# Beste Maschinelles Lernen Datenkatalog Software *By [Shalaka Joshi](https://research.g2.com/insights/author/shalaka-joshi)* Maschinelles Lernen Datenkataloge ermöglichen es Unternehmen, Unternehmensdaten aus mehreren Datenquellen zu kategorisieren, darauf zuzugreifen, sie zu interpretieren und zusammenzuarbeiten, während ein hohes Maß an Governance und Zugriffsmanagement aufrechterhalten wird. Künstliche Intelligenz ist der Schlüssel zu vielen Funktionen von maschinellen Lernendatenkatalogen und ermöglicht Funktionen wie maschinelle Lernempfehlungen, Abfragen in natürlicher Sprache und dynamische Datenmaskierung für verbesserte Sicherheitszwecke. Unternehmen können maschinelle Lernendatenkataloge nutzen, um Datensätze an einem einzigen Ort zu pflegen, sodass die Suche und Entdeckung von Daten für alltägliche Geschäftsanwender und Analysten gleichermaßen einfach ist. Benutzer haben die Möglichkeit, Datensätze zu kommentieren, zu teilen und zu empfehlen, damit Kollegen sofort verstehen, was sie abfragen. Darüber hinaus können IT-Administratoren die Benutzerbereitstellung einrichten, um sicherzustellen, dass unbefugte Mitarbeiter keinen Zugriff auf sensible Daten haben. Maschinelle Lernendatenkataloge werden am häufigsten von Unternehmen implementiert, die über mehrere Datenquellen verfügen, nach einer einzigen Quelle der Wahrheit suchen und versuchen, die Datennutzung unternehmensweit zu skalieren. Diese Produkte werden in der Regel von IT-Abteilungen verwaltet, die Organisation und Sicherheit aufrechterhalten können, aber Daten können von Datenwissenschaftlern oder Analysten und dem durchschnittlichen Geschäftsanwender abgerufen werden. Die Daten können dann entweder direkt im maschinellen Lernendatenkatalog oder durch eine Integration mit [Business-Intelligence-Software](https://www.g2.com/categories/business-intelligence) transformiert, modelliert und visualisiert werden. Es sollte beachtet werden, dass nicht alle maschinellen Lernendatenkataloge Datenvorbereitungsfunktionen bieten und möglicherweise eine Integration mit einer [Business-Intelligence-Plattform](https://www.g2.com/categories/business-intelligence-platforms) erfordern. Darüber hinaus unterscheiden sich diese Tools von [Master-Datenmanagement-Software](https://www.g2.com/categories/master-data-management-mdm) aufgrund ihrer erweiterten Governance, Zusammenarbeit und maschinellen Lernfunktionalität. Um sich für die Aufnahme in die Kategorie Maschinelles Lernen Datenkatalog zu qualifizieren, muss ein Produkt: - Daten aus allen Unternehmensquellen in einem einzigen Repository organisieren und konsolidieren - Benutzerzugriffsmanagement für Sicherheits- und Daten-Governance-Zwecke bereitstellen - Geschäftsanwendern ermöglichen, innerhalb des Katalogs nach Daten zu suchen und darauf zuzugreifen - Zusammenarbeitsfunktionen rund um Datensätze bieten, einschließlich Kategorisierung, Kommentierung und Teilen - Intelligente Empfehlungen basierend auf maschinellem Lernen für einen schnelleren Zugriff auf relevante Daten geben ## Category Overview **Total Products under this Category:** 89 ## Trust & Credibility Stats **Warum Sie den Software-Rankings von G2 vertrauen können:** - 30 Analysten und Datenexperten - 1,700+ Authentische Bewertungen - 89+ Produkte - Unvoreingenommene Rankings Die Software-Rankings von G2 basieren auf verifizierten Benutzerbewertungen, strenger Moderation und einer konsistenten Forschungsmethodik, die von einem Team von Analysten und Datenexperten gepflegt wird. Jedes Produkt wird nach denselben transparenten Kriterien gemessen, ohne bezahlte Platzierung oder Einflussnahme durch Anbieter. Während Bewertungen reale Benutzererfahrungen widerspiegeln, die subjektiv sein können, bieten sie wertvolle Einblicke, wie Software in den Händen von Fachleuten funktioniert. Zusammen bilden diese Eingaben den G2 Score, eine standardisierte Methode, um Tools innerhalb jeder Kategorie zu vergleichen. ## Best Maschinelles Lernen Datenkatalog Software At A Glance - **Führer:** [Atlan](https://www.g2.com/de/products/atlan/reviews) - **Höchste Leistung:** [decube](https://www.g2.com/de/products/decube/reviews) - **Am einfachsten zu bedienen:** [AWS Glue](https://www.g2.com/de/products/aws-glue/reviews) - **Top-Trending:** [Atlan](https://www.g2.com/de/products/atlan/reviews) - **Beste kostenlose Software:** [Alation](https://www.g2.com/de/products/alation/reviews) --- **Sponsored** ### ER/Studio Was ist ER/Studio? ER/Studio ist eine Unternehmens-Datenmodellierungsplattform, die Organisationen dabei hilft, Datenressourcen in komplexen Umgebungen zu entwerfen, zu verwalten und zu steuern. Es verbindet Geschäftsanforderungen mit der technischen Umsetzung durch konzeptionelle, logische und physische Modelle und schafft eine einzige Quelle der Wahrheit für Unternehmensdaten. Entwerfen und Zusammenarbeiten Entwerfen Sie Datenmodelle und halten Sie Teams mit dem Multi-User-Shared-Repository und dem webbasierten Portal Team Server von ER/Studio auf dem Laufenden. Das zentrale Repository unterstützt Versionskontrolle, rollenbasierter Zugriff und parallele Entwicklung, sodass mehrere Modellierer gleichzeitig arbeiten können, während eine vollständige Änderungshistorie erhalten bleibt. Team Server erweitert die Zusammenarbeit über Architekten hinaus, indem es browserbasierten Zugriff für geschäftliche und technische Stakeholder bietet, um Modelle zu erkunden, Definitionen zu überprüfen und an Diskussionen teilzunehmen. Erstellen, versionieren und überprüfen Sie Modelle vor Ort oder über cloudbasierte Plattformen wie Snowflake, Databricks, Azure Synapse und Oracle, um Genauigkeit, Konsistenz und Sichtbarkeit in Ihrem Datenökosystem zu gewährleisten. Steuern und Standardisieren Treiben Sie vertrauenswürdige Analysen mit standardisierten Datendefinitionen und integrierter Governance voran. ER/Studio verbindet Geschäftsglossare und Datenwörterbücher und synchronisiert nahtlos mit Microsoft Purview und Collibra, um konsistente Terminologie, klare Dokumentation und unternehmensweite Compliance von der Modellerstellung bis zur Bereitstellung sicherzustellen. Beschleunigen mit KI ER/Studio enthält ERbert, einen KI-Datenmodellierungsassistenten, der geschäftliche Anfragen in einfacher Sprache in strukturierte Datenmodelle umwandelt. Diese Funktion spart Zeit, reduziert manuellen Aufwand und hilft Teams, schneller zu liefern. Warum Organisationen ER/Studio wählen - Intuitive Benutzeroberfläche, die von Datenarchitekten bevorzugt wird - Einheitliche Modellierungsumgebung für alle wichtigen Datenbankplattformen - Nahtlose Zusammenarbeit zwischen technischen und geschäftlichen Benutzern - Unternehmensweite Architektur für Standardisierung und Governance - Integrierte KI und Metadatenmanagement für schnellere Lieferung ER/Studio befähigt Unternehmensdaten-Teams, vertrauenswürdige, gut verwaltete Datenarchitekturen zu erstellen, die Analysen beschleunigen, Risiken reduzieren und das organisatorische Verständnis von Daten verbessern. [Website des Unternehmens besuchen](https://www.g2.com/de/external_clickthroughs/record?secure%5Bad_program%5D=ppc&secure%5Bad_slot%5D=category_product_list&secure%5Bcategory_id%5D=1383&secure%5Bdisplayable_resource_id%5D=1661&secure%5Bdisplayable_resource_type%5D=Category&secure%5Bmedium%5D=sponsored&secure%5Bplacement_reason%5D=neighbor_category&secure%5Bplacement_resource_ids%5D%5B%5D=1661&secure%5Bplacement_resource_ids%5D%5B%5D=1003209&secure%5Bprioritized%5D=false&secure%5Bproduct_id%5D=6093&secure%5Bresource_id%5D=1383&secure%5Bresource_type%5D=Category&secure%5Bsource_type%5D=category_page&secure%5Bsource_url%5D=https%3A%2F%2Fwww.g2.com%2Fde%2Fcategories%2Fmachine-learning-data-catalog&secure%5Btoken%5D=e3e5976d50d0e12e2ad775ebe6371b8dcd3b69b94f71ef9cee9b4c9c66285a9d&secure%5Burl%5D=https%3A%2F%2Ferstudio.com%2Ftransform-your-data%2F%3Futm_campaign%3DERS-G2%26utm_medium%3Dreferral%26utm_source%3Dg2%26utm_content%3DERS-G2-CatagoryCampaign-transform-your-data&secure%5Burl_type%5D=custom_url) --- ## Top-Rated Products (Ranked by G2 Score) ### 1. [Atlan](https://www.g2.com/de/products/atlan/reviews) Atlan ist die Kontextschicht für Unternehmens-KI. Es liest kontinuierlich Ihre Lagerhäuser, Datenbanken, Pipelines, BI-Tools und Geschäftssysteme, um einen Unternehmens-Datengraphen rückwärts zu konstruieren, der Assets, Abstammung, Entitäten, Metriken, Richtlinien und Beziehungen erfasst. Auf diesem Graphen bereichert und kuratiert es maschinenlesbare Semantiken — Beschreibungen, beliebte Verknüpfungen, KPI- und Metrikdefinitionen, Ontologien und Geschäftsregeln — und organisiert sie in verwaltete, versionierte Kontext-Repos: begrenzte Bündel von Kontext, die widerspiegeln, wie Ihr Unternehmen