digna Release 2026.11: Agentic, Data Reconciliation und die Engine
|
4
min. Lesezeit
Die Fragen, für deren Beantwortung ein Datenteam am längsten braucht, sind selten die schwierigsten. Stimmt der Data Mart noch mit den Tabellen überein, aus denen er gebaut wurde? Existiert jeder Schlüssel noch in der anderen Datenbank, auf die er verweist? Welches Produkt hat sich im letzten Monat am stärksten verändert? Meist bedeutet jede dieser Fragen eine Abfrage, die jemand schreiben muss.
Release 2026.11 bringt drei Neuerungen in digna, die Data Quality & Observability Plattform, die genau auf diese Fragen zielen: digna Agentic, digna Data Reconciliation und die digna Engine. Die 75-sekündige Übersicht zeigt alle drei in den Demo-Projekten von digna (fiktive Daten, echtes Produkt), und die Release Notes listen jedes Detail auf.
digna Agentic: digna direkt aus Ihrem Assistenten fragen
Mit digna Agentic arbeiten Claude und andere KI-Agenten über den digna MCP Server, der das Model Context Protocol spricht, mit digna. Ein Agent kann Projekte, Datenquellen, Regeln, Inspektionspläne und Abonnements verwalten, Inspektionsstatus bis hinunter zur einzelnen Prüfung lesen und einen Alarm von der Datenquelle bis zum Segment und zum exakten Wert dahinter verfolgen.
Zusätzlich beschreiben Sie in einfacher Sprache, was jede Datenquelle und jedes Attribut enthält, damit der Agent weiß, was er liest. Danach kann er geschäftliche Fragen aus dem beantworten, was digna bereits überwacht. In der Pharma-Demo, einem fiktiven Generikahersteller, lautet die Antwort auf die Frage "Welches Produkt hat sich am stärksten verändert?": Amlodipin 5 mg in Tschechien, dessen 28-Tage-Absatz von 1.376 auf 411 Packungen fiel, ein Rückgang um 70 % in vier Wochen, beginnend am 1. Juni und nur in Tschechien. Kann die Konfiguration die Frage noch nicht beantworten, schlägt der Agent unter Umständen eine Änderung vor, etwa das Hinzufügen eines Datasets. Das Video zu digna Agentic zeigt den Dialog.
digna Data Reconciliation: Stimmt das Ziel noch mit seinen Quellen überein?
Dieses neue Modul vergleicht eine Zieldatenquelle mit den Quellen, aus denen sie aufgebaut wurde, und alarmiert Sie, sobald sie nicht mehr übereinstimmen. Die Regeln konfigurieren Sie im Data Reconciliation Tab des Ziels, und jede Datenquelle im Projekt, für die der Abgleich aktiviert ist, kann als Quelle dienen.
Eine exakte Regel funktioniert wie eine Datenqualitätsregel für eine Quelle und ein Ziel: Sie ordnen Prüfungen nach Statistik und Attribut einander zu, etwa Zeilenanzahlen oder Betragssummen, und legen eine absolute oder relative Toleranz fest. Die Zeitleiste der Regel zeigt die tägliche Differenz im Vergleich dazu. In der Retail-Demo wies ein tägliches Verkaufsaggregat am 26. August einen Bruttoumsatz von 51.747 € aus, während sich seine eigenen Verkaufspositionen auf 66.205 € summierten: 21,8 % zu wenig, bei einer Toleranz von ± 0,01 %.
Eine KI-Regel kombiniert Prüfungen aus mehreren Quellen mit einem Ziel, ohne dass Joins, Filter oder Aggregationen definiert werden müssen. Ein Modell lernt aus der Historie, wie das Ziel seinen Quellen folgt, und alarmiert, wenn das Ziel außerhalb des Bandes der bisherigen Fehler der Regel liegt. Jede Regel hat die Einstellungen Sensitivity, Memory und Model Complexity. In der Demo enthielt ein Order Mart, der aus zehn Quelltabellen gebaut wird, am 6. Oktober 1.742 Bestellungen, während seine Quellen etwa 2.771 erwarten ließen. Jede Abgleichsprüfung erscheint im Dashboard, fließt in den Inspektionsstatus ein und löst Benachrichtigungen aus. Das Video zu digna Data Reconciliation behandelt beide Regeltypen.
