- Startseite
- Podcasts
- Daten-WG Podcast
Episoden
44 Minuten
Im E-Commerce ist doch alles digital, also müsste man auch genau wissen, welche Anzeige zu welchem Verkauf geführt hat?
Corinna Zennig, CEO von Lazy Analyst, hilft seit neun Jahren E-Commerce-Brands dabei, datengetrieben zu werden, und räumt mit diesem Irrtum gründlich auf. Wir sprechen darüber, warum Google und Meta zusammen gerne 200 von 100 Sales für sich beanspruchen, was Amazon und der Cookie-Consent mit der Customer Journey machen und warum die simple Frage nach dem "Wie hast du uns gefunden?" so unterschätzt ist.
Danach geht es um AI Analytics: um Tools, die versprechen, dass man kein Data Warehouse und keine Dashboards mehr braucht, um Revenue-Definitionen, die jede Firma anders auslegt, und um die Frage, warum Brands einem AI-Chat mit 95 Prozent Genauigkeit mehr vertrauen als einem validierten Dashboard. Am Ende steht ein klares Plädoyer: erst Strategie, dann Tool.
Corinna Zennig https://www.linkedin.com/in/corinnazennig/
Artur König https://www.linkedin.com/in/datakoenigartur/
00:00 – Intro: Corinna Zennig und der Lazy Analyst
01:45 – Wie technologieagnostisch kann E-Commerce sein?
04:51 – Echtzeit oder täglich? Was E-Commerce wirklich braucht
10:30 – Die Customer Journey nachvollziehen
12:03 – Amazon, Cookie-Consent und fehlende Kundendaten
13:50 – 100 Sales, 200 Zuschreibungen: Attribution zwischen Google und Meta
17:35 – First-Party-Data und Server-Side-Tracking
20:06 – Der einfachste Hebel: Frag deine Kunden
22:01 – Wie AI das E-Commerce-Game verändert
23:40 – Revenue ist nicht gleich Revenue: Warum AI Kontext braucht
25:13 – 95 Prozent Accuracy und blindes Vertrauen in den AI-Chat
29:41 – Data Warehouse, Databricks Genie oder fertiges Tool?
32:18 – Dashboard und AI-Chat: Wofür was?
35:26 – AI Analytics selbst bauen? Lieber nicht
38:11 – Abschlusstipp: Erst Strategie, dann Tool
Lazy Analyst: https://www.lazyanalyst.com/
Kostenloser Data Strategy Call bei Lazy Analyst: https://www.lazyanalyst.com/consultation/
Corinna Zennig, CEO von Lazy Analyst, hilft seit neun Jahren E-Commerce-Brands dabei, datengetrieben zu werden, und räumt mit diesem Irrtum gründlich auf. Wir sprechen darüber, warum Google und Meta zusammen gerne 200 von 100 Sales für sich beanspruchen, was Amazon und der Cookie-Consent mit der Customer Journey machen und warum die simple Frage nach dem "Wie hast du uns gefunden?" so unterschätzt ist.
Danach geht es um AI Analytics: um Tools, die versprechen, dass man kein Data Warehouse und keine Dashboards mehr braucht, um Revenue-Definitionen, die jede Firma anders auslegt, und um die Frage, warum Brands einem AI-Chat mit 95 Prozent Genauigkeit mehr vertrauen als einem validierten Dashboard. Am Ende steht ein klares Plädoyer: erst Strategie, dann Tool.
Corinna Zennig https://www.linkedin.com/in/corinnazennig/
Artur König https://www.linkedin.com/in/datakoenigartur/
00:00 – Intro: Corinna Zennig und der Lazy Analyst
01:45 – Wie technologieagnostisch kann E-Commerce sein?
04:51 – Echtzeit oder täglich? Was E-Commerce wirklich braucht
10:30 – Die Customer Journey nachvollziehen
12:03 – Amazon, Cookie-Consent und fehlende Kundendaten
13:50 – 100 Sales, 200 Zuschreibungen: Attribution zwischen Google und Meta
17:35 – First-Party-Data und Server-Side-Tracking
20:06 – Der einfachste Hebel: Frag deine Kunden
22:01 – Wie AI das E-Commerce-Game verändert
23:40 – Revenue ist nicht gleich Revenue: Warum AI Kontext braucht
25:13 – 95 Prozent Accuracy und blindes Vertrauen in den AI-Chat
29:41 – Data Warehouse, Databricks Genie oder fertiges Tool?
