur autorisierte Benutzer auf die Daten zugreifen können.
• Flexibilität: Durch die Speicherung der Daten in der Cloud können die Mitarbeiterinnen und Mitarbeiter von überall auf die Daten zugreifen, solange sie über eine Internetverbindung verfügen. Zudem lassen sich Cloud-Dienste nahtlos in bestehende Systeme integrieren. Dadurch können Unternehmen ihre bestehenden Investitionen nutzen und neue Technologien schnell einführen, ohne komplexe Integrationen oder Anpassungen vornehmen zu müssen.

ETL in Azure Synapse

Azure Synapse ist eine Cloud-basierte Datenanalyseplattform von Microsoft, die Datenverarbeitungs- und Analysedienste in einer einzigen Umgebung vereint. Sie ermöglicht es Unternehmen, große Mengen strukturierter und unstrukturierter Daten aus verschiedenen Quellen zu sammeln, zu speichern, zu verarbeiten und zu analysieren. In diesem Blogbeitrag werde ich den ETL-Prozess in Azure Synapse Analytics (Extract, Transform, Load) in Synapse anhand einer Azure SQL-Datenbank erläutern. In diesem Beispiel arbeite ich mit den Beispieldaten der Azure SQL Datenbank, die die Geschäftsdaten eines virtuellen Fahrradladens repräsentieren.

Um einen ETL-Prozess in Azure Synapse Analytics zu implementieren, müssen wir zunächst einen Dedicated SQL Pool einrichten. Der Dedicated SQL Pool (früher auch SQL Datawarehouse genannt) ist ein sogenanntes Massively Parallel Processing oder kurz MPP. Dabei handelt es sich um eine moderne Datenbankarchitektur, bei der eine große Anzahl von Prozessoren parallel arbeitet, um die Daten in kleinere Teile aufzuteilen und diese gleichzeitig zu verarbeiten. In diesem SQL-Pool werden wir später unsere Daten speichern.

Linked Service

Nun müssen wir in Synapse eine Verbindung zu unserer Azure Datenbank herstellen. Dazu klicken wir in der linken Menüleiste auf Manage und dann auf „Linked services„. Wenn wir dann auf „New“ klicken, öffnet sich ein Menü, in dem wir auswählen können, mit welcher externen Datenquelle wir uns verbinden möchten. Für unser Beispiel wählen wir „Azure SQL Database“.

Eine natürliche Sprache wie Deutsch unterliegt ständigem Wandel. Aktuell stehen fast 150.000 Stichworte im Duden. Pro Jahr kommen ca. 3000 neue Begriffe hinzu, 300 andere werden gestrichen. So fanden in den letzten Jahren bspw. Ausdrücke wie „Insektensterben“, „Klimakrise“, „aufploppen“, „Lifehack“, „Enkeltag“, „Faktenfinder“, „Uploadfilter“ oder „Wiesn“ Eingang in das offizielle Rechtschreibwörterbuch. Lebende Sprachen passen sich so an veränderte Gegebenheiten und neue Entwicklungen an. Aber auch Vereinfachungen finden immer wieder den Weg in den Standard.

Ähnlich halten es die Datenbankenhersteller mit dem Umfang der eingesetzten Abfrage- und Programmiersprache. Microsoft als Hersteller des SQL Servers beobachtet sehr genau Foren, führt Gespräche mit Entwicklern auf Konferenzen weltweit und wertet das Feedback aus der eigenen Erwachsenenbildung aus. So entwickelt sich ein Gefühl, welche Funktionalitäten gewünscht sind aber momentan noch fehlen oder welche Befehle in der aktuellen Version zu kompliziert sind. Aus dieser Grundlage heraus bildetet Microsoft dann die Neuerung in T-SQL.

In den SQL Server 2022 haben so einige neue Befehle sehr zur Freude der Entwicklergemeinde Einzug erhalten. Im Gegenzug wurden einige wenige Ausdrücke als „auslaufend“ markiert. Sie werden in zukünftigen Versionen nicht mehr unterstützt. Eine genaue Auflistung findet man auf den Hilfe- und Lernseiten des Unternehmens. In diesem Blogpost soll es aber um die neuen Möglichkeiten gehen. Ich habe mir zwei frische Befehle ausgesucht, um an ihnen beispielhaft zu zeigen, wie einfach nun Auswertungen werden, die vorher umständlich nachprogrammiert werden mussten.

Die Vorteile der neuen Befehle besteht allerdings nicht nur an der einfacheren Implementierung und der besseren Wartbarkeit von Quellcode, sondern oftmals wirken sie sich auch äußerst positiv auf das Laufzeitverhalten aus. Die Spezialisten von Microsoft haben hier nämlich die Möglichkeit der Optimierung (bspw. Parallelverarbeitung, Nutzung von Berechnungshardware, …) voll ausgenutzt und die Lösung ausführlich getestet. Bietet der Hersteller derartige Verbesserungen an, lohnt es sich sogar oft bestehenden Code nachträglich anzupassen. Auf jeden Fall sollte man aber zukünftig von diesen Optimierungen Gebrauch machen.

