Release 2026.06: Bringen Sie Data Observability in Ihren Code

Die Datenqualitätsarbeit hat sich still und leise aus der Benutzeroberfläche verlagert. Pipelines werden im Code definiert, Deployments sind containerisiert und Umgebungen werden über CI/CD bereitgestellt. Mit Release 2026.06 holt digna die Teams dort ab, wo diese Arbeit bereits stattfindet.

Dieser Release führt das Python SDK von digna, offiziellen Docker-Support, eine neue QueryMode-Einstellung für die SQL-Ausführung, ein konfigurierbares Vorhersagemodell für die Erkennung von Data Anomalies, ein neu gestaltetes Dashboard und erweiterte Import- und Exportfunktionen für Validierungsregeln ein.

Sehen Sie sich die Release-Übersicht an: digna Release 2026.06 auf YouTube

digna Python SDK: Alles aus dem Code heraus automatisieren

Das Highlight-Feature von 2026.06 ist das neue Python SDK. Es ist nur eine einzige Installation entfernt:

Von dort aus kann das meiste, was Sie normalerweise in der digna-Benutzeroberfläche konfigurieren würden, in Python ausgedrückt werden:

• Datenprojekte programmatisch erstellen und konfigurieren

• Prüfungen und Monitoring-Ausführungen triggern

• Datensätze, Validierungsregeln und Konfigurationen im Code verwalten

• Tabellen profilieren und Metadaten-Erkenntnisse extrahieren

• Profiling- und Datenqualitäts-Ergebnisse in externe Systeme und Repositories exportieren

• digna in Notebooks, Orchestrierungstools und CI/CD-Pipelines integrieren

Für Data Engineers macht dies die Einrichtung der Datenqualität zu Infrastructure-as-Code. Projektdefinitionen liegen in der Versionskontrolle, Reviews finden in Pull-Requests statt und eine neue Umgebung kann über dasselbe Skript bereitgestellt werden, mit dem auch die letzte erstellt wurde.

Für Data Scientists öffnet das SDK eine andere Tür. Die Ergebnisse der Erkennung von Data Anomalies und des Profilings von digna werden zu Inputs für Ihre eigenen Analysen. Laden Sie die Profiling-Historie in ein Notebook, verknüpfen Sie sie mit Geschäftsdaten oder speisen Sie Qualitätssignale in einen nachgelagerten Machine-Learning-Workflow ein. Observability hört auf, ein separates Dashboard zu sein, und wird Teil der analytischen Toolchain.

Und da digna vollständig innerhalb Ihrer Umgebung läuft, ändert dies nichts am Datensouveränitätsmodell. Das SDK kommuniziert mit Ihrer Installation, nicht mit unserer.

Docker-Support: digna dort bereitstellen, wo es sinnvoll ist

Release 2026.06 fügt offiziellen Support für Docker-Images hinzu. Installation, Testen, Skalierung und Umgebungsmanagement werden einfacher, und Deployments werden über Entwicklungs-, Test- und Produktionsumgebungen hinweg reproduzierbar.

Praktische Konsequenzen:

• Konsistente Einrichtung in jeder Umgebung, ohne manuelle Installationsschritte

• Einfache Integration mit Kubernetes und anderen Container-Plattformen

• Schnelleres Onboarding für neue Umgebungen und Proof-of-Concept-Installationen

• Die gleiche Plattform über On-Premises-, Private-Cloud- und Hybrid-Infrastrukturen hinweg

Dies ist vor allem in regulierten Branchen von Bedeutung, in denen Bereitstellungskontrolle, Sicherheit und Governance nicht verhandelbar sind. Die Containerisierung bietet Plattform-Teams eine saubere, überprüfbare Möglichkeit, digna innerhalb ihrer eigenen Sicherheitsgrenzen auszuführen.

QueryMode: Wählen Sie, wie Ihre SQL-Abfragen ausgeführt werden

digna führt seine Prüfungen direkt in Ihrer Datenbank-Engine aus. Release 2026.06 gibt Ihnen über die neue QueryMode-Einstellung mit zwei Optionen die Kontrolle darüber, wie diese Abfragen gestaltet sind.