32:18 – Dashboard und AI-Chat: Wofür was?
35:26 – AI Analytics selbst bauen? Lieber nicht
38:11 – Abschlusstipp: Erst Strategie, dann Tool
Lazy Analyst: https://www.lazyanalyst.com/
Kostenloser Data Strategy Call bei Lazy Analyst: https://www.lazyanalyst.com/consultation/
1 Stunde 8 Minuten
Gabi Münster ist zurück im Quarterly, diesmal pünktlich kurz vor der Daten-WG und frisch nach der FabCon Europe in Barcelona.
Wir schauen auf ein Quartal, das ruhig angefangen hat und mit einer ganzen Welle an Announcements endete: Fabric Planning ist GA, Web-Editor und Power BI Desktop wachsen weiter zusammen, und mit dem Modern Report Design entstehen Fabric Apps jetzt direkt aus Power BI Desktop heraus, demnächst auch mit Pro- und PPU-Lizenz.
Auf der Plattformseite geht es um F0 als nutzungsbasierten Einstieg ohne Kapazität, um Operation Events im Real-Time Hub und den neuen Job-Monitor, um Mirroring inklusive Security-Rollen aus Snowflake, um Apache Ossie als offenen Standard für Semantik und um die Fabric Policy Engine, mit der sich endlich technisch steuern lässt, wer welche Items anlegen darf. Zum Schluss wieder unsere Wünsche: Lineage auf Spaltenebene und mehr Policies.
Gabi Münster https://www.linkedin.com/in/gabimuenster/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Quarterly kurz vor der Daten-WG und Newsflash von der FabCon
01:32 – Fabric Planning ist GA und das Preismodell ist fairer als gedacht
04:24 – Web und Desktop wachsen zusammen: TMDL-Ansicht, PBIP GA, DirectQuery im Service
06:07 – Fabric Apps und Modern Report Design in Power BI Desktop
08:40 – Lego oder 3D-Drucker: Wie viel Zukunft haben interaktive Reports?
15:28 – Fabric Apps auch für Pro und PPU: Wo die Lizenzgrenze jetzt verläuft
18:42 – F0: Fabric ohne Kapazität und was das für Planning bedeutet
26:30 – Operation Events im Real-Time Hub und der neue Job-Monitor
31:57 – KI auf Plattformebene: Fabric Copilot, M365 und gehosteter MCP-Server
35:25 – Mirroring mit Security-Rollen aus Snowflake
44:49 – Apache Ossie, Semantic Views und Ontologien: Wie portabel wird Semantik?
52:27 – Fabric Policy Engine: Wer darf welche Items anlegen?
59:16 – Deployment Plans und Bilder aus OneLake in Power BI Reports
1:02:47 – Wünsche: Vega Visual, Lineage auf Spaltenebene und neue Policies
1:07:14 – Ausblick auf die Daten-WG 2026
FabCon und SQLCon 2026 Barcelona, alle Ankündigungen: https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/
Policies in Fabric (Preview): https://go.microsoft.com/fwlink/?LinkId=2372038
Microsoft & Snowflake zu Apache Ossie: https://community.fabric.microsoft.com/blog/fbc_pbiupdatesblog/microsoft--snowflake%E2%80%99s-commitment-to-apache-ossie/5369534
Wir schauen auf ein Quartal, das ruhig angefangen hat und mit einer ganzen Welle an Announcements endete: Fabric Planning ist GA, Web-Editor und Power BI Desktop wachsen weiter zusammen, und mit dem Modern Report Design entstehen Fabric Apps jetzt direkt aus Power BI Desktop heraus, demnächst auch mit Pro- und PPU-Lizenz.
Auf der Plattformseite geht es um F0 als nutzungsbasierten Einstieg ohne Kapazität, um Operation Events im Real-Time Hub und den neuen Job-Monitor, um Mirroring inklusive Security-Rollen aus Snowflake, um Apache Ossie als offenen Standard für Semantik und um die Fabric Policy Engine, mit der sich endlich technisch steuern lässt, wer welche Items anlegen darf. Zum Schluss wieder unsere Wünsche: Lineage auf Spaltenebene und mehr Policies.
