چگونه Preql تبدیل داده ها را تغییر می دهد

بیش از یک میلیون ،ب و کار کوچک از پلتفرم تجارت الکترونیک S،pify برای دستیابی به مخاطبان جه، از مصرف کنندگان استفاده می کنند. که شامل مستقیم به مصرف کننده (DTC) ستاره‌هایی مانند Allbirds، Rothy’s و Beefcake Swimwear.

اما فروشندگان آنلاین مانند اینها همچنین داده های پلتفرم هایی مانند Google Analytics، Klaviyo، Attentive و Facebook Ads را دریافت می کنند که به سرعت گزارش هفتگی را پیچیده می کند.

اینجاست که تبدیل داده ها وارد می شود.

dbt و Preql

همانطور که از نام آن پیداست، ابزارهای تبدیل داده ها به تبدیل داده ها از فرمت خام به آن کمک می کنند داده های تمیز و قابل استفاده که امکان تجزیه و تحلیل و گزارش گیری را فراهم می کند. متمرکز ، و ذخیره‌سازی داده‌ها آسان‌تر از همیشه است، اما ایجاد مجموعه‌های داده آماده گزارش‌دهی نیاز به همسویی با تعاریف ،ب‌وکار، طراحی جداول ،وجی و کدگذاری منطق به یک سری از اسکریپت‌های SQL وابسته به هم یا «تغییر» دارد. ،ب‌وکارها بدون داشتن تخصص داخلی برای تبدیل مؤثر داده‌های خود، سرمایه‌گذاری قابل توجهی در ابزارهای زیرساخت داده، مانند ابزارهای جذب، ذخیره‌سازی داده، و تجسم/BI انجام می‌دهند. اما آن‌ها به سرعت یاد می‌گیرند که اگر نتو،د به‌طور مؤثر داده‌های خود را برای گزارش‌دهی ساختار دهید، ارزشی از داده‌هایی که ذخیره می‌کنند – یا سرمایه‌گذاری‌هایی که انجام داده‌اند، دریافت نخواهند کرد.

این فضا شامل دو بازیگر اصلی است: dbt و استارتاپ.

dbt در سال 2016 تاسیس شدهمانطور که شرکت می‌گوید، ابزار اصلی را در جعبه ابزار مهندسی تجزیه و تحلیل ساخته است، و اکنون بیش از 9000 شرکت از آن استفاده می‌کنند و بیش از 414 میلیون دلار از آن پشتیب، می‌کنند.

اما dbt ابزاری برای توسعه دهندگان در شرکت های با تاسیس است تیم های مهندسی تحلیل

از طرف دیگر، Preql یک ابزار تبدیل داده بدون کد است که کاربران تجاری را هدف قرار می دهد که ممکن است در زبان های برنامه نویسی تخصص نداشته باشند اما با این وجود نیاز دارند. داده های قابل اعتماد و قابل دسترسی

هدف Preql خودکار ، سخت‌ترین و زمان‌برترین گام‌ها در فرآیند تبدیل داده است تا ،ب‌وکارها بتوانند در عرض چند روز راه‌اندازی و راه‌اندازی شوند، برخلاف پنجره شش تا ۱۲ ماهه برای ابزارهای دیگر.

گفت: «ما Preql را ساختیم زیرا لایه تبدیل حیاتی‌ترین بخش پشته داده است، اما منابع و استعدادهای مورد نیاز برای مدیریت آن، گزارش‌دهی و تجزیه و تحلیل قابل اعتماد را برای شرکت‌هایی که عملکرد داده‌های بزرگی ندارند، غیرقابل دسترس می‌سازد». گابی استیل، یکی از بنیانگذاران و مدیرعامل از Preql.

بنابراین، این استارت‌آپ خود را به ،وان جایگزینی برای استخدام تیم‌های مهندسی تجزیه و تحلیل کامل، صرفاً برای مدل‌سازی و مدیریت تعاریف ،ب‌وکار، به‌ویژه در میان شرکت‌هایی که در مراحل اولیه هستند، قرار می‌دهد که در ابتدا توانایی‌های داده خود را ایجاد می‌کنند.

به عبارت دیگر، Preql بافر بین تیم مهندسی و افرادی است که واقعاً نیاز به استفاده از داده ها دارند.

تیم های داده تمایل زیادی به واکنش نشان می دهند. ،ب و کار دائماً در حال درخواست داده برای هدایت تصمیم گیری است، اما در ا،یستم تحول فعلی، حتی تغییرات کوچک در مدل های داده نیاز به زمان و تخصص دارد. لیا وایس، یکی از بنیانگذاران و یکی از مدیران اجرایی Preql، گفت: اگر کاربران تجاری بتوانند واقعاً معیارهای خود را مدیریت کنند، استعدادهای داده قادر خواهند بود از برنامه‌های مداوم برآورده ، درخواست‌های گزارش‌دهی خارج شده و بر تحلیل‌های پیچیده‌تر تمرکز کنند.

اما این بدان م،ا نیست که dbt و Preql رقبای سرسختی هستند. در واقع، آنها بخشی از همان جامعه تبدیل داده هستند – و یک ادغام در آینده وجود دارد.

یکی از راه‌های فکر ، در مورد آن این است که ما می‌خواهیم به سازمان‌ها کمک کنیم تا خیلی سریع راه‌اندازی و کار کنند و از داده‌هایی که در حال حاضر جمع‌آوری و ذخیره می‌کنند، ارزش داشته باشند، بدون اینکه نیازی به داشتن استعدادهای تخصصی که واقعاً به dbt مسلط هستند، داشته باشند. استیل افزود. اما همانطور که این شرکت‌ها پیچیده‌تر می‌شوند، ما dbt را تولید می‌کنیم، بنابراین اگر این ابزاری است که راحت‌تر هستند، می‌توانند از آن استفاده کنند.

