Verstehen Sie Ihre Daten Ultimativer Leitfaden zur Data Lineage

Was ist Data Lineage?

Die Menge der Daten, die Unternehmen speichern und verarbeiten, ist in den letzten Jahren sprunghaft angestiegen. Daten werden immer komplizierter und dynamischer, und der richtige und effiziente Umgang mit ihnen kann manchmal wie eine unmögliche Aufgabe erscheinen. Herzlich willkommen im Zeitalter von Big Data.

Auch wenn das Verständnis von Daten (woher sie stammen und wie sie miteinander verknüpft sind) Unternehmen in vielerlei Hinsicht helfen kann, haben viele von ihnen ihre Data Lineage nicht unter Kontrolle.

Data Lineage zeigt, aus welcher bzw. welchen Quelle(n) Daten stammen, wohin sie in der Umgebung fließen und – last but not least – was mit ihnen auf dem Weg geschieht. Dies kann Aufschluss über die Rolle bestimmter Dateneinheiten innerhalb der Umgebung als Ganzes geben.

Datenfluss

Zunächst entstehen Ihre Daten irgendwo in der Umgebung. Sie können aus verschiedenen Datenbanken oder Transformationen stammen. Dies ist der Beginn des Datenlebenszyklus. Daten fließen in viele Richtungen durch eine Umgebung, die typischerweise aus verschiedenen.

Plattformen besteht, und sie durchlaufen mehrere Prozesse und Speicherorte. Auf ihrem Weg interagieren sie mit anderen Daten, werden umgewandelt und in verschiedenen Berichten verwendet.

Stellen Sie sich einmal vor, wie viele Systeme und Quellen Sie in Ihrem Unternehmen haben, wie viel Datenverarbeitungslogik, wie viele ETL-Jobs, wie viele gespeicherte Prozeduren, wie viele Zeilen Programmiercode, wie viele Berichte, wie viele Ad-hoc-Excel-Dateien usw. Es ist immens.

CAC Graph

Das vereinfachte Diagramm oben zeigt, wie die Kundenakquisekosten tatsächlich berechnet wurden. Diese Kennzahl zeigt uns die Ausgaben, die damit verbunden sind, den Kunden vom Kauf eines Produkts oder einer Dienstleistung zu überzeugen.

Stellen wir uns vor, dass der Endwert das Einzige ist, was wir wissen. Wir müssen zurückgehen und den Weg aufdecken, der zu dieser Zahl geführt hat. Dadurch können wir herausfinden, welche Berichte oder sogar Spalten zu diesem Endwert beigetragen haben. In diesem Fall stammen die Kundenakquisekosten aus einem Bericht, der die Anzahl der Kunden und Marketingberichte mit den Gesamtausgaben für bestimmte Marketingaktivitäten enthält. Wir können auch sehen, in welchen Datenbanken diese Berichte gespeichert sind. Was auf den ersten Blick nicht offensichtlich ist, ist, dass sich unter jeder Linie, die zwei Objekte verbindet, Prozeduren verbergen. Die Kenntnis all dieser Informationen ermöglicht es uns, den Datenfluss im Inneren und nach außen zu analysieren. Es ist nicht notwendig, bei der Erforschung der Datenabstammung immer zurück zu gehen. Manchmal liegt der Ausgangspunkt irgendwo in der Mitte oder am Anfang, wenn Sie Änderungen an Quelldatenbanken oder -modellen vornehmen müssen. In solchen Fällen bedeutet die Fähigkeit, die Datenabstammung zu verfolgen, dass wir vorhersagen können, welche Auswirkungen die Entscheidungen haben und wie sie den nachgelagerten Output beeinflussen werden.


Die Rolle der Metadaten

Metadaten sind im Grunde genommen Daten über Daten. Sie werden typischerweise als die Informationen über Assets und ihre Beziehungen verstanden. Wenn wir über Metadaten sprechen, unterteilen wir sie in der Regel in die folgenden Kategorien.

TECHNISCHE METADATEN

TECHNISCHE METADATEN

Technische Metadaten, oder physische Metadaten, beschreiben die physische Speicherung von Daten. Diese umfasst in der Regel Datenbanken und ihre Schemata, Ansichten und Tabellen sowie die Spalten dieser Datenbankansichten und -tabellen. Details für Spalten enthalten auch Merkmale wie Datentyp, Größe, Beschreibung und häufig Profilinformationen. Zu den Profiling-Kennzahlen gehören gemeinsame Wertemuster in den Daten, Wertehäufigkeiten, Vollständigkeit und Datenbereiche (z. B. eine physische Spalte, die Daten wie Adressen, Telefonnummern, E-Mail-Adressen usw. speichert).