Die digna Engine: Wählen Sie, wo das Profiling läuft
Jede Datenbankverbindung hat jetzt einen Profiling-Ort, standardmäßig Source Database oder die digna Engine, und zwar für jede unterstützte Quelltechnologie. Das Release bringt außerdem verbindungsübergreifende Prüfungen der referenziellen Integrität in digna Data Validation, sodass eine Prüfung zwei Verbindungen und Technologien umfassen kann, zum Beispiel Oracle und PostgreSQL, Teradata und Snowflake oder Databricks und SQL Server. Bleibt das Profiling in der Quelldatenbank, werden nur die Schlüsselspalten an die Engine exportiert, und das Dashboard zeigt an, wenn eine Prüfung über zwei Verbindungen läuft. Das Video zur digna Engine zeigt die Einstellung.
Kleinere Neuerungen beim Profiling
Mit Query-Attributen definieren Sie eine Spalte als SQL-Ausdruck und lassen sie wie jede andere profilieren. Es gibt eine neue Spaltenkategorie Date, und Sie können ein einzelnes Attribut bei Bedarf gegen den Snapshot eines Datums profilieren.
Wer profitiert
Data Engineers können ETL-Ergebnisse validieren, Finance- und Controlling-Teams können Standardabstimmungen als exakte Regeln ausführen, Governance-Teams können die referenzielle Integrität technologieübergreifend prüfen, und Fachanwender können digna über einen Agenten befragen. Alles läuft on-premises oder in Ihrer Private Cloud, sodass Ihre Daten Ihre Infrastruktur nie verlassen. Um alles im Zusammenhang zu sehen, machen Sie die digna Produkttour.
Einen genaueren Blick auf das neue Modul, einschließlich beider Regeltypen und der Beispiele aus Retail und Order Mart, bietet der Beitrag wie digna Data Reconciliation prüft, ob Ziele noch mit ihren Quellen übereinstimmen.
Häufig gestellte Fragen
Was ist neu in digna Release 2026.11?
digna Agentic, mit dem KI-Agenten über den digna MCP Server mit digna arbeiten, das neue Modul digna Data Reconciliation und die digna Engine mit einem Profiling-Ort pro Verbindung und Prüfungen der referenziellen Integrität über Verbindungen hinweg. Das Profiling erhält außerdem Query-Attribute, eine Spaltenkategorie Date und Profiling auf Abruf.
Welche KI-Agenten können mit digna arbeiten?
Claude und andere KI-Agenten, über den digna MCP Server und das Model Context Protocol. Sie können die Konfiguration verwalten, Ergebnisse bis zur einzelnen Prüfung lesen, Alarme untersuchen und geschäftliche Fragen beantworten.
Was ist der Unterschied zwischen exakten Regeln und KI-Regeln in digna Data Reconciliation?
Eine exakte Regel ordnet eine Prüfung auf einer Quelle einer Prüfung auf einem Ziel zu und vergleicht beide anhand einer absoluten oder relativen Toleranz. Eine KI-Regel kombiniert Prüfungen aus mehreren Quellen, lernt, wie das Ziel ihnen folgt, und alarmiert, wenn es außerhalb des Bandes der bisherigen Fehler der Regel liegt.
Kann digna die referenzielle Integrität zwischen zwei verschiedenen Datenbanken prüfen?
Ja. Prüfungen der referenziellen Integrität in digna Data Validation können zwei Verbindungen und Technologien umfassen, etwa Teradata und Snowflake.
