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.

Máte k článku nějaké otázky nebo připomínky? Klidně nám napište, rádi to s Vámi probereme :-)

Petra Nedvědová
datový detektiv
LinkedIn

Postavili jsme stejného AI chatbota nad firemními daty v Googlu i v Microsoft Azure. | Mňamka #557

Postavili jsme stejného AI chatbota nad firemními daty v Googlu i v Microsoft Azure. | Mňamka #557

Skoro každá firma dneska sedí na hromadě vlastních dokumentů - produktové listy, FAQ, smlouvy, zápisy z projektů. A skoro každá firma by chtěla to samé: chatbota, kterému napíšete otázku a on odpoví z vašich dat, ne z toho, co si kde přečetl na internetu. Zní to jednoduše. My jsme si to chtěli osahat pořádně, a tak jsme jedno a to samé řešení postavili dvakrát - jednou v Google Cloudu, podruhé v Microsoft Azure. Tady je, co z toho vypadlo.

Microsoft Fabric vs. dbt | Mňamka #556

Microsoft Fabric vs. dbt | Mňamka #556

Když firmy modernizují svou datovou platformu, narazí dřív nebo později na otázku, jaký datový stack zvolit a co je pro jejich byznys nejvhodnější. Migrovat na Microsoft Fabric? Nasadit dbt? Otázka je ale položená trochu zavádějícím způsobem, jde totiž o srovnání dvou věcí, které stojí na jiné úrovni datového stacku: Fabric je platforma, dbt je transformační nástroj, který na takové platformě běží. Přesto má smysl se ptát, jak se tyto dva světy doplňují, kde si uvnitř Fabricu konkurují nativní nástroje a dbt, a kdy se vyplatí sáhnout po dbt jako standardní transformační vrstvě.

7 signálů, že vaše firma potřebuje datovou strategii | Mňamka #555

7 signálů, že vaše firma potřebuje datovou strategii | Mňamka #555

Každá firma chce zvednout efektivitu a využít příležitosti, které dnes AI nabízí. Jenže než nasadíte jakýkoliv model, copilota nebo „chytrou analýzu", musíte mít v pořádku to, na čem AI stojí a to jsou pevné datové základy. Následující signály jsou věci, se kterými se u klientů stále poměrně často setkáváme. Pokud některý z nich zní povědomě, datová strategie není nice-to-have. Je to základ. A ten se bohužel nedá přeskočit, i když by to bylo hodně pohodlné. Dá se oddálit, ale pak se vždy platí i s úroky.