Oft kommen Entwickler in die Bedrängnis eine spezielle Liste von Werten zur Verfügung haben zu müssen. So sind bspw. alle Daten eines Geschäftsjahres in einer Tabelle sinnvoll, um darauf joinen und filtern zu können. Doch wie generiert man eine solche Datumstabelle? Bisher war diese Arbeit händisch zu programmieren – Lösungen bspw. zur Ablage einer Tabelle mit fortlaufend nummerierten Zahlwerten funktionierten analog. Ich selbst habe jahrelang die schnelle rekursive Variante bevorzugt:

Microsoft hat erkannt, dass hier jeder Entwickler sein eigenes Süppchen kocht. Von einer unzähligen Sammlung INSERTS über diverse Schleifenkonstruktionen findet man in einschlägigen Foren viele Lösungen. Nun hat der Hersteller hier nachgebessert und die Generierung derartiger Folgen vereinheitlicht und deutlich vereinfacht:

Auch mit den massenhaften Varianten der Größenvergleiche beschäftigt sich Microsoft mit Neuerung in T-SQL. Hier findet man bisher verschachtelte IF-Statements oder wüste WHERE-Blöcke mit aneinandergefügten Vergleichen. Da sich derartige Abfragen fachlich nicht direkt mit den Funktionen MIN() oder MAX() abbilden lassen (da diese nur Tabelleninhalte oder Inhalte von Tabellenwertvariablen vergleichen können), wurden die Funktionen GREATEST() und LEAST() geschaffen. Mit diesen kann man eine Auflistung von durch Komma getrennten Ausdrücken auswerten. Dabei darf es sich um bis zu 254 direkten Werte, Variablen oder Konstanten handeln. Möglich sind alle vergleichbaren Datentypen. Sogar Aggregatfunktionen und skalare Unterabfragen sind erlaubt.

Weitere Informationen finden sich in der Onlinedokumentation von Microsoft: https://learn.microsoft.com/de-de/sql/t-sql/functions/logical-functions-greatest-transact-sql?view=sql-server-ver16

Um die Gunst der Nutzer zu erlangen und zu behalten, entwickeln die Hersteller ihrer Produkte stets weiter. Auch Microsoft beobachtet den Markt genau und optimiert hier bestehende Befehle und schafft neue Möglichkeiten, wo altbewährtes nicht ausreicht oder zu komplex in der Entwicklung ist. Es lohnt sich definitiv einen Blick in die Featureliste neuer Versionen zu werfen und sich wohlwollend zu überlegen seinen Quellcode anzupassen. Neuentwicklungen sollte man auf jeden Fall nach den aktuellen Standards vornehmen. Im Idealfall lernt man also nie aus… was sich mit guten Laufzeitverhalten und bequemer Programmierung und Wartung niederschlägt – wie schon diese zwei einfachen Beispiele zeigen. Die Neuerung in T-SQL sollten dabei immer im Auge behalten werden. Wir haben auch einen weiteren Artikel zu spannenden Themen in SQL.

Sowohl Data Architecture als auch Data Governance sind in Unternehmen wesentliche Bestandteile einer effektiven Datenverwaltung. Beide Konzepte zielen darauf ab, die Verwendung von Daten zu optimieren und sicherzustellen, dass man die gesamten Daten als strategische Ressource nutzen kann. Data Architecture bezieht sich sich auf die technische Seite der Datenverwaltung. Data Governance bezieht sich währenddessen auf die strategischen, organisatorischen und rechtlichen Aspekte der Datenverwaltung. Beide sind jedoch eng miteinander verbunden und arbeiten Hand in Hand. So kann man sicherstellen, dass man alle Daten in einem Unternehmen effizient, verantwortungsbewusst und erfolgreich nutzen kann.

Data Architecture und Data Governance Merkmale

Obwohl Data Architecture und Data Governance sehr eng zusammenarbeiten, haben beide Bereiche ihre eigenen Aufgaben und Themengebiete die sie abdecken, um ein möglichst effektives Arbeiten mit den Daten zu gewährleisten. Im folgenden ist aufgelistet, welche Aufgaben unter Data Architecture und welche Aufgaben unter Data Governance fallen:

Zusammenfassung

Zusammenfassend lässt sich festhalten, dass Data Architecture und Data Governance zwei essentielle Säulen der modernen Datenverwaltung darstellen. Beides sind unterschiedliche Konzepte, die sich auf eng miteinander verknüpfte Aspekte konzentrieren. Data Architecture fokussiert sich auf die technische Gestaltung, Strukturierung und Verwaltung von Daten. Data Governance legt den Schwerpunkt währenddessen auf die strategische Planung der Daten. Dadurch wird sichergestellt, dass die Daten vertrauenswürdig, sicher und den Vorschriften entsprechend genutzt werden.

Data Architecture bildet das Fundament, auf dem Data Governance aufbaut. Eine gut gestaltete Datenarchitektur ermöglicht eine effiziente Datenverarbeitung, Integration und Nutzung. Data Governance hingegen sorgt dafür, dass diese Daten qualitativ hochwertig sind, den Datenschutzbestimmungen entsprechen und den Anforderungen der Organisation gerecht werden. Beide Konzepte ergänzen sich und sind gleichermaßen wichtig, um sicherzustellen, dass Daten als strategische Ressource genutzt werden und einen nachhaltigen Mehrwert für Unternehmen schaffen.

In der heutigen datengetriebenen Welt sind sowohl eine solide Datenarchitektur als auch eine effektive Data Governance von entscheidender Bedeutung, um Wettbewerbsvorteile zu erzielen, fundierte Entscheidungen zu treffen und das Vertrauen der Kunden und Stakeholder zu gewinnen. Indem Organisationen sowohl in die Strukturierung ihrer Dateninfrastruktur als auch in die strategische Verwaltung und Kontrolle ihrer Daten investieren, können sie eine solide Grundlage für Innovation und Wachstum schaffen.