LOGISCHE METADATEN

LOGISCHE METADATEN

Logische Metadaten definieren die Details, die gespeichert werden, und ihre Beziehungen zu anderen Assets innerhalb des Systems oder der Anwendung. Diese Informationen werden im Allgemeinen in einem Datenmodellierungstool erstellt und verwaltet. Logische Metadaten umfassen in der Regel Instanzen wie Kunden, Beteiligte und Adressen und bilden die Grundlage für die Erstellung von physischen Assets, in denen die Instanzen tatsächlich repräsentiert sind.

GESCHÄFTLICHE METADATEN

GESCHÄFTLICHE METADATEN

Geschäftliche Metadaten haben eine spezifische Bedeutung in Bezug auf einen bestimmten Geschäftsprozess – zum Beispiel kann die Definition eines Kunden für jede Abteilung wie etwa Finanzen, Risikomanagement, Vertrieb und Kundenbetreuung einzigartig sein. Das Unternehmen muss definieren, was ein Kunde ist, und bestimmen, ob und aus welchen Gründen in verschiedenen Abteilungen unterschiedliche Definitionen verwendet werden. Geschäftsterminologie muss definiert, vereinbart, dokumentiert, erklärt und zusammen mit den zugehörigen Prozessen verfolgt werden.

WIE HÄNGT LINEAGE DAMIT ZUSAMMEN?

WIE HÄNGT LINEAGE DAMIT ZUSAMMEN?

Lineage verbindet all diese Informationen. Asset-Metadaten ohne Lineage sind nur eine Definition, die keinen  Mehrwert schafft.

Technische vs. geschäftliche Lineage

Die Anforderungen an die Lineage variieren je nach Publikum. Technische Lineage ist eine Notwendigkeit für technische Mitglieder des Teams wie Softwareentwickler, DBAs und Berichtsentwickler, die sich für das Innenleben ihres Codes, die Bewegung von Daten durch ihn hindurch und seine Auswirkungen auf vor- und nachgelagerte Datenflüsse interessieren.

Geschäftliche Lineage ermöglicht es den Benutzern, den Weg ihrer Daten aus einer höheren Perspektive, ohne feinkörnige technische Details, zu sehen. Die Benutzer müssen häufig wissen, wie die Dinge miteinander verbunden sind, aber ohne sich eine detaillierte Transformationssyntax ansehen zu müssen. Diese Option ist ideal für Entscheidungsträger, die eine Lineage mit einem Detaillierungsgrad benötigen, der ihr Vertrauen in die Daten und die von ihnen verwendeten Systeme erhöht.


Warum ist Data Lineage so wichtig?

Was sind die Folgen, wenn man nichts über Data Lineage weiß? Unternehmen, denen die Datenherkunft egal ist oder die sich der oben genannten Details nicht bewusst sind, können nicht vorhersagen, welche Auswirkungen ihre Handlungen auf ihre Systeme haben könnten. Sie sind nicht in der Lage, ihre Entwicklungsteams mit den Instrumenten auszustatten, die es ihnen ermöglichen, neue Lösungen schneller und präziser zu entwickeln. Sie sind nicht in der Lage, ihre Datenbürger (Datenwissenschaftler, Analysten)

mit den richtigen Informationen zu versorgen, damit diese Vorhersagemodelle konstruieren können, und sie sind weiterhin nicht in der Lage, ihren Führungskräften eine vertrauenswürdige Plattform zu bieten, damit diese ihre Entscheidungen mit Überzeugung treffen können!

Warum ist Data Lineage Wichtig?

Ein vollständiges Verständnis Ihrer Daten, woher sie stammen, wer sie verwendet und wie sie transformiert werden, macht sie vertrauenswürdig. Lassen Sie uns dennoch einen genaueren Blick auf die Fragen werfen, die jedes Unternehmen beantworten muss.

WELCHE DATEN SPEICHERN WIR?