Schlüsselkonzepte definiert und Entscheidungen trifft. Diese Kontext-Repos werden dann über offene Schnittstellen (SQL, APIs, SDKs, OSI/MCP-ähnliche Protokolle) bereitgestellt, sodass Agenten, Co-Piloten und KI-Anwendungen denselben vertrauenswürdigen Kontext in Echtzeit abrufen können, anstatt dass jedes Team seine eigene Logik hart codiert. Mensch-in-der-Schleife-Governance-Workflows für Konfliktlösung, Außerkraftsetzung, Feedback und Zertifizierung halten diesen Kontext vertrauenswürdig, während sich das Geschäft, die Daten und die Modelle weiterentwickeln. **Average Rating:** 4.5/5.0 **Total Reviews:** 125 **User Satisfaction Scores:** - **Einfache Bedienung:** 9.0/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 9.1/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.3/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.3/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Atlan](https://www.g2.com/de/sellers/atlan) - **Unternehmenswebsite:** https://www.atlan.com - **Gründungsjahr:** 2019 - **Hauptsitz:** New York, US - **Twitter:** @AtlanHQ (9,732 Twitter-Follower) - **LinkedIn®-Seite:** https://in.linkedin.com/company/atlan-hq (572 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Finanzdienstleistungen, Computersoftware - **Company Size:** 53% Unternehmen mittlerer Größe, 40% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (18 reviews) - Benutzeroberfläche (12 reviews) - Merkmale (11 reviews) - Datenherkunft (10 reviews) - Einfache Einrichtung (10 reviews) **Cons:** - Lernkurve (5 reviews) - Eingeschränkte Funktionalität (5 reviews) - Benutzeroberflächenprobleme (5 reviews) - Schwieriges Lernen (4 reviews) - Integrationsprobleme (4 reviews) ### 2. [Alation](https://www.g2.com/de/products/alation/reviews) Alation ist das Unternehmen für Datenintelligenz. Gegründet im Jahr 2012 und mit Hauptsitz in Redwood City, Kalifornien – mit globalen Büros in London und Sydney – bedient Alation mehr als 650 Unternehmenskunden in 34 Branchen. Das Unternehmen hat den modernen Datenkatalog durch die Kombination von maschinellem Lernen mit menschlicher Einsicht entwickelt, um Menschen mit Fragen mit Menschen mit Antworten zu verbinden. Heute verlassen sich mehr als 40 % der Fortune 100 auf Alation, um Daten- und KI-Initiativen im großen Maßstab zu unterstützen. Die Plattform von Alation vereint Katalogisierung, Governance und Datenqualität mit neuen KI-nativen Fähigkeiten, die auf einer wesentlichen Grundlage basieren: Metadaten. Metadaten bieten den Kontext, den KI-Modelle benötigen, um genaue, erklärbare und vertrauenswürdige Ergebnisse zu liefern. Mit Funktionen wie Agent Studio, CDE Manager und Data Quality Agent können Organisationen Agenten erstellen, die ihre einzigartigen Definitionen, Regeln und Qualitätsstandards verstehen. Eingebettete Bereitschaftsprüfungen und kontinuierliche Bewertungen stellen sicher, dass jeder KI-Workflow im richtigen Metadatenkontext verankert ist, was Unternehmens-KI zuverlässig genug für den realen Produktionseinsatz macht. **Average Rating:** 4.4/5.0 **Total Reviews:** 89 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.3/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.7/10 (Category avg: 8.6/10) - **Metadaten-Management:** 7.9/10 (Category avg: 8.4/10) - **Datenherkunft:** 7.2/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Alation](https://www.g2.com/de/sellers/alation) - **Unternehmenswebsite:** https://alation.com - **Gründungsjahr:** 2012 - **Hauptsitz:** Redwood City, CA - **Twitter:** @Alation (3,575 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/3231829/ (626 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Finanzdienstleistungen - **Company Size:** 57% Unternehmen, 27% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (16 reviews) - Datenentdeckung (10 reviews) - Benutzererfahrung (10 reviews) - Datenkatalogisierung (9 reviews) - Benutzeroberfläche (9 reviews) **Cons:** - Langsame Leistung (8 reviews) - Fehlende Funktionen (6 reviews) - Eingeschränkte Funktionalität (4 reviews) - Abstammungsbeschränkungen (4 reviews) - Benutzeroberflächenprobleme (4 reviews) ### 3. [AWS Glue](https://www.g2.com/de/products/aws-glue/reviews) AWS Glue ist ein serverloser Datenintegrationsdienst, der es Analysebenutzern erleichtert, Daten aus mehreren Quellen für Analysen, maschinelles Lernen und Anwendungsentwicklung zu entdecken, vorzubereiten, zu verschieben und zu integrieren. Sie können mehr als 70 verschiedene Datenquellen entdecken und verbinden, Ihre Daten in einem zentralisierten Datenkatalog verwalten und ETL-Pipelines visuell erstellen, ausführen und überwachen, um Daten in Ihre Data Lakes zu laden. Sie können sofort katalogisierte Daten mit Amazon Athena, Amazon EMR und Amazon Redshift Spectrum durchsuchen und abfragen. **Average Rating:** 4.3/5.0 **Total Reviews:** 191 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.4/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.9/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.6/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.7/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Amazon Web Services (AWS)](https://www.g2.com/de/sellers/amazon-web-services-aws-3e93cc28-2e9b-4961-b258-c6ce0feec7dd) - **Gründungsjahr:** 2006 - **Hauptsitz:** Seattle, WA - **Twitter:** @awscloud (2,225,864 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/amazon-web-services/ (156,424 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NASDAQ: AMZN **Reviewer Demographics:** - **Who Uses This:** Dateningenieur, Software-Ingenieur - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 48% Unternehmen, 29% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (6 reviews) - Datenintegration (3 reviews) - ETL-Lösungen (3 reviews) - Merkmale (3 reviews) - Einfach (3 reviews) **Cons:** - Langsame Leistung (3 reviews) - Fehlerbehebungsprobleme (2 reviews) - Schwieriges Debuggen (2 reviews) - Leistungsprobleme (2 reviews) - Zeitaufwendig (2 reviews) ### 4. [Google Cloud Data Catalog](https://www.g2.com/de/products/google-cloud-data-catalog/reviews) Ein vollständig verwalteter und hoch skalierbarer Dienst zur Datenentdeckung und Metadatenverwaltung. **Average Rating:** 4.4/5.0 **Total Reviews:** 25 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.7/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.5/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.1/10 (Category avg: 8.4/10) - **Datenherkunft:** 7.8/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Google](https://www.g2.com/de/sellers/google) - **Gründungsjahr:** 1998 - **Hauptsitz:** Mountain View, CA - **Twitter:** @google (31,910,461 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1441/ (336,169 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NASDAQ:GOOG **Reviewer Demographics:** - **Top Industries:** Computersoftware - **Company Size:** 46% Kleinunternehmen, 29% Unternehmen mittlerer Größe ### 5. [Appen](https://www.g2.com/de/products/appen/reviews) Appen sammelt und kennzeichnet Bilder, Text, Sprache, Audio, Video und andere Daten, um Trainingsdaten zu erstellen, die zur Entwicklung und kontinuierlichen Verbesserung der innovativsten KI-Systeme der Welt verwendet werden. Wir bieten eine hochmoderne, lizenzierbare Datenannotationsplattform an, um Anwendungsfälle für Trainingsdaten in der Computer Vision und der Verarbeitung natürlicher Sprache zu annotieren. Unsere Plattform verbessert die Genauigkeit und Effizienz durch unsere Smart Labeling- und Pre-Labeling-Funktionen, die maschinelles Lernen nutzen, um menschliche Annotationen zu erleichtern. Sie wählen das gewünschte Niveau an Service und Sicherheit für die Datensammlung und Annotation, von einem umfassenden Managed Service bis hin zu einem flexiblen Self-Service. Unsere Expertise umfasst eine globale Crowd von über 1 Million qualifizierten Auftragnehmern, die über 235 Sprachen und Dialekte sprechen, in über 70.000 Standorten und 170 Ländern, sowie die fortschrittlichste KI-unterstützte Datenannotationsplattform der Branche. Unsere zuverlässigen Trainingsdaten geben Führungskräften in Technologie, Automobilindustrie, Finanzdienstleistungen, Einzelhandel, Gesundheitswesen und Regierungen das Vertrauen, erstklassige KI-Produkte einzusetzen. Gegründet im Jahr 1996, hat Appen Kunden und Büros weltweit. **Average Rating:** 4.2/5.0 **Total Reviews:** 32 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.2/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.2/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.0/10 (Category avg: 8.4/10) - **Datenherkunft:** 7.8/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Appen](https://www.g2.com/de/sellers/appen) - **Gründungsjahr:** 1996 - **Hauptsitz:** Kirkland, Washington, United