Databricks Deutschland

Data Warehouse Migrationen gelten oft als „Operation am offenen Herzen“, risikoreich, teuer und langwierig. Viele Data Leader haben zurecht Respekt vor dem Projekt, das oft Monate oder Jahre dauern kann. Doch muss das wirklich so sein? In dieser Folge spricht Patrick mit Olga Romanova (Engagement Manager bei Databricks), die sich selbst als „Mensch im digitalen Universum“ bezeichnet. Gemeinsam entmystifizieren sie den Prozess und zeigen, wie man alte DWH-Strukturen erfolgreich in das moderne Databricks Lakehouse überführt, ohne dass das Budget explodiert. In dieser Episode erfahrt ihr: Strategie statt Chaos: Der bewährte 5-Phasen-Prozess von Discovery bis Execution und warum der Pilot („Think Big, Start Small“) überlebenswichtig ist. Die größte Falle: Warum die reine SQL-Konvertierung der einfache Teil ist und die „Validation Gap“ (Testen & Validieren) oft 50–60 % des Aufwands verschlingt. Mut zum Löschen: Wie man „Geistertabellen“ identifiziert und durch einen „Value-First“-Audit vermeidet, Datenmüll umzuziehen. Technologie-Turbo: Wie KI-Tools wie Lakebridge bei der Automatisierung helfen und warum man trotzdem Subject Matter Experts (SMEs) braucht. Der echte Mehrwert: Warum es bei Migrationen nicht nur um TCO geht, sondern um das Aufbrechen von Silos und das Enablement für KI. Egal ob ihr gerade plant oder mitten im Projekt steckt: Diese Folge liefert den Fahrplan, um Risiken zu minimieren und schneller ans Ziel zu kommen. Gute Daten, gute Entscheidungen!

Das Lakehouse hat die Analyse großer Datenmengen (OLAP) revolutioniert. Doch Hand aufs Herz: Wenn es um transaktionale Workloads, Web-Applikationen oder das „Gedächtnis“ von KI-Agenten ging, gab es bisher oft eine Lücke. Musste man wirklich immer eine externe Postgres-Datenbank daneben stellen und Datensilos in Kauf nehmen? In dieser Folge schließen wir genau diese Lücke. Patrick Steiner spricht mit Christopher Pries ( Senior Solutions Engineer bei Databricks) über Databricks Lakebase – die vollständig gemanagte, serverlose und Postgres-kompatible Datenbank, die direkt auf der Databricks-Plattform läuft. Wir tauchen tief in die Architektur ein und klären, warum wir OLTP und OLAP nicht mehr als getrennte Welten betrachten sollten. In dieser Episode erfahrt ihr: • Das „Warum“: Wieso klassische Data Warehouses für KI-Agenten und Echtzeit-Apps oft zu langsam sind und wie Lakebase dieses Problem löst • Die Technik: Wie die Architektur hinter Lakebase funktioniert • Killer-Features: Was es mit „Scale to Zero“, „Database Branching“ und der tiefen Integration in den Unity Catalog auf sich hat • Daten-Synchronisation: Wie „Synced Tables“ das komplexe Reverse-ETL-Problem lösen und Daten zwischen Lakehouse und Applikation spiegeln • Praxis-Use-Cases: Von „Stateful Applications“ bis hin zu KI-Agenten, die ein Kurzzeitgedächtnis benötigen Die Wand zwischen analytischen und operationalen Daten ist gefallen. Hört rein, um zu erfahren, wie die konvergierte Plattform der Zukunft aussieht. Gute Daten, gute Entscheidungen!

In dieser Episode des Databricks Deutschland Podcasts diskutieren Patrick Steiner und Marco Metting die entscheidende Rolle des Use-Case-Onboardings für den Erfolg von Data- und AI-Projekten. Sie beleuchten die verschiedenen Phasen des Onboardings, die häufigsten Fehler, die gemacht werden, und die Bedeutung einer strukturierten Herangehensweise. Die Diskussion umfasst auch die notwendigen Rollen, Werkzeuge und Frameworks, die für ein effektives Onboarding erforderlich sind.

Hand aufs Herz: Wie fühlt es sich eigentlich an, bei einem der am schnellsten wachsenden Tech-Unternehmen der Welt anzuheuern? Zwischen ambitionierten Visionen und der Realität am ersten Arbeitstag liegen oft Welten. In dieser Folge lassen wir die Hochglanz-Slides und Demo-Umgebungen im Schrank. Stattdessen haben wir vier Gäste eingeladen, die eines gemeinsam haben: Sie sind noch "frisch". Leonhard, Valeria, Lisa und Robin nehmen uns mit auf ihre Reise – vom nervösen ersten Bewerbungsgespräch über den berüchtigten "Laptop-Setup-Tag" bis hin zum ersten echten Kundenprojekt.