Gabi Münster https://www.linkedin.com/in/gabimuenster/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Quarterly kurz vor der Daten-WG und Newsflash von der FabCon
01:32 – Fabric Planning ist GA und das Preismodell ist fairer als gedacht
04:24 – Web und Desktop wachsen zusammen: TMDL-Ansicht, PBIP GA, DirectQuery im Service
06:07 – Fabric Apps und Modern Report Design in Power BI Desktop
08:40 – Lego oder 3D-Drucker: Wie viel Zukunft haben interaktive Reports?
15:28 – Fabric Apps auch für Pro und PPU: Wo die Lizenzgrenze jetzt verläuft
18:42 – F0: Fabric ohne Kapazität und was das für Planning bedeutet
26:30 – Operation Events im Real-Time Hub und der neue Job-Monitor
31:57 – KI auf Plattformebene: Fabric Copilot, M365 und gehosteter MCP-Server
35:25 – Mirroring mit Security-Rollen aus Snowflake
44:49 – Apache Ossie, Semantic Views und Ontologien: Wie portabel wird Semantik?
52:27 – Fabric Policy Engine: Wer darf welche Items anlegen?
59:16 – Deployment Plans und Bilder aus OneLake in Power BI Reports
1:02:47 – Wünsche: Vega Visual, Lineage auf Spaltenebene und neue Policies
1:07:14 – Ausblick auf die Daten-WG 2026
FabCon und SQLCon 2026 Barcelona, alle Ankündigungen: https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/
Policies in Fabric (Preview): https://go.microsoft.com/fwlink/?LinkId=2372038
Microsoft & Snowflake zu Apache Ossie: https://community.fabric.microsoft.com/blog/fbc_pbiupdatesblog/microsoft--snowflake%E2%80%99s-commitment-to-apache-ossie/5369534
37 Minuten
Aus einer Idee wird eine Firma: Simon Harrer ist zurück in der Daten-WG. Aus dem Data Mesh Manager ist Entropy Data geworden, ausgegründet aus der INNOQ, mit Kunden in acht Ländern. Wir sprechen darüber, warum ein Datenprodukt-Marktplatz mit Data Contracts plötzlich genau das ist, was KI-Agenten brauchen, und wie ein Coding Agent aus einem Contract automatisch eine Pipeline baut.
Außerdem geht es um Open Semantic Interchange, das jetzt Apache Ossie heißt, um Ontologien, um die Frage, ob ein Agent selbst ein Datenprodukt ist, um das Interesse von Microsoft an Data Contracts für Fabric und Power BI und um die Frage, wer eigentlich die Kontrolle über die Metadaten haben sollte.
Simon Harrer https://www.linkedin.com/in/simonharrer/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Aus Leidenschaft wird ein Unternehmen
00:48 – Vom Data Mesh Manager zu Entropy Data
02:21 – Was ist ein Datenprodukt-Marktplatz?
03:07 – Der Traum eines jeden Agenten
04:50 – Contract first: Der Coding Agent baut die Pipeline
05:53 – Praxisbeispiel: Zeiterfassung als Datenprodukt
09:05 – Data Contracts statt Datenkatalog und die Frage der Ownership
11:35 – Agenten als Feedback-Instrument für gute Metadaten
13:08 – Ist ein Agent selbst ein Datenprodukt?
16:57 – Wie verhindert man Slop im Marktplatz?
18:10 – OSI: Ein offener Standard für Semantikmodelle
22:37 – Metadaten für KI, ODCS und Ontologien
25:32 – Aus OSI wird Apache Ossie
26:56 – Entropy Data trifft Microsoft Fabric und Power BI
31:45 – Wem gehören die Metadaten? Souveränität und offene Standards
Shownotes
Entropy Data: https://www.entropy-data.com/
Data Contract CLI (Open Source, Prüfung von Daten gegen Contracts): https://github.com/datacontract/datacontract-cli
Data Contracts Guide: https://datacontract.com/
Apache Ossie (ehemals Open Semantic Interchange): https://ossie.apache.org/
Ankündigung: OSI wird Apache Ossie: https://ossie.apache.org/updates/ossie-enters-apache-incubator/
Apache Ossie auf GitHub: https://github.com/apache/ossie
Außerdem geht es um Open Semantic Interchange, das jetzt Apache Ossie heißt, um Ontologien, um die Frage, ob ein Agent selbst ein Datenprodukt ist, um das Interesse von Microsoft an Data Contracts für Fabric und Power BI und um die Frage, wer eigentlich die Kontrolle über die Metadaten haben sollte.