Der Single-Modus berechnet jede Statistik mit einer eigenen, dedizierten SQL-Abfrage. Dies führt zu einer höheren Anzahl von Abfragen, aber zu einem wesentlich geringeren Speicherbedarf pro Abfrage. Es ist die richtige Wahl für sehr große Datenquellen oder für Systeme, bei denen kombinierte Abfragen Gefahr laufen, Spool-Limits zu überschreiten oder den Speicher zu überlasten.

Der Combined-Modus berechnet alle Statistiken innerhalb einer einzigen SQL-Abfrage. Weniger Abfragen, weniger Netzwerk-Overhead und besserer Durchsatz, wenn die Datenquelle problemlos in den Arbeitsspeicher passt. Dies eignet sich für häufige, parallele Ausführungen auf überschaubaren Datenmengen.

Es gibt hier keine universell richtige Antwort, weshalb es sich nun um eine Einstellung handelt. Mit dem QueryMode können Sie die Balance zwischen Performance, Ressourcennutzung und Speichersicherheit pro Datenquelle individuell abstimmen, anstatt überall dieselbe Ausführungsstrategie zu akzeptieren.

Konfigurierbares Vorhersagemodell

Die Erkennung von Data Anomalies in digna basiert auf einem Modell, das das normale Verhalten jeder Zeitreihe lernt und Abweichungen davon markiert. In 2026.06 wird dieses Modell selbst über sieben Parameter konfigurierbar:

• Break Sensitivity (Strukturbruchempfindlichkeit)

• Outlier Sensitivity (Ausreißerempfindlichkeit)

• Memory (Gedächtnis)

• Ridge Strength (Ridge-Stärke)

• Gap Tolerance (Lückentoleranz)

• Outlier Correction (Ausreißerkorrektur)

• Plausible Range Tightness (Enge des plausiblen Bereichs)

Diese befinden sich neben den bestehenden Einstellungen für Empfindlichkeit und Gedächtnis auf dem Toleranzband und adressieren eine andere Art von Problem. Während das Toleranzband steuert, wie breit der akzeptable Bereich ist, steuern diese Parameter, wie die zugrunde liegende Vorhersage überhaupt angepasst wird: wie schnell sie sich an strukturelle Brüche anpasst, wie stark sie die Historie gewichtet und wie sie mit Lücken und Ausreißern umgeht.

Die Standardwerte funktionieren für die große Mehrheit der Zeitreihen gut, und jeder Parameter kann jederzeit auf seinen Standardwert zurückgesetzt werden. Für Zeitreihen, die sich ungewöhnlich verhalten – saisonale Reihen, solche mit bekannten sprunghaften Änderungen oder solche mit lückenhafter Historie – haben Sie nun eine Möglichkeit, das Modell an die Realität anzupassen, anstatt improvisieren zu müssen. Wenn Sie unsicher sind, welchen Parameter Sie anpassen sollen, sprechen Sie uns an; wir helfen Ihnen lieber bei der richtigen Abstimmung, als Sie raten zu lassen.

Ein neu gestaltetes Dashboard

Das Dashboard wurde mit einer modernisierten Benutzeroberfläche und einer klareren Struktur neu aufgebaut. Die Navigation ist direkter, Monitoring-Ergebnisse und Qualitätserkenntnisse lassen sich schneller erfassen, und Warnmeldungen, Statistiken sowie Diagramme sind besser lesbar.

Das Ziel ist einfach: weniger Zeit für das Suchen relevanter Informationen aufwenden, mehr Zeit für das Handeln. Teams, die digna jeden Morgen prüfen, sollten den Unterschied sofort bemerken.

Erweiterter Import und Export für Validierungsregeln

Validierungsregeln repräsentieren echtes institutionelles Wissen. Release 2026.06 macht sie weitaus portabler.

Die Import- und Exportfunktionen wurden erweitert, sodass Regelsätze sauber zwischen Umgebungen und Projekten verschoben werden können. Sie können einen standardisierten Regelsatz in der Entwicklung erstellen und testen, ihn in die Produktion überführen und ihn teamübergreifend wiederverwenden, ohne ihn manuell neu aufbauen zu müssen. In Kombination mit dem SDK bietet dies Governance-Teams einen echten Lebenszyklus für die Validierungslogik: einmal erstellt, versioniert, geprüft und konsistent bereitgestellt.

