KKC_0333 | DataHub Kompaktkurs

DataHub Kompaktkurs vermittelt praxisnah, wie Sie Metadaten, Datenkatalog und Governance mit DataHub strukturiert aufbauen. Die DataHub Schulung schließt die Lücke zwischen vorhandener Datenanalyse und belastbarer Steuerung der Datenplattform.

DataHub-Architektur, Metadatenmodell, Entities und Aspects zu verstehen sowie technische Herkunft und fachliche Bedeutung von Datenprodukten sichtbar zu machen, stehen dabei im Mittelpunkt. Die Inhalte verbinden fachliche Einordnung, konkrete Umsetzung und die Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit.

Damit eignet sich das Angebot für Unternehmen, die neue KI-, Daten- oder Automatisierungslösungen nicht nur testen, sondern strukturiert in belastbare Arbeitsabläufe überführen möchten.

• DataHub-Architektur, Metadatenmodell, Entities und Aspects verstehen
• Technische Herkunft und fachliche Bedeutung von Datenprodukten sichtbar machen
• Verantwortlichkeiten, Qualitätssignale und Governance-Informationen modellieren
• Ingestion-Rezepte für relevante Datenquellen erstellen
• Lineage, Suche und Metadatenpflege in DataHub nutzen
• DataHub als Grundlage für steuerbare Datenplattformen bewerten

Das Angebot richtet sich an Data Engineers, Data Governance Rollen, Analytics-Teams, Data Product Owner/innen und Plattformverantwortliche, die Datenkataloge und Metadatenprozesse aufbauen möchten.

Grundkenntnisse zu Datenplattformen, Datenbanken oder Analytics-Prozessen werden empfohlen. Technische Erfahrung mit Datenquellen ist hilfreich.

DataHub-Architektur und Metadatenmodell

• GMS und Frontend im Zusammenspiel
• Metadata Change Proposals
• Entities und Aspects im Modell
• URNs für eindeutige Asset-Identität
• Suchindex und Graph-Beziehungen

Assets und Suche im Data Catalog

• Dataset-Profile und Dashboard-Profile
• Pipeline-Profile für Jobs
• Domains für Datenprodukt-Gruppen
• Tags und Glossar-Terme
• Asset-Profile und Suchfilter

Ingestion und Quellenanbindung

• Ingestion-Recipes mit Secrets
• Connector-Konfigurationen für Datenbanken
• BI-Systeme als Metadatenquellen
• Zeitplanung für Ingestion-Läufe
• Fehleranalyse in Ingestion-Logs

Lineage für Pipelines und Jobs

• Column-Level-Lineage aus dbt
• Airflow-Jobs als Prozessknoten
• Kafka-Topics und Stream-Beziehungen
• BI-Lineage für Reports
• Manuelle Lineage-Korrekturen

Governance mit Ownership und Policies

• Ownership-Typen und Rollen
• Glossar-Terme für Geschäftsdefinitionen
• Policies für Sichtbarkeit
• Policies für Änderungsaktionen
• Domains und Data Products

Datenqualität und Reviews

• Assertions für Qualitätsregeln
• dbt-Tests als Qualitätssignale
• Great-Expectations-Ergebnisse in DataHub
• Review-Schritte bei Qualitätsabweichungen
• Freigaben für kritische Assets

Einordnung im Tool-Vergleich

• Architekturmuster anderer Metadata-Tools
• Connector-Abdeckung im Projektkontext
• Erweiterungen über API und Actions
• Entscheidungskriterien für die Tool-Auswahl