Simon Harrer https://www.linkedin.com/in/simonharrer/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Aus Leidenschaft wird ein Unternehmen
00:48 – Vom Data Mesh Manager zu Entropy Data
02:21 – Was ist ein Datenprodukt-Marktplatz?
03:07 – Der Traum eines jeden Agenten
04:50 – Contract first: Der Coding Agent baut die Pipeline
05:53 – Praxisbeispiel: Zeiterfassung als Datenprodukt
09:05 – Data Contracts statt Datenkatalog und die Frage der Ownership
11:35 – Agenten als Feedback-Instrument für gute Metadaten
13:08 – Ist ein Agent selbst ein Datenprodukt?
16:57 – Wie verhindert man Slop im Marktplatz?
18:10 – OSI: Ein offener Standard für Semantikmodelle
22:37 – Metadaten für KI, ODCS und Ontologien
25:32 – Aus OSI wird Apache Ossie
26:56 – Entropy Data trifft Microsoft Fabric und Power BI
31:45 – Wem gehören die Metadaten? Souveränität und offene Standards
Shownotes
Entropy Data: https://www.entropy-data.com/
Data Contract CLI (Open Source, Prüfung von Daten gegen Contracts): https://github.com/datacontract/datacontract-cli
Data Contracts Guide: https://datacontract.com/
Apache Ossie (ehemals Open Semantic Interchange): https://ossie.apache.org/
Ankündigung: OSI wird Apache Ossie: https://ossie.apache.org/updates/ossie-enters-apache-incubator/
Apache Ossie auf GitHub: https://github.com/apache/ossie
33 Minuten
Time to step out of the Microsoft comfort zone:
this episode is about Databricks.
Vitalija Bartusevičiūtė, Databricks MVP and Senior Consultant at Capgemini, explains what makes so many people in the data community fall in love with the platform, and why "customizable" is both its biggest strength and its biggest hurdle.
We talk about Genie and what it really takes to let business users talk to their data: clean data, metadata, synonyms, benchmarks and a clear question to answer. From there we drift into metric views, the Open Semantic Interchange, SQL dialects, DirectQuery vs. import mode, and why Excel is still both the source and the end of every data pipeline.
Vitalija Bartusevičiūtė https://www.linkedin.com/in/vitalijabart/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 conference, October 14-16, Cologne: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: stepping out of the Microsoft comfort zone
01:02 – From biologist and R to Databricks MVP
02:18 – Why Databricks? Customization and the Unity Catalog moment
04:05 – Only for big enterprises? Databricks Free for everyone
05:39 – "I'm not married to a tool": solving the client's problem first
08:05 – What Databricks actually is: Spark, SQL and the growing AI part
09:06 – Genie: talking to your data in the Teams chat of a convenience store
12:55 – Metadata, synonyms and how end users really talk about data
14:13 – Benchmarks, joins and the 80% rule for a good Genie space
16:44 – Flat tables, Frankenstein tables and rethinking best practices for AI
17:15 – Metric views and the Open Semantic Interchange initiative
19:44 – Delta, SQL dialects and why semantic models are still black magic
25:55 – Governance, DirectQuery vs. import and the Excel loop
30:42 – Advice: try Databricks Free and focus on the problem, not the tool
31:30 – Python pre-con at Daten-WG 2026 in Cologne
Shownotes:
Databricks Free Edition (replaces Community Edition): https://www.databricks.com/learn/free-edition
Databricks Excel Add-in: https://docs.databricks.com/aws/en/integrations/excel-setup
Apache Ossie: https://ossie.apache.org/
Artur's own article on OSI [German]: https://www.tdwi.eu/wissen/vereinspublikationen
this episode is about Databricks.
Vitalija Bartusevičiūtė, Databricks MVP and Senior Consultant at Capgemini, explains what makes so many people in the data community fall in love with the platform, and why "customizable" is both its biggest strength and its biggest hurdle.
We talk about Genie and what it really takes to let business users talk to their data: clean data, metadata, synonyms, benchmarks and a clear question to answer. From there we drift into metric views, the Open Semantic Interchange, SQL dialects, DirectQuery vs. import mode, and why Excel is still both the source and the end of every data pipeline.
