MAQL I. - MAQL vs SQL | Mňamka #427
Pro ty, kteří se pohybují v datovém světě, jsou dotazovací jazyky denním chlebem. Jak se říkává, kolik jazyků umíš, tolikrát jsi člověkem. Platí i „kolik dotazovacích jazyků umíš, tolikrát jsi datovým analytikem?“ Ať už v budoucnu budou podobná přísloví vznikat nebo nikoli, není na škodu si rozšířit obzory o jeden další dotazovací jazyk, kterým je dozajista i MAQL. Pro MAQL jsem si připravila takovou minisérii Mňamek, kde si ukážeme, co všechno se MAQLem dá dělat a k čemu vám může být užitečný.
Co to je MAQL?
Jak už bylo řečeno, MAQL aneb Multi-Dimension Analytical Query Language je dotazovací jazyk, se kterým se setkáte při práci v GoodDatě. Tento dotazovací jazyk pracuje s fakty a dimenzemi z datového modelu vašeho workspacu a nabízí vám jedinečnou šanci si nad vašimi daty postavit metriky. Těmito metrikami můžete data filtrovat, agregovat a provádět nad nimi i všechny základní matematické operace a zároveň MAQL nabízí i předdefinované statistických operace. „To je všechno hezké,“ říkáte si, „ale jakou to má výhodu oproti tomu, když si tyhle operace nadefinuji v SQL?“
MAQL vs SQL
Pokud jste zarytými fanoušky SQL, jako osvědčené klasiky, tak nebojte, on MAQL z SQL samozřejmě vychází. Přináší ale výhody v jednoduchosti a uživatelské přívětivosti. Pokud byste totiž stejné operace prováděli v SQL, museli byste si pečlivě hlídat, kterou tabulku můžete najoinovat kam a provádět i několik joinů, abyste pospojovali data, která spolu souvisí. MAQL tohle udělá za vás, pracuje totiž s předem nadefinovaným logickým datovým modelem vašeho workspacu a vy si díky tomu můžete spoustu příkazů odpustit. Rozloučit se můžete například s částmi jako je FROM, JOIN či ON, co ale zůstává je SELECT, protože ani na ten se v MAQLu nedá dopustit.
Zde jsou vytvořené příklady, kde je vidět, kolik práce vám MAQL ušetří.
Výhody MAQL:
- časová úspora
- zjednodušení query
- přehlednost
- pracuje automaticky s modelem
- vytvořené metriky můžete přepoužít i v dalších metrikách
Nevýhody MAQL:
- datový model si musíte nejprve nadefinovat
- nenabízí tolik funkcí jako SQL
- pouze v GoodData
Ať už vás MAQL zaujal či ne, jsem ráda, že jste si článek dočetli až sem a jestli vás cokoliv dalšího napadá nebo zajímá ohledně MAQL, dejte mi vědět!
Mějte se krásně a nebojte se dotazovat v žádném dotazovacích jazyce.
Použité zdroje:
AI Audit: Když chcete vědět, kde ve firmě AI dává smysl (a kde ne)| Mňamka #552
Znáte to – CEO se vrátí z konference a ptá se „a my s tou AI něco děláme?“, IT má pět různých nápadů, co by se dalo zkusit, marketing chce chatbota, a ve skutečnosti nikdo přesně neví, co z toho má smysl a kde začít. AI audit je pro firmy, které nechtějí jen naskakovat do vlaku, ale chtějí vědět, kam ten vlak vlastně jede. Typicky to jsou střední a velké společnosti, které už mají digitalizované procesy a nějaká data – a teď zjišťují, že „AI strategie“ nemůže být „zkusíme, uvidíme“.
Metadata management: Proč je katalog dat nutností, ne luxusem | Mňamka #551
“Metadata jsou data o datech.“ - tohle, když od nás slyšeli profesoři na VŠE (Vysoké škole ekonomické), rovnou nás poslali ze zkoušky domů s tím, že se za nedlouho opět uvidíme. 😀Ona je to sice pravda, ale nejde ani tak úplně o jednu pevně stanovenou “definici” jako spíš o tu samotnou podstatu. Díky metadatům organizace chápe svá data, své systémy i pracovní postupy, protože metadata popisují, vysvětlují a usnadňují vyhledání, použití a správu jakéhokoliv datového zdroje.
7 nejběžnějších promptů datového analytika a inženýra | Mňamka #550
Datoví analytici a inženýři tráví spoustu času rutinními úkoly – od čištění dat až po ladění kódu. Umělá inteligence dnes dokáže část téhle práce výrazně urychlit. Klíčem je dobře napsaný prompt – zadání, kterým AI přesně řeknete, co má udělat. Podívejme se na 7 promptů, které se v praxi hodí nejčastěji.