Dies ist eines der ersten Dinge, die wir wissen müssen, und gilt insbesondere für zentrale Datenbanken und Data Lakes, die sich über Jahrzehnte entwickelt haben. Die Datenmenge ist jedoch astronomisch und wächst weiterhin, und die Leute, die die Systeme gebaut haben, arbeiten oft nicht mehr für das Unternehmen. Dies gilt auch für unterschiedliche Transaktionssysteme und Archive, die über das Unternehmen verstreut sind.

WIE UND WO WERDEN DIE DATEN EINGESETZT?

An welche Orte fließen die Daten? Welche Positionen oder Prozesse sind verantwortlich? Ihre Daten können von Stellen abgezogen und an Stellen geschickt werden, an die Sie niemals denken würden. Dieses Wissen kann uns helfen, Datenverarbeitungsprozesse zu verbessern oder das Ausmaß der Offenlegung persönlicher Daten aufzuzeigen.

BENUTZEN WIR DIE DATEN ÜBERHAUPT?

Wenn wir wissen, welche Daten wir speichern, sind wir in der Lage, die nicht verwendeten Bereiche zu identifizieren, die schon seit Jahren ungenutzt sind und jetzt nur noch Platz einnehmen, den wir freigeben könnten. Zudem werden Zeit und andere Ressourcen verschwendet, wenn wir unnötige Daten verarbeiten – ein Aufwand, den niemand in seinem Budget sehen möchte.

Ein weiteres Problem mit ähnlichen Folgen sind doppelte Daten. Das Wirtschaftsmagazin Forbes bezeichnet diese Art von Daten als dunkle Daten und beschreibt sie als „Informationswerte, die eine Organisation im Rahmen ihrer regulären Geschäftstätigkeit sammelt, verarbeitet und speichert, aber im Allgemeinen nicht für andere Zwecke verwendet“ Die Datenherkunftsanalyse hilft dabei, solche unberührten und ungenutzten „Dateninseln“ zu identifizieren, und hilft Unternehmen so, die Verschwendung wertvoller Ressourcen zu vermeiden.


Welche Vorteile bietet Data Lineage?

Data Lineage ist Ihr bester Freund, wenn es um die folgenden Sachverhalte und den daraus resultierenden Zeitdruck geht.

Compliance

Die Anzahl der Verordnungen, die Data Lineage erfordert, hat in den letzten Jahren rapide zugenommen, und wir können davon ausgehen, dass noch mehr von ihnen in der Warteschlange stehen. BASEL, HIPAA, DSGVO, CCPA, CCAR… um nur ein paar zu nennen. Allen ist eines gemeinsam – die Stakeholder des Unternehmens (Kunden, Auditoren, Mitarbeiter, Kontrollbehörden) benötigen eine genaue Verfolgbarkeit der von uns gemeldeten Daten. Woher kommen sie? Wie sind sie dorthin gekommen? Vielleicht kennen wir die Antworten, aber sind wir in der Lage, diese bei Bedarf mit aktuellen Beweisen zu belegen? Oder brauchen wir Wochen oder Monate, um einen Bericht zu erstellen, der letztlich nicht ganz zuverlässig ist?

Ursachenanalyse

Stellen Sie sich vor, Sie arbeiten schon lange an einem Projekt, aber es treten Probleme auf, und Ihre Arbeit trägt nicht die Früchte, die Sie erwartet haben. Sie müssen herausfinden, was passiert ist. Soweit Sie es beurteilen können, scheint alles in Ordnung zu sein. Sie müssen tiefer gehen, unter

die Oberfläche, um die Fehlerquelle, die Wurzel des Übels, zu finden. Und dies ist eine Herausforderung, die oft stundenlange Arbeit erfordert, wenn keine automatisierte Data Lineage zur Verfügung steht.

Wirkungsanalyse

Korrekt durchgeführte Wirkungsanalysen ermöglichen es Unternehmen, vorausschauend zu ermitteln, wie sich Veränderungen auf das Unternehmen auswirken werden. Wenn sie inkorrekt durchgeführt werden, können sie zu verspäteten oder minderwertigen Lieferungen, der Notwendigkeit von Notlösungen und zusätzlicher Arbeit führen.

Bei korrekter Anwendung einer einheitlichen Data Lineage ist es viel einfacher, die Auswirkungen von Veränderungen im gesamten Umfeld schnell zu erkennen. Dadurch können Informationen über Änderungen leicht dorthin weitergegeben werden, wo sie anwendbar sind.