Vitalija Bartusevičiūtė https://www.linkedin.com/in/vitalijabart/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 conference, October 14-16, Cologne: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: stepping out of the Microsoft comfort zone
01:02 – From biologist and R to Databricks MVP
02:18 – Why Databricks? Customization and the Unity Catalog moment
04:05 – Only for big enterprises? Databricks Free for everyone
05:39 – "I'm not married to a tool": solving the client's problem first
08:05 – What Databricks actually is: Spark, SQL and the growing AI part
09:06 – Genie: talking to your data in the Teams chat of a convenience store
12:55 – Metadata, synonyms and how end users really talk about data
14:13 – Benchmarks, joins and the 80% rule for a good Genie space
16:44 – Flat tables, Frankenstein tables and rethinking best practices for AI
17:15 – Metric views and the Open Semantic Interchange initiative
19:44 – Delta, SQL dialects and why semantic models are still black magic
25:55 – Governance, DirectQuery vs. import and the Excel loop
30:42 – Advice: try Databricks Free and focus on the problem, not the tool
31:30 – Python pre-con at Daten-WG 2026 in Cologne
Shownotes:
Databricks Free Edition (replaces Community Edition): https://www.databricks.com/learn/free-edition
Databricks Excel Add-in: https://docs.databricks.com/aws/en/integrations/excel-setup
Apache Ossie: https://ossie.apache.org/
Artur's own article on OSI [German]: https://www.tdwi.eu/wissen/vereinspublikationen
51 Minuten
Es regnet in Köln, wir kommen hier so schnell nicht weg – also reden wir endlich mal über das, worüber wir sonst immer nebenbei reden: Fabric-Architekturen. Vier Berater, vier laufende Projekte, und am Ende erstaunlich wenig Einigkeit darüber, wie eine Datenplattform in Fabric eigentlich aussehen sollte.
Marcus lädt SAP-Daten per Notebook aus dem Data Lake, ein anderes Projekt hängt an Navision und setzt konsequent auf Warehouses und Stored Procedures, das dritte dreht die Medaillon-Architektur einfach um und legt Gold ins Lakehouse. Dazwischen streiten wir über die Frage, ob es wirklich immer drei Layer sein müssen, über Self-Service-Lakehouses und Composite Models, über Dataflows für Citizen Developer, über TMDL-Measures, die sich partout nicht überschreiben lassen – und darüber, warum SQL vielleicht doch leichter zu lernen ist als DAX.
Ulrik Harnisch https://www.linkedin.com/in/ulrik-harnisch/
Marcus Wegener https://www.linkedin.com/in/marcuswegener/
Michael Tenner https://www.linkedin.com/in/michael-tenner-5b885970/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Zu viert im Regen und die Frage nach dem Fabric-Standard
00:34 – Marcus' SAP-Projekt: Datasphere, Delta-Dateien und warum es ein Notebook wurde
04:16 – F64 für die Lizenzen, 2% Auslastung und die Exit-Strategie aus dem Projekt
06:11 – Navision, Data Gateway und eine Medaillon-Architektur auf Warehouses
09:26 – Business Central und Open Mirroring: die Session von Julian Wissel
10:45 – Architekturen entstehen nicht aus Vorsystemen, sondern aus Menschen
12:15 – Umgekehrt gedacht: Warehouse für Bronze und Silber, Lakehouse für Gold
13:57 – Dataflows für Citizen Developer und wo die Aufteilung plötzlich wehtut
17:21 – "Immer drei Layer, und die sind nicht diskutabel"
20:34 – Self-Service-Lakehouse, Composite Models und das Excel-Monster
25:07 – TMDL, fachliche Pakete und die Frage nach dem Ease of Use
30:19 – Warum SQL leichter zu lernen ist als DAX
35:07 – Von der Excel-Kreuztabelle über M-Code zum SQL-Statement
39:00 – Power Apps, eine F2 am Limit und der Umstieg auf Stored Procedures
47:20 – Sessions auf der Daten-WG 2026: DAX, Data Vault und Python
Erwähnte Daten-WG Speaker:
Julian Wissel (Session zu Business Central & Open Mirroring): https://www.linkedin.com/in/julianwissel/
Ben Weissman (Session rund um SQL): https://www.linkedin.com/in/benweissman/
Matthias Nohl (Session "Integration von Architekturen"): https://www.linkedin.com/in/matthias-nohl/
Andreas Rederer (Session "Integration von Architekturen"): https://www.linkedin.com/in/andreasrederer/
Francesco Bergamaschi (Precon "DAX Pillars"): https://www.linkedin.com/in/francescobergamaschi/
Tom Martens (Precon Python-Datenaufbereitung und Session zu Power BI Scanning): https://www.linkedin.com/in/tommartens68/
Martin Bubenheimer (DAX Deep Dive und Fabric Debatte): https://www.linkedin.com/in/martin-bubenheimer/
David Sanadze (Data Vault): https://www.linkedin.com/in/david-sanadze/
Marcus lädt SAP-Daten per Notebook aus dem Data Lake, ein anderes Projekt hängt an Navision und setzt konsequent auf Warehouses und Stored Procedures, das dritte dreht die Medaillon-Architektur einfach um und legt Gold ins Lakehouse. Dazwischen streiten wir über die Frage, ob es wirklich immer drei Layer sein müssen, über Self-Service-Lakehouses und Composite Models, über Dataflows für Citizen Developer, über TMDL-Measures, die sich partout nicht überschreiben lassen – und darüber, warum SQL vielleicht doch leichter zu lernen ist als DAX.