States - **LinkedIn®-Seite:** https://www.linkedin.com/company/appen (19,630 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** ASX:APX - **Gesamterlös (USD Mio):** $244,900 **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen - **Company Size:** 54% Kleinunternehmen, 26% Unternehmen #### Pros & Cons **Pros:** - Nützlich (2 reviews) - Benutzerfreundlichkeit (1 reviews) - Flexibilität (1 reviews) **Cons:** - Arbeitsunterbrechungen (3 reviews) - Niedrige Vergütung (2 reviews) - Komplexität (1 reviews) - Verbindungsprobleme (1 reviews) - Benutzeroberflächenprobleme (1 reviews) ### 6. [decube](https://www.g2.com/de/products/decube/reviews) Decube ist eine Context Layer Plattform, die speziell für das KI-Zeitalter entwickelt wurde und Organisationen die Möglichkeit bietet, ihren Daten Bedeutung, Gedächtnis und Vertrauen zu verleihen. Dieses innovative System integriert verschiedene Komponenten wie Metadatenmanagement, automatisierte Abstammungsverfolgung, Datenqualitätsicherung und Beobachtbarkeit, um eine umfassende Echtzeitkarte der Datenbewegungen zu erstellen. Durch das Verständnis, wie Daten funktionieren, fließen und wie zuverlässig sie sind, befähigt Decube Unternehmen, fundierte Entscheidungen zu treffen und KI-Workloads effektiv zu verwalten. Decube richtet sich in erster Linie an Unternehmen, die stark auf datengetriebene Entscheidungsfindung angewiesen sind, und adressiert eine kritische Herausforderung, der viele Organisationen gegenüberstehen: das Fehlen eines kontextuellen Verständnisses ihrer Daten. In einem Zeitalter, in dem Daten im Überfluss vorhanden sind, liegt das eigentliche Problem in der Fähigkeit, diese Daten effektiv zu interpretieren und zu nutzen. Decube bietet ein vernetztes Verständnis des gesamten Datenökosystems, das hilft, blinde Flecken zu beseitigen und die Governance zu verbessern. Dieses kontextuelle Bewusstsein ist entscheidend für Organisationen, die KI-Technologien nutzen möchten und sicherstellen wollen, dass ihre Modelle, Dashboards und Agenten mit größerer Intelligenz und Sicherheit arbeiten. Zu den Hauptmerkmalen von Decube gehören seine robusten Metadatenmanagement-Fähigkeiten, die es den Nutzern ermöglichen, die Datenherkunft mühelos zu verfolgen und zu verwalten. Diese Funktion stellt sicher, dass Organisationen die Ursprünge und Transformationen ihrer Daten nachvollziehen können, wodurch Transparenz und Verantwortlichkeit verbessert werden. Darüber hinaus bedeutet Decubes Fokus auf Datenqualität, dass die Nutzer den Informationen, mit denen sie arbeiten, vertrauen können, was das Risiko von Fehlern in kritischen Entscheidungsprozessen verringert. Der Aspekt der Beobachtbarkeit der Plattform ermöglicht es Organisationen zudem, Datenflüsse in Echtzeit zu überwachen, sodass Probleme schnell identifiziert und behoben werden können. Die Vorteile der Nutzung von Decube gehen über das bloße Datenmanagement hinaus. Durch das Bereitstellen eines lebendigen, vernetzten Verständnisses von Daten verbessert Decube das gesamte operationelle Vertrauen von Organisationen. Diese Plattform stärkt nicht nur die Governance, sondern erleichtert auch intelligentere Entscheidungen, indem sie sicherstellt, dass alle datengetriebenen Modelle auf einer Grundlage von zuverlässigen und kontextualisierten Informationen aufgebaut sind. Da Unternehmen zunehmend auf vertrauenswürdige Daten und KI-bereite Infrastrukturen angewiesen sind, hebt sich Decube als ein wichtiges Werkzeug hervor, das sie mit dem notwendigen Kontext ausstattet, um die Komplexitäten der modernen Datenlandschaft zu navigieren. **Average Rating:** 4.6/5.0 **Total Reviews:** 24 **User Satisfaction Scores:** - **Einfache Bedienung:** 9.4/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 9.7/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.7/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.6/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Decube Data](https://www.g2.com/de/sellers/decube-data) - **Unternehmenswebsite:** https://decube.io - **Gründungsjahr:** 2022 - **Hauptsitz:** Kuala Lumpur - **Twitter:** @decube_data (114 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/decube-data/ (44 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen - **Company Size:** 38% Unternehmen mittlerer Größe, 33% Unternehmen #### Pros & Cons **Pros:** - Benutzeroberfläche (8 reviews) - Benutzerfreundlichkeit (7 reviews) - Merkmale (7 reviews) - Datenqualität (6 reviews) - Einblicke (6 reviews) **Cons:** - Eingeschränkte Funktionalität (3 reviews) - Komplexe Einrichtung (2 reviews) - Eingeschränkte Funktionen (2 reviews) - Fehlende Funktionen (2 reviews) - Schlechter Kundensupport (2 reviews) ### 7. [Cloudera Data Platform](https://www.g2.com/de/products/cloudera-cloudera-data-platform/reviews) Bei Cloudera glauben wir, dass Daten das, was heute unmöglich ist, morgen möglich machen können. Wir bieten eine Enterprise-Daten-Cloud für beliebige Daten, überall, vom Edge bis zur KI. Wir ermöglichen es Menschen, große Mengen komplexer Daten in klare und umsetzbare Erkenntnisse zu verwandeln, um ihre Geschäfte zu verbessern und ihre Erwartungen zu übertreffen. Cloudera führt Krankenhäuser zu besseren Krebsheilungen, sichert Finanzinstitute gegen Betrug und Cyberkriminalität und hilft Menschen, auf dem Mars und darüber hinaus anzukommen. Angetrieben von der unermüdlichen Innovation der Open-Source-Community treibt Cloudera die digitale Transformation für die größten Unternehmen der Welt voran. **Average Rating:** 4.1/5.0 **Total Reviews:** 131 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.3/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.9/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.1/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.8/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Cloudera](https://www.g2.com/de/sellers/cloudera) - **Gründungsjahr:** 2008 - **Hauptsitz:** Palo Alto, CA - **Twitter:** @cloudera (106,627 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/229433/ (3,387 Mitarbeiter*innen auf LinkedIn®) - **Telefon:** 888-789-1488 **Reviewer Demographics:** - **Who Uses This:** Dateningenieur, Software-Ingenieur - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 42% Unternehmen, 32% Kleinunternehmen ### 8. [Collibra](https://www.g2.com/de/products/collibra/reviews) Probieren Sie Collibra kostenlos aus unter Collibra.com/tour Collibra ist für Organisationen mit komplexen Datenherausforderungen, hybriden Datenökosystemen und großen Ambitionen für Daten und KI. Wir helfen Organisationen, die versuchen, Daten- und KI-Anwendungsfälle zu beschleunigen und gleichzeitig die Einhaltung von Vorschriften sicherzustellen, aber mit fragmentierter Governance und Sichtbarkeit im gesamten hybriden Datenökosystem zu kämpfen haben. Collibra vereinheitlicht die Governance für Daten und KI über jedes System, jede Datenquelle und jeden Benutzer hinweg, um eine sichere Autonomie und eine Grundlage für die Skalierung von KI- und Datenanwendungsfällen zu schaffen. Mit Collibra können Sie alle Ihre Daten- und KI-Anwendungsfälle sicher und mit gut verstandenen Daten beschleunigen. Das ist Datenvertrauen. **Average Rating:** 4.2/5.0 **Total Reviews:** 99 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.0/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.3/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.0/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.0/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Collibra](https://www.g2.com/de/sellers/collibra) - **Unternehmenswebsite:** https://www.collibra.com - **Gründungsjahr:** 2008 - **Hauptsitz:** New York, New York - **Twitter:** @collibra (5,738 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/288365/ (1,082 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Finanzdienstleistungen, Bankwesen - **Company Size:** 72% Unternehmen, 19% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Merkmale (14 reviews) - Benutzerfreundlichkeit (13 reviews) - Datenverwaltung (12 reviews) - Datenverwaltung (9 reviews) - Integrationen (9 reviews) **Cons:** - Eingeschränkte Funktionalität (8 reviews) - Komplexitätsprobleme (7 reviews) - Komplexität (6 reviews) - Verbesserung nötig (6 reviews) - Komplexe Einrichtung (5 reviews) ### 9. [Select Star](https://www.g2.com/de/products/select-star/reviews) Select Star ist eine moderne Daten-Governance-Plattform, die Organisationen dabei hilft, ihre Daten in großem Maßstab zu verwalten und zu verstehen, wodurch KI, Analysen und Self-Service im gesamten Unternehmen ermöglicht werden. Sie katalogisiert automatisch Datensätze, verfolgt die End-to-End-Abstammung und erstellt ein gemeinsames Geschäftsglossar und eine semantische Schicht, sodass Teams