Migrationen

Jeder, der schon einmal Zeuge eines Migrationsprojekts war, weiß, wie komplex dieser Prozess ist und wie viel Arbeitsaufwand notwendig ist, um das Projekt vollständig zu erfassen. Das Projektteam muss sicherstellen, dass die Daten sicher sind und es der richtige Zeitpunkt ist, die nicht mehr benötigten Teile loszuwerden, damit sie keine wertlosen Daten migrieren müssen. Aber das ist eine sehr heikle Aufgabe, da sie die Fähigkeit erfordert, alle Abhängigkeiten innerhalb der Umgebung vor der Migration zu betrachten. Dies kann dazu beitragen, zukünftige Komplikationen während des Projekts zu vermeiden.

Wofür können Sie Data Lineage verwenden?

Datenkonsolidierung und -virtualisierung

Die Datenmengen wachsen weiter und werden zunehmend komplexer. Viele Unternehmen konsolidieren ihre Daten aus mehreren Quellen an einem Ort oder erforschen Datenvirtualisierungstechnologien, die es so erscheinen lassen, als befänden sich die Daten an einem Ort. Ob es sich dabei um einen Data Lake, ein zentrales Repository oder einen anderen Begriff handelt, ist in dieser Diskussion weniger von Bedeutung als die Fähigkeit, die ursprünglichen Quellen der Daten identifizieren und feststellen zu können, wie sie an ihren aktuellen Standort gelangt sind oder wo sie sich tatsächlich befinden, wenn eine Datenvirtualisierung oder -replikation implementiert wurde.

Self-Service-Enablement

Was Wissenschaftler oder Datenanalysten oft ärgert, ist, dass sie sich auf die IT verlassen müssen, um die von ihnen benötigten Daten abzurufen. Und wie Sie sich vorstellen können, kann dies zu Zeitverlusten und Lieferverzögerungen führen, oder die Daten können veraltet sein, bis sie bei der Person eingehen, die sie angefordert hat. Ausgerüstet mit der richtigen Lösung und Zugang zu den notwendigen Details über Lineage und Datenursprung haben Datenwissenschaftler und -analysten die Möglichkeit, jederzeit selbst aktuelle Informationen abzurufen.

Vertrauen in und verstehen von Daten

Wenn Data Lineage ignoriert oder ungenau abgebildet wird, werden Ihre Entscheidungsträger das Vertrauen in ihre Berichte und Analysemodelle verlieren. Berichtsentwickler,  Datenwissenschaftler oder Datenbürger, wie sie oft genannt werden, verdienen Daten, die zu präzisen, zeitnahen und sicheren Entscheidungen anregen. Nur wenn Sie Ihre Daten vollständig verstehen, können Sie sich wirklich auf sie verlassen, das Beste aus ihnen herausholen und so Ihre Gesamteffizienz steigern.


Data-Lineage-Ansätze: Wie man sie erstellt und auf dem neuesten Stand hält

Wie man sie erstellt und auf dem neuesten Stand hält

Jetzt, da Sie wissen, was Data Lineage ist und welche Vorteile sie Unternehmen bringt, fragen Sie sich wahrscheinlich, wie Sie Data Lineage tatsächlich bereitstellen können.

Wenn Sie von Metadaten sprechen, denken Sie sehr oft an einfache Dinge – Tabellen, Spalten, Berichte. Aber bei Lineage-Metadaten geht es um Logik – Anweisungen oder Code in jeglicher Form. Dabei kann es sich um ein SQL-Skript, in einer Datenbank gespeicherte Prozeduren, einen Job in einem Transformationswerkzeug oder ein komplexes Makro in einer Excel-Tabelle handeln. Data Lineage kann insbesondere alles sein, was Ihre Daten von einem Ort zu einem anderen bewegt, sie transformiert oder modifiziert. Welche Möglichkeiten haben Sie also, diese Logik zu skizzieren, zu schematisieren und zu verstehen? Es gibt eine Vielzahl von Ansätzen, die zur Erzielung von Data Lineage genutzt werden können.