Ulrik Harnisch https://www.linkedin.com/in/ulrik-harnisch/
Marcus Wegener https://www.linkedin.com/in/marcuswegener/
Michael Tenner https://www.linkedin.com/in/michael-tenner-5b885970/
Artur König https://www.linkedin.com/in/datakoenigartur/
Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026
00:00 – Intro: Zu viert im Regen und die Frage nach dem Fabric-Standard
00:34 – Marcus' SAP-Projekt: Datasphere, Delta-Dateien und warum es ein Notebook wurde
04:16 – F64 für die Lizenzen, 2% Auslastung und die Exit-Strategie aus dem Projekt
06:11 – Navision, Data Gateway und eine Medaillon-Architektur auf Warehouses
09:26 – Business Central und Open Mirroring: die Session von Julian Wissel
10:45 – Architekturen entstehen nicht aus Vorsystemen, sondern aus Menschen
12:15 – Umgekehrt gedacht: Warehouse für Bronze und Silber, Lakehouse für Gold
13:57 – Dataflows für Citizen Developer und wo die Aufteilung plötzlich wehtut
17:21 – "Immer drei Layer, und die sind nicht diskutabel"
20:34 – Self-Service-Lakehouse, Composite Models und das Excel-Monster
25:07 – TMDL, fachliche Pakete und die Frage nach dem Ease of Use
30:19 – Warum SQL leichter zu lernen ist als DAX
35:07 – Von der Excel-Kreuztabelle über M-Code zum SQL-Statement
39:00 – Power Apps, eine F2 am Limit und der Umstieg auf Stored Procedures
47:20 – Sessions auf der Daten-WG 2026: DAX, Data Vault und Python
Erwähnte Daten-WG Speaker:
Julian Wissel (Session zu Business Central & Open Mirroring): https://www.linkedin.com/in/julianwissel/
Ben Weissman (Session rund um SQL): https://www.linkedin.com/in/benweissman/
Matthias Nohl (Session "Integration von Architekturen"): https://www.linkedin.com/in/matthias-nohl/
Andreas Rederer (Session "Integration von Architekturen"): https://www.linkedin.com/in/andreasrederer/
Francesco Bergamaschi (Precon "DAX Pillars"): https://www.linkedin.com/in/francescobergamaschi/
Tom Martens (Precon Python-Datenaufbereitung und Session zu Power BI Scanning): https://www.linkedin.com/in/tommartens68/
Martin Bubenheimer (DAX Deep Dive und Fabric Debatte): https://www.linkedin.com/in/martin-bubenheimer/
David Sanadze (Data Vault): https://www.linkedin.com/in/david-sanadze/
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Über diesen Podcast
Die Community kommt auch nach dem Event zusammen! Auf diesem Kanal
findet ihr den Daten-WG Community Podcast sowie nützliche Tutorials
und interessante Live-Streams. Als Spin-Off des legendären AI or
DIE Kanals stehen wir für tiefe Einblicke in die Microsoft Data
Plattform Welt und einen intensiven Austausch in der Community.
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.