mit vertrauenswürdigen Daten sicher arbeiten können. Mit einem benutzerfreundlichen Datenportal und integrierter Automatisierung unterstützt Select Star Anwendungsfälle wie Daten-Demokratisierung, Daten-Governance, semantische Schichten und Cloud-Datenmigrationen und dient als grundlegende Schicht für Unternehmens-KI- und Dateninitiativen. **Average Rating:** 4.5/5.0 **Total Reviews:** 55 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.9/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.2/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.7/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.9/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Select Star](https://www.g2.com/de/sellers/select-star) - **Gründungsjahr:** 2020 - **Hauptsitz:** San Francisco, CA - **Twitter:** @selectstarhq (391 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/selectstarhq/ (20 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Immobilien - **Company Size:** 51% Unternehmen mittlerer Größe, 38% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (10 reviews) - Datenherkunft (9 reviews) - Benutzeroberfläche (7 reviews) - Datenentdeckung (5 reviews) - Datenkatalogisierung (4 reviews) **Cons:** - Eingeschränkte Funktionalität (2 reviews) - Abstammungsbeschränkungen (2 reviews) - Komplexe Einrichtung (1 reviews) - Schwieriges Lernen (1 reviews) - Erforderliche Fachkenntnisse (1 reviews) ### 10. [Secoda](https://www.g2.com/de/products/secoda/reviews) Secoda ist eine KI-gestützte Daten-Governance-Plattform, die darauf ausgelegt ist, Organisationen dabei zu helfen, ihre Daten effektiv zu erkunden, zu verstehen und zu nutzen. Durch die Bereitstellung einer umfassenden Plattform, die sich mit über 75 Datenquellen, Pipelines, Datenlagern und Visualisierungstools verbindet, zielt Secoda darauf ab, eine einheitliche Quelle der Wahrheit für Unternehmen zu schaffen. Diese Funktionalität ist besonders wertvoll für Organisationen, die ihre Self-Service-Analysen verbessern, Abläufe optimieren und die Entscheidungsfindung verbessern möchten. Zielgruppen sind Datenteams, Geschäftsinteressenten und Organisationen jeder Größe. Secoda dient als unverzichtbares Werkzeug für diejenigen, die große Datenmengen verwalten und interpretieren müssen. Die benutzerfreundliche Oberfläche stellt sicher, dass Personen mit unterschiedlichen technischen Kenntnissen die Plattform nutzen können, um umsetzbare Erkenntnisse zu gewinnen. Unternehmen wie Vanta, Cardinal Health, ID.me und Dialpad haben Secoda übernommen, um die Gesundheit ihrer Datenökosysteme zu überwachen, die Effizienz ihrer Datenteams zu steigern und die KI-Bereitschaft zu skalieren. Einer der Hauptvorteile von Secoda ist seine Fähigkeit, Datenkatalogisierung, Unternehmens-Governance und Beobachtbarkeit in einer einzigen, optimierten Plattform zu vereinen. Diese Konsolidierung reduziert nicht nur den Aufwand für die Verwaltung mehrerer Tools, sondern versorgt Secoda AI auch mit reichhaltigem, verbundenem Kontext, sodass Teams sich auf Erkenntnisse statt auf Infrastruktur konzentrieren können. Secoda automatisiert wichtige Datenmanagementaufgaben, einschließlich Dokumentation, Tagging, Erstellung von Glossarbegriffen und Richtlinienerstellung. Diese Automatisierung ermöglicht es den Nutzern, schnell relevante Daten und Erkenntnisse zu entdecken und darauf zuzugreifen, ohne umfangreiche manuelle Anstrengungen. Durch die Optimierung dieser Prozesse spart Secoda nicht nur wertvolle Zeit, sondern befähigt Teams auch, fundierte, datengestützte Entscheidungen auf der Grundlage aktueller, gut organisierter Informationen zu treffen, was letztendlich zu besseren Geschäftsergebnissen führt. Insgesamt sticht Secoda in der Datenmanagement-Landschaft hervor, indem es eine umfassende, KI-gesteuerte Lösung bietet, die sowohl den Bedürfnissen technischer als auch nicht-technischer Nutzer gerecht wird. Seine Fähigkeit, eine einzige Quelle der Wahrheit zu schaffen, gepaart mit der Integration mehrerer Funktionen in eine Plattform, positioniert es als wertvolles Asset für Organisationen, die das volle Potenzial ihrer Daten ausschöpfen möchten. **Average Rating:** 4.5/5.0 **Total Reviews:** 55 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.2/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 9.3/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.5/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.9/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Secoda](https://www.g2.com/de/sellers/secoda) - **Gründungsjahr:** 2021 - **Hauptsitz:** Toronto, CA - **Twitter:** @SecodaHQ (932 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/secodahq/about (21 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Computersoftware, Finanzdienstleistungen - **Company Size:** 65% Unternehmen mittlerer Größe, 18% Kleinunternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (31 reviews) - Merkmale (25 reviews) - Kundendienst (21 reviews) - Datenherkunft (19 reviews) - Integrationen (16 reviews) **Cons:** - Fehlerprobleme (11 reviews) - Käfer (11 reviews) - Technische Probleme (9 reviews) - Lernkurve (5 reviews) - Fehlende Funktionen (5 reviews) ### 11. [IBM InfoSphere Information Governance Catalog](https://www.g2.com/de/products/ibm-infosphere-information-governance-catalog/reviews) IBM® Information Governance Catalog ist ein interaktives, webbasiertes Tool, das es Benutzern ermöglicht, Informationen zu erkunden, zu verstehen und zu analysieren. Benutzer können eine gemeinsame Geschäftssprache erstellen, verwalten und teilen, Richtlinien und Regeln dokumentieren und umsetzen sowie die Nutzung und den Verbrauch von Daten innerhalb eines Abstammungsberichts verfolgen, um vertrauenswürdige Informationen für Compliance und Einblicke bereitzustellen. **Average Rating:** 4.0/5.0 **Total Reviews:** 16 **User Satisfaction Scores:** - **Einfache Bedienung:** 7.6/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [IBM](https://www.g2.com/de/sellers/ibm) - **Gründungsjahr:** 1911 - **Hauptsitz:** Armonk, NY - **Twitter:** @IBM (709,390 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1009/ (324,553 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** SWX:IBM **Reviewer Demographics:** - **Company Size:** 53% Unternehmen, 26% Unternehmen mittlerer Größe ### 12. [Coalesce Catalog (formerly CastorDoc)](https://www.g2.com/de/products/castor-doc/reviews) Coalesce Catalog ist ein kollaboratives, automatisiertes Datenentdeckungs- und Katalogisierungstool. Wir glauben, dass Datenexperten viel zu viel Zeit damit verbringen, ihre Daten zu finden und zu verstehen. Coalesce Catalog gestaltet die Zusammenarbeit von Datenexperten neu. Es bietet eine einzige Quelle der Wahrheit, um alle mit Daten in Ihrem Unternehmen verbundenen Kenntnisse zu referenzieren und zu dokumentieren. Wenn Sie nach einer Tabelle suchen, die mit Ihren Kunden zu tun hat, suchen Sie einfach danach, wie Sie es bei Google tun würden, und Coalesce Catalog liefert Ihnen den gesamten Kontext, den Sie für Ihre Analyse benötigen. Inspiriert von internen Tools, die von Uber, Airbnb, Lyft und Spotify entwickelt wurden, hat Coalesce Catalog eine Plug-and-Play-Lösung entwickelt, die in wenigen Minuten bereitgestellt wird, um Unternehmen jeder Größe einen Mehrwert zu bieten. Entdecken und katalogisieren Sie Ihre Daten noch heute mit Coalesce Catalog. **Average Rating:** 4.7/5.0 **Total Reviews:** 63 **User Satisfaction Scores:** - **Einfache Bedienung:** 9.6/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 9.9/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.9/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.9/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Coalesce](https://www.g2.com/de/sellers/coalesce) - **Unternehmenswebsite:** https://coalesce.io/ - **Gründungsjahr:** 2020 - **Hauptsitz:** San Francisco, CA - **LinkedIn®-Seite:** https://www.linkedin.com/company/coalesceio/ (127 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Finanzdienstleistungen - **Company Size:** 59% Unternehmen mittlerer Größe, 27% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (3 reviews) - Zusammenarbeit (2 reviews) - Konnektivität (2 reviews) - Datenherkunft (2 reviews) - Nützlich (2 reviews) **Cons:** - Verbindungsprobleme (1 reviews) - Integrationsprobleme (1 reviews) - Einschränkungen (1 reviews) ### 13. [data.world](https://www.g2.com/de/products/data-world/reviews) data.world ist der am häufigsten angenommene Datenkatalog und Governance-Plattform auf dem Markt. Auf einer einzigartigen Wissensgraph-Basis aufgebaut, integriert sich data.world nahtlos in Ihre bestehenden Systeme. Wir setzen den Standard für schnelle, menschenzentrierte Governance. Wir verwalten nicht nur Daten; wir erschließen