Option 1: Musterbasierte Lineage

Es gibt Lösungen, die Lineage-Informationen schätzen, ohne tatsächlich irgendeinen Code zu berühren oder zu betrachten. Diese Lösungen lesen Metadaten über Tabellen, Spalten, Berichte usw. Sie erstellen zudem ein Profil Ihrer Daten. Danach verwenden sie all diese Informationen, um auf der Grundlage gemeinsamer Muster oder Ähnlichkeiten Lineage zu erzeugen. Tabellen oder Spalten mit vergleichbaren Namen und Spalten mit sehr ähnlichen Datenwerten sind Beispiele für solche Gemeinsamkeiten. Wenn Sie viele dieser Gemeinsamkeiten zwischen zwei Spalten finden, verknüpfen Sie sie im Datenherkunftsdiagramm miteinander. Anbieter könnten dies sogar künstliche Intelligenz (KI) nennen. Es gibt einen großen Vorteil dieses Ansatzes – wenn Sie nur Daten und keine Algorithmen beobachten, müssen Sie sich keine Sorgen um Technologie machen, und es spielt keine Rolle, ob eine Website Teradata, Oracle oder MongoDB mit Java verwendet. Aber dieser Ansatz ist nicht immer fehlerfrei. Die Auswirkungen auf die Leistung können erheblich sein und der Datenschutz ist gefährdet (Sie arbeiten mit Daten). Es fehlen auch viele Details (wie z. B. die Transformationslogik, die sehr oft von Ihren Benutzern benötigt wird) und die Lineage ist typischerweise auf die Datenbankwelt beschränkt und ignoriert den Anwendungsteil Ihrer Umgebung.

Andererseits kann dieser Ansatz in einigen Fällen ausreichend sein, insbesondere dann, wenn das Lesen der in Ihrem Programmiercode verborgenen Logik unmöglich ist, weil der Code nicht verfügbar oder proprietär ist und kein Zugriff darauf möglich ist.

Option 2: Manuelle Lineage

Die manuelle Lineage beginnt in der Regel von oben, indem das Wissen in den Köpfen der Menschen erfasst und dokumentiert wird. Interviews mit Anwendungseigentümern, Datenverwaltern und Datenintegrationsspezialisten werden Ihnen eine Menge Informationen über die Datenbewegungen in Ihrer Organisation liefern. Von hier aus kann die Lineage definiert werden, normalerweise in Tabellenblättern oder anderen einfachen Abbildungsmechanismen, um das widerzuspiegeln, was die Fachexperten beschrieben haben. Ein Nachteil dieses Ansatzes ist natürlich, dass die Informationen widersprüchlich sein können, oder dass, falls Sie es versäumen, mit jemandem zu sprechen, ein Stück des Ablaufs fehlen könnte. Dies führt oft zu einer gefährlichen Situation, in der man zwar eine Lineage hat, diese aber nicht für reale Fallszenarien nutzen kann. Die daraus resultierende Lineage ist nicht vertrauenswürdig.

Neben der Befragung von Anwendungseigentümern und -entwicklern können Sie auch den Code selbst manuell überprüfen und bewerten. Es ist jedoch mühsam, Code manuell zu untersuchen, Spaltennamen zu vergleichen und Tabellen und Dateiauszüge von Hand durchzusehen! Möglicherweise lohnt sich der Versuch nicht einmal, es sei denn, Sie haben Teammitglieder mit den erforderlichen Fähigkeiten und Fachkenntnissen in den Programmen und Modulen, die Sie untersuchen müssen. Aufgrund des Codevolumens, der Komplexität und der Änderungsrate wird diese Methode schnell untragbar. Früher oder später werden solche manuell verwalteten Lineages nicht mehr mit den tatsächlichen Datenübertragungen in der Umgebung synchronisiert sein, und Sie werden wieder Lineages haben, denen Sie eigentlich nicht vertrauen können.

Trotz dieser Bedenken kann dieser Ansatz nicht völlig außer Acht gelassen werden, denn damit kann man einen Einblick in das bekommen, was tatsächlich im gesamten Umfeld vor sich geht. Manchmal gibt es überhaupt keinen Code oder keine Berechtigungen, um direkt auf die Daten zuzugreifen und ein Profil davon zu erstellen (insbesondere bei Altsystemen), und Domänenexperten sind Ihre einzige Quelle für die Lineage.