نگاهی دقیق تر به Preql

این استارتاپ در ماه می 7 میلیون دلار سرمایه جذب کرد، به رهبری Bessemer Venture Partners، با مشارکت Felicis.

Preql زمینه ،ب و کار و تعاریف متریک را جمع آوری می کند و سپس فرآیند تبدیل داده ها را خلاصه می کند. این به سازمان‌ها کمک می‌کند تا بدون داشتن تیم داده یا نوشتن SQL، با منبع اصلی حقیقت برای گزارش‌دهی راه‌اندازی کنند.

Preql داده‌های انبار را می‌خواند و طرح‌واره‌های تمیز و آماده گزارش‌دهی را می‌نویسد. با ابزارهای جذب داده همکاری می کند که داده ها را از برنامه های منبع به انبار منتقل می کند مانند Airbyte و Fivetran و انبارهای داده ابری مانند Snowflake، Red،ft و BigQuery. برای ،ب‌وکارهایی که داده‌ها را در ابزارهای BI مصرف می‌کنند، با Looker، Tableau و Sigma Computing نیز همکاری می‌کند.

هدف DTC

Preql در ابتدا بر روی بازار DTC متمرکز است، زیرا معیارهایی مانند هزینه جذب مشتری (CAC)، نرخ تبدیل و ارزش طول عمر (LTV)، استاندارد شده‌اند. آنها همچنین تمایل به انجام عملیات ناب دارند.

ویس گفت: «ما دریافتیم که این شرکت‌ها واقعاً سخت کار می‌کنند تا داده‌ها را از منابع متفاوت دانلود کنند – پلتفرم‌های شخص ثالثی که از آنها استفاده می‌کنند، S،pify، پلتفرم‌های بازاریابی پولی آنها – تا حتی یک حس از سلامت و عملکرد اولیه ،ب و کار را به دست آورند. گفت.

آنها همچنین تمایل دارند از فرآیندهای گزارش دهی دستی استفاده کنند، به این م،ی که “اغلب یک فرد عملیاتی است که داده ها را از چندین منبع دانلود می کند، آنها را در صفحات گسترده ادغام می کند، مجموعه ای از مداخلات دستی ایجاد می کند و سپس گزارش هفتگی یا گزارش فصلی را ارائه می دهد.”

اما بسیاری از چیزهایی که این شرکت‌ها می‌خواهند در مورد عملکرد اندازه‌گیری کنند، سازگار است و بسیاری از منابع داده‌ای به همین شکل ساختار یافته‌اند.

سینتیا پلاچ، یکی از بنیانگذاران Stix، یک تجارت الکترونیکی م،ومات سلامت ،ن، افزود: «با Preql، ما توانستیم در مورد آنچه می‌خواستیم اندازه‌گیری کنیم، با انعطاف‌پذیری برای سفارشی‌سازی تعدادی از آن تعاریف خاص ،ب‌وکارمان، فرضیاتی داشته باشیم. سایت. “Preql داده های تمیز و قابل استفاده برای گزارش را به ما داد. ما در عرض چند روز با گزارش هفتگی راه‌اندازی کردیم و اگر مجبور بودیم در تیم‌های مهندسی داده سرمایه‌گذاری کنیم، ماه‌ها تلاشمان را صرفه‌جویی می‌کردیم.»

تبدیل داده ها در سال 2027

استیل و وایس بر این باورند که پنج سال آینده در مورد “تامین وعده داده های مدرن” خواهد بود.

به عبارت دیگر، پاسخ به سؤالاتی مانند: اکنون که ذخیره سازی و مصرف مقیاس پذیر داریم، چگونه می تو،م مطمئن شویم که واقعاً می تو،م از داده ها برای تصمیم گیری استفاده کنیم؟ و چگونه می‌تو،م در گزارش‌گیری اعتماد ایجاد کنیم تا بتو،م گردش‌های کاری پیرامون آن ایجاد کنیم و بر اساس آن عمل کنیم؟

این به این دلیل است که بسیاری از شرکت‌ها برای حرکت به سمت تجزیه و تحلیل پیش‌بینی‌کننده و یادگیری ماشین تلاش می‌کنند زیرا آنها هرگز مشکل اساسی ایجاد داده‌های قابل اعتماد و قابل دسترس را حل ن،د.

علاوه بر این، Preql بر این باور است که مرحله بعدی ابزارها فراتر از ساخت زیرساخت خواهد بود تا ارزش بیشتری را ارائه دهد زیرا استعدادهای داده به ،ب و کار نزدیک و نزدیکتر می شوند.

تجزیه و تحلیل داده‌ها فقط پیچیده‌تر می‌شود، زیرا تعداد منابع داده همراه با پیچیدگی آنها در حال افزایش است و نیاز به نتایج بلادرنگ بیشتر می‌شود. آمیت کارپ، شریک Bessemer Venture Partners افزود و هرچه داده‌های بیشتری داشته باشید، سؤالات دقیق‌تر می‌شوند و حتی بیشتر از آن انتظار می‌رود. “من فکر می کنم که ما در مراحل اولیه موج بسیار طول، هستیم – پنج، ده یا حتی 20 سال بعد. این یک بازار غول پیکر است.»