ihr Potenzial und ebnen den Weg für verantwortungsvolle KI-Einführung und datengetriebene Entscheidungsfindung im großen Maßstab. data.world ist eine zertifizierte B Corporation und ein Unternehmen mit öffentlichem Nutzen und beherbergt die weltweit größte kollaborative Open-Data-Community mit mehr als zwei Millionen Mitgliedern, darunter neunzig Prozent der Fortune 500. **Average Rating:** 4.2/5.0 **Total Reviews:** 12 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.8/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 9.2/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.8/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.3/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [data.world](https://www.g2.com/de/sellers/data-world) - **Gründungsjahr:** 2016 - **Hauptsitz:** Austin, Texas - **Twitter:** @datadotworld (5,515 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/data.world/ (107 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 67% Kleinunternehmen, 25% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Analytik (1 reviews) - Datenentdeckung (1 reviews) - Datenverwaltung (1 reviews) - Datenvisualisierung (1 reviews) - Benutzerfreundlichkeit (1 reviews) **Cons:** - Schlechter Kundensupport (1 reviews) - Schlechter Kundendienst (1 reviews) ### 14. [Sifflet](https://www.g2.com/de/products/sifflet/reviews) Über Sifflet Sifflet ist eine geschäftsbewusste Datenüberwachungsplattform, die Datenteams von reaktiver Brandbekämpfung zu proaktiver Entscheidungsintelligenz bewegt. Angetrieben von einem intelligenten System aus KI-Agenten – Sentinel, Sage und Forge – erkennt Sifflet autonom Anomalien, diagnostiziert die Ursachen und schlägt Code-Lösungen vor. Durch die Anreicherung technischer Warnungen mit vollständiger Stack-Abstammung und nachgelagerter geschäftlicher Nutzung ermöglicht Sifflet Dateningenieuren und Führungskräften, Vorfälle basierend auf Geschäftsrisiken statt auf technischer Schwere zu priorisieren. Vertraut von Branchenführern wie Carrefour oder Penguin Random House, überbrückt Sifflet die Lücke zwischen Datenqualität und Geschäftsauswirkungen und stellt sicher, dass Ihre Daten immer sicher für Führungsentscheidungen und KI-Nutzung sind. Erfahren Sie mehr unter siffletdata.com. **Average Rating:** 4.4/5.0 **Total Reviews:** 45 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.5/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.3/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Sifflet](https://www.g2.com/de/sellers/sifflet) - **Unternehmenswebsite:** https://www.siffletdata.com/ - **Gründungsjahr:** 2021 - **Hauptsitz:** Paris, Ile-de-France - **Twitter:** @Siffletdata (392 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/sifflet/ (48 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Computersoftware - **Company Size:** 78% Unternehmen mittlerer Größe, 24% Unternehmen #### Pros & Cons **Pros:** - Effizienzsteigerung (37 reviews) - Benutzerfreundlichkeit (36 reviews) - Überwachung (36 reviews) - Datenherkunft (32 reviews) - Alarmsystem (31 reviews) **Cons:** - Begrenzte Anpassung (17 reviews) - Komplexe Einrichtung (11 reviews) - Alarmverwaltung (10 reviews) - Begrenzte Integration (10 reviews) - Abstammungsprobleme (10 reviews) ### 15. [IBM watsonx.data intelligence](https://www.g2.com/de/products/ibm-watsonx-data-intelligence/reviews) IBM watsonx.data intelligence revolutioniert die Art und Weise, wie Organisationen Daten kuratieren, verwalten und nutzen, indem es die Kraft der KI nutzt, um die Datenbereitstellung über hybride Ökosysteme hinweg zu vereinfachen. IBM watsonx.data intelligence ist eine umfassende Lösung, die Funktionen wie Datenverwaltung (ehemals IBM Knowledge Catalog), Datenherkunft (ehemals IBM Manta Data Lineage), Datenaustausch und Datenqualitätsmanagement integriert. Es befähigt Organisationen, bedeutende Daten zu entdecken, ihnen zu vertrauen und darauf zuzugreifen, und bietet Verbrauchern zuverlässige Datenprodukte. Erkunden Sie die Demo-Bibliothek - https://www.ibm.com/products/watsonx-data-intelligence/demo-library Starten Sie Ihre kostenlose Testversion - https://dataplatform.cloud.ibm.com/registration/stepone?context=df&apps=all&uucid=1227cc9e37cb9292&preselect\_region=true **Average Rating:** 4.2/5.0 **Total Reviews:** 24 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.4/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 7.5/10 (Category avg: 8.6/10) - **Metadaten-Management:** 7.5/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.3/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [IBM](https://www.g2.com/de/sellers/ibm) - **Gründungsjahr:** 1911 - **Hauptsitz:** Armonk, NY - **Twitter:** @IBM (709,390 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1009/ (324,553 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** SWX:IBM **Reviewer Demographics:** - **Company Size:** 38% Kleinunternehmen, 34% Unternehmen #### Pros & Cons **Pros:** - Automatisierung (3 reviews) - Datenherkunft (3 reviews) - Datenqualität (2 reviews) - Benutzerfreundlichkeit (2 reviews) - Effizienz (2 reviews) **Cons:** - Komplexe Implementierung (3 reviews) - Komplexität (2 reviews) - Teuer (2 reviews) - Erforderliche Fachkenntnisse (2 reviews) - Zusätzliche Kosten (2 reviews) ### 16. [Oracle Enterprise Metadata Management](https://www.g2.com/de/products/oracle-enterprise-metadata-management/reviews) Oracle Enterprise Metadata Management (OEMM) ist eine umfassende Plattform für das Metadatenmanagement. OEMM kann Metadaten von nahezu jedem Metadatenanbieter erfassen und katalogisieren, einschließlich relationaler, Hadoop, ETL, BI, Datenmodellierung und vielen mehr. **Average Rating:** 3.7/5.0 **Total Reviews:** 16 **User Satisfaction Scores:** - **Einfache Bedienung:** 5.6/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 5.7/10 (Category avg: 8.6/10) - **Metadaten-Management:** 6.0/10 (Category avg: 8.4/10) - **Datenherkunft:** 5.7/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Oracle](https://www.g2.com/de/sellers/oracle) - **Gründungsjahr:** 1977 - **Hauptsitz:** Austin, TX - **Twitter:** @Oracle (827,868 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1028/ (199,301 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE:ORCL **Reviewer Demographics:** - **Company Size:** 44% Unternehmen, 38% Kleinunternehmen ### 17. [Common Voice dataset](https://www.g2.com/de/products/common-voice-dataset/reviews) Jeder Eintrag im Datensatz besteht aus einer einzigartigen MP3- und einer entsprechenden Textdatei. Viele der 1.368 aufgezeichneten Stunden im Datensatz enthalten auch demografische Metadaten wie Alter, Geschlecht und Akzent, die helfen können, die Genauigkeit von Spracherkennungssystemen zu verbessern. Der Datensatz besteht derzeit aus 1.087 validierten Stunden in 18 Sprachen, aber wir fügen ständig weitere Stimmen und Sprachen hinzu. **Average Rating:** 4.5/5.0 **Total Reviews:** 11 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.2/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 6.8/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.2/10 (Category avg: 8.4/10) - **Datenherkunft:** 6.8/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Mozilla](https://www.g2.com/de/sellers/mozilla) - **Gründungsjahr:** 2005 - **Hauptsitz:** San Francisco, CA - **Twitter:** @mozilla (262,194 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/13948/ (1,755 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 64% Kleinunternehmen, 27% Unternehmen mittlerer Größe ### 18. [Informatica Enterprise Data Catalog](https://www.g2.com/de/products/informatica-enterprise-data-catalog/reviews) Ein maschinelles Lern-basiertes Datenkatalog, das es ermöglicht, Datenressourcen über Cloud, On-Premises und Big Data zu klassifizieren und zu organisieren. Es bietet maximalen Wert und Wiederverwendung von Daten im gesamten Unternehmen. **Average Rating:** 4.3/5.0 **Total Reviews:** 19 **User Satisfaction Scores:** - **Einfache Bedienung:** 7.8/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 7.7/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.0/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.3/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Informatica](https://www.g2.com/de/sellers/informatica) - **Gründungsjahr:** 1993 - **Hauptsitz:** Redwood City, CA - **Twitter:** @Informatica (99,875 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/3858/ (2,930 Mitarbeiter*innen auf LinkedIn®) - **Eigentum:** NYSE: INFA **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 53% Unternehmen, 26% Unternehmen mittlerer Größe ### 19. [Coginiti](https://www.g2.com/de/products/coginiti/reviews) Coginiti ist eine SQL-zentrierte kollaborative Datenoperationsplattform, die Teams