Option 3: Lineage durch Daten-Tagging

Die Idee hinter dem Daten-Tagging besteht darin, jedes Datenstück, das bewegt oder transformiert wird, von einer Transformations-Engine zu taggen/zu beschriften, die diese  Beschriftung dann von Anfang bis Ende verfolgt. Dieser Ansatz scheint großartig zu sein, funktioniert aber in der Regel nur dann gut, wenn es eine konsistente Transformations-Engine oder ein Tool gibt, das jede Bewegung der Daten kontrolliert. Dieser Ansatz ist vielversprechend, schließt aber in der Regel alles aus, was außerhalb der Grenzen der gewählten Engine oder Technologie geschieht. Die Lineage führt in eine Sackgasse, weil die Tags nur im geschlossenen System existieren. Genauso wichtig ist die Erkenntnis, dass die Lineage nur dann vorhanden ist, wenn die Transformationslogik ausgeführt wird. Außerdem wird diese Methode in einigen Systemen keine Option sein, weil Anwendungsentwickler und Architekten nicht an jedem Berührungspunkt und für jede Übertragungsmethode, die angewandt wird, formale Datenspalten zum Lösungsmodell hinzufügen wollen. Eine mögliche Lösung für die Komplexität des Tagging-Konzepts ist die Blockchain, die jedoch noch nicht weit genug verbreitet ist um in den meisten Organisationen über den gesamten Datenlebenszyklus hinweg Wirkung zu zeigen.

Option 4: In sich geschlossene Lineage

Einige Abteilungen verfügen über eine All-in-one-Umgebung, die die erforderliche Verarbeitungslogik, Lineage, Stammdatenverwaltung und vieles mehr bietet. Es ist alles in einem einzigen Angebot enthalten. Es gibt verschiedene Arten von Werkzeugen, insbesondere wegen der großen Popularität von Big Data und Data Lakes. Wenn Sie über eine solche Software verfügen, kontrolliert diese alles – jede Datenbewegung und jede Änderung der Daten. Es ist für ein solches Instrument leicht, die Lineage zu verfolgen, jedoch ausschließlich in der kontrollierten Umgebung. Ihre Lineage ist blind für alles, was außerhalb der kontrollierten Umgebung geschieht. Im Laufe der Zeit, wenn neue Bedürfnisse auftauchen und neue Instrumente zu deren Bewältigung erworben werden, entstehen Lücken und Sackgassen in der Lineage.

Option 5: Lineage durch Parsen

Ihr Datenlebenszyklus ist komplex, heterogen, wild und entwickelt sich ständig weiter. Der effektivste Weg, Ihre gesamte Lineage zu verwalten, ist, dies automatisch zu tun. Das bedeutet, dass die gesamte Logik automatisch (programmgesteuert) durchgelesen und dann für ein vollständiges End-to-End-Tracking verstanden und zurückentwickelt wird. Dazu ist eine Lösung erforderlich, die alle Programmiersprachen und Tools versteht, die in Ihrer Organisation für Datentransformationen und Datenbewegungen verwendet werden.

Und mit Programmiersprachen meinen wir wirklich alles, einschließlich grafischer Flow-Tools, JAVA, Legacy-Lösungen, XML-basierter Lösungen, ETL-Berichten und vielem mehr.

Es ist schwierig, eine Lösung zu entwickeln, die ausreicht, um eine einzige Sprache oder ein einziges Tool zu unterstützen, geschweige denn Dutzende. Diese Herausforderung wird durch die Vielzahl von Möglichkeiten vergrößert, mit denen Tools und Lösungen die dynamische Verarbeitung unterstützen. Eine effektive automatisierte Lineage-Lösung muss Eingabeparameter, Standardwerte und Laufzeitinformationen berücksichtigen. Um die Lieferung der End-to-End-Lineage an das Unternehmen effektiv zu automatisieren, ist es entscheidend, all diese Dinge zu analysieren.

Schlussfolgerung

Sie kennen nun die Vor- und Nachteile der produktivsten Ansätze zur Data Lineage und müssen sie in einem ausgewogenen Verhältnis miteinander kombinieren. Ganz gleich, ob Sie eine bessere Information Governance erreichen oder eine On-Demand-Lineage für die Anwendungsmigration und Compliance bereitstellen möchten: Suchen Sie nach einer flexiblen Lineage-Lösung, die automatisiertes Parsing für Ihre wichtigsten Technologien bietet und eine Feinabstimmung sowie Verbesserung der Lineage mit manuellen Ansätzen ermöglicht, die einfach zu übernehmen, zu unterstützen und in Ihre aktuellen Best Practices und bestehende Umgebung zu integrieren sind.