CLI-Updates

Das Command Line Interface wurde parallel zum Release aktualisiert:

• Unterstützung für die SDK-Integration

• Verbesserte Import- und Export-Workflows

• Allgemeine Stabilitäts- und Performance-Verbesserungen

Wer von diesem Release profitiert

• Data Engineers erhalten Automatisierung, SDK-Zugriff und Pipeline-Integration

• Plattform-Teams erhalten eine vereinfachte, containerisierte Bereitstellung

• Data Governance-Teams erhalten ein portables, wiederverwendbares Management von Validierungsregeln

• Analytics-Teams erhalten eine bessere Benutzerfreundlichkeit und eine klarere Sichtbarkeit der Ergebnisse

• Data Scientists erhalten programmatischen Zugriff auf die Ergebnisse von Profiling und der Erkennung von Data Anomalies

Erste Schritte

Release 2026.06 setzt die Strategie von digna fort, Observability über das traditionelle Monitoring hinaus auf den gesamten Engineering- und Analyse-Workflow auszuweiten. Die modulare Architektur der Plattform umfasst nun digna Data Anomalies, digna Data Analytics, digna Data Validation, digna Timeliness und digna Schema Tracker, die alle innerhalb Ihrer eigenen Infrastruktur laufen.

Bestehende Kunden können das Upgrade über den üblichen Prozess durchführen; Upgrades sind in der Regel in weniger als einer Stunde abgeschlossen. Vollständige Details finden Sie im Changelog zu Release 2026.06, und das Python SDK ist ab sofort verfügbar über 

pip install digna-sdk.

Für eine Demonstration aller Neuerungen in diesem Release sehen Sie sich das Video an:

digna Release 2026.06 auf YouTube

Fragen zum SDK, zum Docker-Deployment oder zur Feinabstimmung des Vorhersagemodells? Kontaktieren Sie uns und wir führen Sie gerne durch den Prozess.

Häufig gestellte Fragen

Was steckt in digna Release 2026.06?

Sechs Neuerungen: das digna Python SDK, offizieller Docker-Support, die neue QueryMode-Einstellung für die SQL-Ausführung, ein konfigurierbares Prognosemodell für die Anomalieerkennung, ein neu gestaltetes Dashboard sowie erweiterter Import und Export für Validierungsregeln. Das CLI wurde parallel aktualisiert.

Was kann das digna Python SDK?

Nach pip install digna-sdk lässt sich das meiste, was Sie sonst in der Oberfläche konfigurieren, in Python ausdrücken: Datenprojekte anlegen und konfigurieren, Inspektionen auslösen, Datensätze und Validierungsregeln im Code verwalten, Tabellen profilieren, Ergebnisse exportieren und digna in Notebooks, Orchestrierung und CI/CD einbinden.

Was ändert die QueryMode-Einstellung?

Wie digna das SQL formt, das in Ihrer Datenbank-Engine läuft. Single Mode berechnet jede Statistik mit einer eigenen Abfrage, Combined Mode berechnet alle Statistiken in einer einzigen Abfrage. Es gibt keine universell richtige Antwort, genau deshalb ist es nun eine Einstellung.

Welche Parameter der Anomalieerkennung sind konfigurierbar?

Sieben: Break Sensitivity, Outlier Sensitivity, Memory, Ridge Strength, Gap Tolerance, Outlier Correction und Plausible Range Tightness. Sie ergänzen die bestehenden Einstellungen Sensitivity und Memory am Toleranzband, und jeder Parameter lässt sich jederzeit auf den Standard zurücksetzen.

Ändert ein Docker-Deployment, wo die Daten liegen?

Nein. digna läuft weiterhin vollständig in Ihrer Umgebung, das Modell der Datensouveränität bleibt unverändert. Docker bringt konsistentes Setup über alle Umgebungen, unkomplizierte Kubernetes-Integration und schnelleres Onboarding, und bestehende Kundinnen schließen ein Upgrade meist in unter einer Stunde ab.