befähigt, qualitativ hochwertige Datenprodukte zu erstellen, zu veröffentlichen und zu konsumieren, und den Lebenszyklus der Datenanalyse von der Entstehung bis zu Erkenntnissen zu optimieren. Durch die Integration mit der breitesten Vielfalt an Datenplattformen und -tools ermöglicht Coginiti Analysten, Ingenieuren und Datenwissenschaftlern, in Echtzeit zusammenzuarbeiten, Silos abzubauen und Innovationen zu fördern. Die intuitive Benutzeroberfläche vereinfacht die Verwaltung komplexer Daten-Workflows und gewährleistet Governance und Konsistenz über Projekte hinweg. Hauptmerkmale: - Echtzeit-Zusammenarbeit - Flexibles Datenmodellieren - Datenqualitätstests - Visualisierung der Datenherkunft - Native Planung - Leistungsstarke APIs - KI-Assistent Coginiti erleichtert einen nahtlosen Übergang von der Datenvorbereitung zu umsetzbarer Intelligenz. Es geht nicht nur darum, Ihre Datenstrategie zu verfeinern oder Ihre Analysefähigkeiten zu skalieren; es geht darum, Ihre Organisation zu befähigen, das volle Potenzial von Daten für fundierte Entscheidungsfindung zu nutzen. Entdecken Sie die Kraft von Coginiti und transformieren Sie Ihre Datenoperationen. Coginiti bietet Produkte für einzelne Analysten, Datenteams und Unternehmen an. **Average Rating:** 4.5/5.0 **Total Reviews:** 29 **User Satisfaction Scores:** - **Einfache Bedienung:** 9.4/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.9/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.8/10 (Category avg: 8.4/10) - **Datenherkunft:** 8.7/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Coginiti Corp](https://www.g2.com/de/sellers/coginiti-corp) - **Gründungsjahr:** 2020 - **Hauptsitz:** Atlanta , GA - **Twitter:** @coginiti (70 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/coginiti (33 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 66% Unternehmen, 28% Unternehmen mittlerer Größe ### 20. [BMC AMI Data](https://www.g2.com/de/products/bmc-ami-data/reviews) BMC AMI Data ist ein Portfolio intelligenter Datenmanagement- und Leistungsoptimierungslösungen für IBM Z-Umgebungen. Es hilft Unternehmen, mission-kritische Mainframe-Daten, einschließlich Db2, IMS und VSAM, zu optimieren, zu schützen und zu modernisieren, während Kosten, Risiken und betriebliche Komplexität reduziert werden. Die Lösung automatisiert die Datenwartung, analysiert das Systemverhalten und bietet vorausschauende Einblicke, um die CPU-Nutzung zu reduzieren, das Betriebsrisiko zu minimieren und kritische Arbeitslasten ohne Unterbrechung am Laufen zu halten. Durch die Modernisierung der Verwaltung von Mainframe-Daten ermöglicht BMC AMI Data Unternehmen, das Datenwachstum zu kontrollieren, Kosten zu optimieren und hochvolumige, stets verfügbare Geschäftsanwendungen zu unterstützen. **Average Rating:** 4.3/5.0 **Total Reviews:** 24 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.2/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [BMC Software](https://www.g2.com/de/sellers/bmc-software) - **Unternehmenswebsite:** https://www.bmc.com - **Gründungsjahr:** 1980 - **Hauptsitz:** Houston, TX - **Twitter:** @BMCSoftware (48,041 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/1597/ (8,951 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Computersoftware - **Company Size:** 50% Kleinunternehmen, 25% Unternehmen #### Pros & Cons **Pros:** - Analytik (1 reviews) - Automatisierung (1 reviews) - Benutzerfreundlichkeit (1 reviews) - Einfache Integrationen (1 reviews) - Merkmale (1 reviews) **Cons:** - Teuer (1 reviews) - Installationsschwierigkeit (1 reviews) - Lernkurve (1 reviews) - Begrenzte Kompatibilität (1 reviews) - Begrenzte Anpassung (1 reviews) ### 21. [DataHub](https://www.g2.com/de/products/datahub/reviews) DataHub ist eine ereignisgesteuerte KI- und Datenkontextplattform, die darauf ausgelegt ist, Entdeckung, Governance und Beobachtbarkeit über den gesamten Datenbestand einer Organisation hinweg zu vereinheitlichen. Im Gegensatz zu traditionellen Datenkatalogen bietet DataHub Cloud Echtzeit-Updates, automatische Richtliniendurchsetzung und nahtlose Integration mit über 100 Datenquellen. Dies stellt sicher, dass Organisationen die Datenqualität, Compliance und KI-Bereitschaft in großem Maßstab aufrechterhalten können und die Komplexitäten des modernen Datenmanagements adressieren. DataHub richtet sich an Datenteams, Governance-Profis und KI-Praktiker und bedient ein vielfältiges Publikum, das Dateningenieure, Analysten, Datenverwalter und Compliance-Beauftragte umfasst. Die Plattform ist besonders vorteilhaft für Organisationen, die eine zentrale Quelle der Wahrheit für alle Metadaten in verschiedenen Umgebungen benötigen, wie z.B. Datenlager, Seen, Business-Intelligence-Plattformen, maschinelle Lernsysteme und KI-Agenten. Durch die Konsolidierung von Datenmanagementprozessen verbessert DataHub die Zusammenarbeit und Effizienz innerhalb von Datenteams und ermöglicht es ihnen, effektiver zu arbeiten. Eines der herausragenden Merkmale von DataHub ist seine automatisierte Datenherkunftsverfolgung, die bis auf die Spaltenebene funktioniert. Diese Fähigkeit ermöglicht es Teams, die Auswirkungen von Änderungen im Vorfeld schnell zu bewerten, was eine schnellere Fehlerbehebung bei Qualitätsproblemen erleichtert und hilft, kostspielige Vorfälle zu vermeiden, bevor sie in die Produktion gelangen. Darüber hinaus nutzt die Plattform KI-gestützte Funktionen, um sich wiederholende Aufgaben im Zusammenhang mit Metadaten zu verwalten, wie z.B. die Erstellung von Dokumentationen, intelligente Glossarklassifizierung und das Taggen sensibler Daten. Diese Automatisierung befähigt Datenprofis, sich auf höherwertige Aktivitäten zu konzentrieren und dadurch die Gesamtproduktivität zu steigern. Für Daten-Governance- und Compliance-Teams bietet DataHub robuste Werkzeuge für die kontinuierliche Richtliniendurchsetzung, rollenbasierte Zugriffskontrollen und die Erkennung personenbezogener Informationen (PII). Die Plattform ist darauf ausgelegt, regulatorische Standards wie GDPR, HIPAA und PCI zu unterstützen, und das alles bei minimalem manuellem Aufwand. Dies stellt sicher, dass Organisationen die Compliance aufrechterhalten können, ohne die Last umfangreicher manueller Prozesse. Darüber hinaus bietet DataHub für KI- und ML-Teams den zuverlässigen Datenkontext, der für die Entwicklung vertrauenswürdiger KI-Agenten und -Modelle unerlässlich ist, fördert Innovationen und verbessert die Ergebnisse. Mit Unterstützung von prominenten Investoren wie Bessemer Venture Partners, LinkedIn und 8VC hat DataHub das Vertrauen führender Organisationen wie Netflix, Visa, Slack und Pinterest gewonnen. Diese weit verbreitete Akzeptanz unterstreicht die Effektivität der Plattform bei der Transformation von Datenoperationen und der Verbesserung der gesamten Datenmanagementlandschaft. Für weitere Informationen besuchen Sie datahub.com. **Average Rating:** 4.4/5.0 **Total Reviews:** 8 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.5/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [DataHub](https://www.g2.com/de/sellers/datahub) - **Unternehmenswebsite:** https://datahub.com/ - **Gründungsjahr:** 2013 - **Hauptsitz:** Palo Alto, California - **Twitter:** @DataHubCloud (683 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/datahub-cloud/ (18 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 63% Unternehmen mittlerer Größe, 25% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (3 reviews) - Konnektivität (2 reviews) - Open Source (2 reviews) - Genauigkeit (1 reviews) - Erschwinglich (1 reviews) **Cons:** - Integrationsprobleme (2 reviews) - Abhängigkeitsprobleme (1 reviews) - Schwierige Schnittstelle (1 reviews) - Mangel an Funktionen (1 reviews) - Großdatenverwaltung (1 reviews) ### 22. [erwin Data Modeler](https://www.g2.com/de/products/quest-software-erwin-data-modeler/reviews) Teil der Quest erwin Data Management Platform, die branchenführendes Enterprise-Datenmodellierung bietet. erwin Data Modeler liefert die Blaupausen für vertrauenswürdige Daten. Integriert mit erwin Data Intelligence verbindet es Modelle mit verwaltetem Metadaten und Geschäftskontext - und stellt sicher, dass das, was in der Produktion geliefert wird, dem Design entspricht, sodass Datenprodukte genau, verwaltet und KI-bereit sind. **Average Rating:** 4.2/5.0 **Total Reviews:** 50 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.4/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.3/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.3/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.2/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Quest Software](https://www.g2.com/de/sellers/quest-software) - **Unternehmenswebsite:** https://www.quest.com - **Gründungsjahr:** 1987 - **Hauptsitz:** Austin, TX - **Twitter:** @Quest (17,151 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/2880/ (3,594 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Top Industries:** Informationstechnologie und Dienstleistungen - **Company Size:** 42% Unternehmen mittlerer Größe, 28% Unternehmen #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (3 reviews) - Zusammenarbeit (2 reviews) - Datenentdeckung (1 reviews) - Datenverwaltung (1 reviews) - Datenverwaltung (1 reviews) **Cons:** - Teuer (2 reviews) - Komplexität (1 reviews) - Schwierige Schnittstelle (1 reviews) - Begrenzte Anpassung (1 reviews) - Veraltetes Design (1 reviews) ### 23. [ServiceNow Workflow Data Fabric](https://www.g2.com/de/products/servicenow-workflow-data-fabric/reviews) Workflow Data Fabric ist das KI-bereite Datenfundament der ServiceNow AI-Plattform. Es verbindet sich mit allen Daten – strukturierten, unstrukturierten und Streaming-Daten –, kontextualisiert sie mit geschäftlicher Bedeutung und Governance und kontrolliert sie mit Abstammung und Richtlinien, sodass Mitarbeiter und KI-Agenten in der Lage sind, mit Echtzeitinformationen sicher zu handeln, um Störungen zu verhindern, Anfragen schneller zu bearbeiten und den Betrieb zu optimieren – alles auf einer Plattform. Wie Workflow Data Fabric Daten in sofortige Aktionen umwandelt Verbinden Vereinheitlichen Sie Daten aus Systemen wie Salesforce, SAP, Workday, Data Lakes und Event-Streams in Echtzeit ohne Duplikation oder fragile Punkt-zu-Punkt-Integrationen. Mit Zero Copy Connectors, Stream Connect, External Content Connectors und Integration Hub vereinfacht WDF die Architektur und reduziert Integrationskosten und -zeit. Kontextualisieren Geben Sie Daten geschäftliche Bedeutung und machen Sie sie vertrauenswürdig mit einem aktiven Datenkatalog, eingebetteter Governance und Abstammung. Verwenden Sie Knowledge Graph, um Beziehungen (z. B. Kunden, Vermögenswerte, Bestellungen) abzubilden, damit KI-Agenten und Workflows den Kontext verstehen und im Arbeitsfluss genaue Entscheidungen treffen können. Kontrollieren Wenden Sie Richtlinien, Berechtigungen und Compliance-Schutzmaßnahmen auf verbundene Quellen an, sodass die richtigen Personen und KI-Agenten zur richtigen Zeit auf die richtigen Daten zugreifen können, mit voller Auditierbarkeit und Rückverfolgbarkeit – keine Schattenkopien oder undurchsichtigen Pipelines mehr. **Average Rating:** 4.3/5.0 **Total Reviews:** 120 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.0/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.3/10 (Category avg: 8.6/10) - **Metadaten-Management:** 5.0/10 (Category avg: 8.4/10) - **Datenherkunft:** 7.1/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [ServiceNow](https://www.g2.com/de/sellers/servicenow) - **Unternehmenswebsite:** https://www.servicenow.com/ - **Gründungsjahr:** 2004 - **Hauptsitz:** Santa Clara, CA - **Twitter:** @servicenow (54,215 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/29352/ (32,701 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Who Uses This:** Software-Ingenieur - **Top Industries:** Informationstechnologie und Dienstleistungen, Computersoftware - **Company Size:** 46% Unternehmen, 27% Unternehmen mittlerer Größe #### Pros & Cons **Pros:** - Benutzerfreundlichkeit (37 reviews) - Integrationen (34 reviews) - Automatisierung (30 reviews) - Effizienzsteigerung (26 reviews) - Datenverwaltung (25 reviews) **Cons:** - Komplexe Einrichtung (23 reviews) - Schwierige Einrichtung (17 reviews) - Teuer (15 reviews) - Langsame Leistung (14 reviews) - Komplexität (13 reviews) ### 24. [Talend Data Catalog](https://www.g2.com/de/products/talend-data-catalog/reviews) Der Datenkatalog durchsucht, profiliert, organisiert, verknüpft und bereichert automatisch alle Ihre Metadaten. Bis zu 80 % der mit den Daten verbundenen Informationen werden automatisch dokumentiert und durch intelligente Beziehungen und maschinelles Lernen auf dem neuesten Stand gehalten, wodurch dem Benutzer kontinuierlich die relevantesten Daten bereitgestellt werden. **Average Rating:** 4.2/5.0 **Total Reviews:** 12 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.0/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 6.7/10 (Category avg: 8.6/10) - **Metadaten-Management:** 9.4/10 (Category avg: 8.4/10) - **Datenherkunft:** 9.4/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Qlik](https://www.g2.com/de/sellers/qlik) - **Gründungsjahr:** 1993 - **Hauptsitz:** Radnor, PA - **Twitter:** @qlik (64,263 Twitter-Follower) - **LinkedIn®-Seite:** https://www.linkedin.com/company/10162/ (4,529 Mitarbeiter*innen auf LinkedIn®) - **Telefon:** 1 (888) 994-9854 **Reviewer Demographics:** - **Company Size:** 42% Unternehmen mittlerer Größe, 33% Unternehmen #### Pros & Cons **Pros:** - Datenkatalogisierung (1 reviews) - Datenentdeckung (1 reviews) - Benutzerfreundlichkeit (1 reviews) - Intuitiv (1 reviews) - Intuitive Nutzung (1 reviews) **Cons:** - Schnittstellenkomplexität (1 reviews) - Schlechtes Schnittstellendesign (1 reviews) - Schlechtes UI-Design (1 reviews) - Benutzeroberflächenprobleme (1 reviews) - UX-Design (1 reviews) ### 25. [Zeenea](https://www.g2.com/de/products/zeenea/reviews) "Zeenea ist die Data Discovery Platform, die für alle entwickelt wurde, um den Wert von Unternehmensdaten zu finden, zu vertrauen und freizuschalten. Die Cloud-Plattform bietet zwei moderne Benutzererfahrungen: Zeenea Studio ist die Anwendung, die für Datenexperten entwickelt wurde, um Zeit bei der Verwaltung, Dokumentation und Steuerung von Daten mit maximaler Automatisierung zu sparen; während Zeenea Explorer es Geschäftsanwendern ermöglicht, die Produktivität zu steigern, indem sie die benötigten Datenressourcen in allen Unternehmensinformationen finden. Die eingebauten Scanner und APIs von Zeenea ermöglichen es Organisationen, Metadaten aus ihrem Datenökosystem automatisch zu sammeln, zu konsolidieren und zu verknüpfen. Mit einem leistungsstarken Wissensgraphen und einer intelligenten Suchmaschine können Datenteams alle Unternehmensmetadaten über eine einzige Quelle der Wahrheit aktivieren. Zeenea hilft Dutzenden von Organisationen weltweit, Daten zu demokratisieren, darunter BPCE Group, Club Med, Generali, Renault, Société Générale, Solactive und Stellantis. Die SOC 2 Type II-zertifizierten Lösungen von Zeenea umfassen einen Datenkatalog, ein Business Glossary, Datenherkunft, Datenqualität, Datenverwaltung, Datenpflege, Datenschutz, regulatorische Compliance, Cloud-Transformation." **Average Rating:** 4.4/5.0 **Total Reviews:** 12 **User Satisfaction Scores:** - **Einfache Bedienung:** 8.3/10 (Category avg: 8.6/10) - **Business- und Daten-Glossar:** 8.3/10 (Category avg: 8.6/10) - **Metadaten-Management:** 8.8/10 (Category avg: 8.4/10) - **Datenherkunft:** 7.5/10 (Category avg: 8.6/10) **Seller Details:** - **Verkäufer:** [Zeenea](https://www.g2.com/de/sellers/zeenea) - **Gründungsjahr:** 2017 - **Hauptsitz:** Paris, √éle-de-France - **Twitter:** @ZeeneaSoftware (251 Twitter-Follower) - **LinkedIn®-Seite:** http://www.linkedin.com/company/zeenea (26 Mitarbeiter*innen auf LinkedIn®) **Reviewer Demographics:** - **Company Size:** 50% Unternehmen mittlerer Größe, 25% Unternehmen ## Parent Category [IT-Infrastruktur-Software](https://www.g2.com/de/categories/it-infrastructure) ## Related Categories - [Datenverwaltungstools](https://www.g2.com/de/categories/data-governance-tools) - [DataOps-Plattformen](https://www.g2.com/de/categories/dataops-platforms) - [Aktive Metadatenverwaltungssoftware](https://www.g2.com/de/categories/active-metadata-management) --- ## Buyer Guide ### Was Sie über Software zur Verwaltung von Gesundheitsansprüchen wissen sollten ### Was ist ein Machine Learning Data Catalog? Ein Machine Learning Data Catalog (MLDC) ist ein automatisierter Datenkatalog, der Aufgaben wie das Crawlen von Metadaten, das Katalogisieren und Klassifizieren von personenbezogenen Daten (PII) durchführt. Machine Learning Data Catalogs organisieren das Datenbestandsverzeichnis mithilfe von Metadaten. Datenkataloge helfen Unternehmen zu wissen, wo die Daten gespeichert sind, wodurch die Zeit zur Identifizierung von Daten reduziert wird und sie leicht für Analysen zugänglich gemacht werden. Sie sind Bestandsverzeichnisse von Assets wie Tabellen, Schemata, Dateien und Diagrammen in Organisationen und helfen, die Herausforderungen der Datenentdeckung, -qualität und -verwaltung eines Unternehmens zu lösen. ### Wofür steht MLDC? MLDC ist ein Akronym für Machine Learning Data Catalog.  ### Was sind die häufigsten Merkmale von Machine Learning Data Catalogs? Machine Learning Data Catalogs vereinfachen die manuellen Funktionen eines Datenkatalogs. Ein Datenkatalog ist ein wesentlicher Bestandteil der Datenmanagementstrategie jeder Organisation. Einige der Merkmale von Machine Learning Data Catalogs sind: **Datenaufnahme und -entdeckung:** Machine Learning Data Catalogs müssen vorgefertigte Adapter haben, um sich mit verschiedenen Unternehmenssystemen wie Anwendungen, Datenbanken, Dateien und externen APIs zu verbinden. Diese Adapter helfen bei der Entdeckung von Metadaten aus Systemen. Metadaten können Tabellennamen, Attributnamen und Einschränkungen sein. Das Merkmal hilft beim Aufbau nativer Konnektivität wie Integrationen für Datenquellen, Business-Intelligence-Lösungen (BI) und Data-Science-Tools. **Geschäftsglossar:** Obwohl eine große Menge an Daten im Repository gespeichert ist, ist es auch wichtig, dass die Benutzer verstehen, was die gespeicherten Daten bedeuten. Das Glossar-Merkmal verknüpft diese Daten mit Geschäftstermini und verleiht ihnen mehr Bedeutung.  **Automatisierte Datenkennzeichnung:** Datenkennzeichnung ist eine Voraussetzung für maschinelle Lernalgorithmen. Automatisierte Datenkennzeichnung ist genauer als manuelle, da sie menschliche Fehler eliminiert. Datenkennzeichnung beinhaltet normalerweise, dass Annotatoren Objekte in Bildern identifizieren, um qualitativ hochwertige Trainingsdaten für künstliche Intelligenz (KI) zu erstellen. Automatisierte Kennzeichnung beseitigt die Herausforderungen, die durch die mühsamen Annotationszyklen entstehen. **Datenherkunft:** Datenherkunft ist der Prozess, der den Benutzern hilft zu wissen, wer, warum, wann und wo Änderungen an den Daten vorgenommen werden. Es ist ein Teil des Metadatenmanagements. MLDCs automatisieren den Datenherkunftsprozess. Datenherkunft hilft zu bestimmen, wann neue oder geänderte Daten ein erneutes Training von maschinellen Lernmodellen erfordern. MLDCs durchforsten normalerweise automatisch Abfragelogs in Data Lakes und anderen Datenquellen, um eine Datenherkunftskarte zu erstellen. **Datenqualitätsüberwachung und Anomalieerkennung:** Die Datenqualitätsüberwachung hilft Benutzern zu verstehen, ob die Daten aus einer vertrauenswürdigen Quelle stammen. Der Machine Learning Data Catalog hat auch ein Merkmal, um plötzliche Änderungen in den Daten mithilfe von maschinellen Lernalgorithmen zu identifizieren. Die Benutzer werden sofort über alle erkannten Änderungen oder Anomalien informiert.  **Semantische Suche nach Datensätzen:** Machine Learning Data Catalogs bieten Benutzern visuelle und intuitive Suchmöglichkeiten wie Suchmaschinen. Fast jeder Benutzer in einer Organisation ist ein Datenbenutzer, aber nicht jeder kann SQL-Abfragen verwenden, um Daten zu nutzen. Das semantische Suchmerkmal erleichtert es allen Benutzern, Datensätze zu entdecken. **Compliance-Fähigkeiten:** Dieses Merkmal stellt sicher, dass sensible Daten nicht offengelegt werden und dass der Benutzer den Daten vertrauen kann. Es hilft weiter, Datenverwaltungspolitiken aufrechtzuerhalten und das Datenmanagement in der Organisation zu stärken. Datenverwalter können minderwertige Daten identifizieren und den Zugriff auf sensible Daten einschränken, wodurch die Einhaltung von Vorschriften wie der Datenschutz-Grundverordnung (DSGVO) unterstützt wird. **Datenprofilierung:** Die Datenprofilierung hilft, die Daten aus der Datenquelle zu überprüfen und Informationen darüber zu sammeln. Dieser Prozess hilft, Datenqualitätsprobleme viel besser zu erkennen, wodurch der Datenmanagementprozess effizienter wird. ### Was sind die Vorteile von Machine Learning Data Catalogs? Ein Machine Learning Data Catalog bietet verschiedene Vorteile für unterschiedliche Benutzertypen in der Organisation. Dazu gehören: **Erleichterung bei der Datenkuratierung:** Datenkuratierung ist ein Prozess des Sammelns, Organisierens, Kennzeichnens und Bereinigens von Daten. Machine Learning Data Catalogs validieren Metadaten und organisieren Erkenntnisse mithilfe von maschinellen Lernalgorithmen in die richtigen Repositories. **Erleichterung der Suche:** Dank der semantischen Suche wird es für nicht-technische Benutzer einfacher, Daten zu suchen und zu entdecken, da sie nicht jedes Mal SQL-Abfragen verwenden müssen, um auf Daten zuzugreifen. **Erleichterung der Datenzusammenarbeit:** Machine Learning Data Catalogs helfen den Benutzern, zusammenzuarbeiten, Datensätze zu nutzen und zu teilen, da Machine Learning Data Catalogs das Auffinden und Speichern von isolierten Daten erleichtern. ### Wer nutzt Machine Learning Data Catalogs? Machine Learning Data Catalogs zentralisieren Metadaten für verschiedene Datenassets. Durch die Organisation der Metadaten helfen MLDCs Organisationen, den Datenzugriff zu verwalten. **Datenanalysten:** Datenanalysten nutzen MLDC, um Daten für ihre Analyseprozesse zu entdecken, zu klassifizieren und zu manipulieren. Sie können auch KI- oder maschinelle Lernmodelle entdecken, verstehen, wie sie funktionieren, und sie in ihre BI-Tools importieren. Datenkataloge helfen Datenanalysten, Unternehmen in Self-Service-Organisationen zu verwandeln. Self-Service-Analysen sind wichtig für jede Organisation, die von Erkenntnissen getrieben werden möchte. Machine Learning Data Catalogs helfen den Benutzern, die Mittel zu finden, zu verstehen und den Daten zu vertrauen. **Vermarkter:** Marketingteams nutzen den Machine Learning Data Catalog kommerzieller. Sie erhalten Erkenntnisse, um bessere Entscheidungen zu treffen, indem sie Datenkataloge verwenden. **Datenwissenschaftler:** Datenwissenschaftler veröffentlichen normalerweise ihre Modelle zur Wiederverwendung. Datenwissenschaftler suchen immer nach einer Plattform, die Daten für verschiedene Projekte zentralisiert.  ### Herausforderungen mit Machine Learning Data Catalogs Obwohl Machine Learning Data Catalogs helfen, große Herausforderungen in traditionellen Datenkatalogen wie Datenentdeckung und Datenherkunft zu lösen, bringen MLDCs auch Herausforderungen mit sich.   **Skalierbarkeit:** Es ist schwierig für alle MLDCs, ein großes Metadatenvolumen zu unterstützen. Manchmal brechen die Datenkataloge aufgrund von Leistungsproblemen zusammen, wenn sie mit enormen Mengen an Metadaten überlastet sind. Ursprünglich wurden Daten im Mainframe-Rechenzentrum des Unternehmens gespeichert. Aufgrund der heutigen Big Data müssen Machine Learning Data Catalogs jedoch Daten sowohl in der Cloud als auch in Data Lakes verfolgen. **Fragmentierung bei der Bewertung eines Produkts:** Wenn ein Datenkatalog zu umfangreich ist, verursacht er eine Fragmentierung im Benutzererlebnis bei der Bewertung eines Produkts. Zu viele Daten führen dazu, dass Benutzer zu viele Tools verwenden, wodurch ein nahtloses Erlebnis in Fragmente zerbricht. ### Wie kauft man Machine Learning Data Catalogs #### Anforderungserhebung (RFI/RFP) für Machine Learning Data Catalogs Der Machine Learning Data Catalog bietet viele Funktionen, um Benutzern zu helfen, nutzbare Daten zu identifizieren. Ein Käufer kann die richtige MLDC-Software je nach den Bedürfnissen der Organisation auswählen. RFP/RFIs helfen der Organisation, nach Preisen, Produktmerkmalen und Richtlinien zu suchen. #### Vergleich von Machine Learning Data Catalog-Produkten **Erstellen Sie eine Longlist** Der erste Schritt besteht darin, nach allen möglichen Anbietern in diesem Bereich zu suchen. Dies gibt den Vorteil, die Anbieter hinsichtlich Preis, Produktmerkmalen und Kundenservice zu bewerten.  **Erstellen Sie eine Shortlist** Nach der Bewertung der potenziellen Anbieter kann das Unternehmen die Liste auf diejenigen eingrenzen, die alle ihre Anforderungen erfüllen. **Führen Sie Demos durch** Demos helfen, das Produkt als Ganzes zu verstehen. Ein Team von IT-Profis und Datenwissenschaftlern sollte an diesen Demos teilnehmen, um die Funktionalität des Produkts zu verstehen, während das Marketingteam teilnehmen kann, um den geschäftlichen Nutzen der Software in den Projekten zu analysieren. #### Auswahl von Machine Learning Data Catalogs **Wählen Sie ein Auswahlteam** Ein Team von Marketingfachleuten mit Datenwissenschaftlern und IT-Profis kann alle Fragen zum MLDC-Produkt mit den Anbietern klären. Ein Datenwissenschaftler wäre mehr daran interessiert, die technischen Merkmale der Software zu kennen. Ein Marketingmanager wäre neugierig zu wissen, wie das Marketingteam MLDC für ein Projekt nutzen könnte. Ein IT-Profi möchte das Installationsverfahren der Software verstehen. **Verhandlung** Sobald der Anbieter den Preis nennt, beginnen die Verhandlungen. Der Preis wird basierend auf den Kosten anderer ähnlicher Produkte auf dem Markt und dem Ausmaß, in dem das Produkt die Herausforderungen lösen kann, festgelegt. **Endgültige Entscheidung** Die endgültige Entscheidung basiert auf Vereinbarungen zwischen dem Anbieter und dem Käufer.