Cube

Was ist Cube?

Cube ist eine agentische Analyseplattform, die auf einer universellen semantischen Schicht aufbaut, welche Geschäftslogik und Datendefinitionen im gesamten Datenökosystem einer Organisation zentralisiert. Sie ermöglicht es Teams, ihre Daten einmal in einem deklarativen Format zu modellieren und sie konsistent über verschiedene APIs an jedes Analysetool, Dashboard oder jede Anwendung zu liefern. Die Plattform betont vier Kernpfeiler: Datenmodellierung, Zugriffskontrolle, Caching und Voraggregation sowie API-Integration. Durch die Konsolidierung von Metrikdefinitionen in eine einzige Quelle der Wahrheit eliminiert Cube die Notwendigkeit, doppelte Abfragen über verschiedene Tools hinweg zu schreiben und gewährleistet eine konsistente Dateninterpretation organisationsweit. Die Plattform integriert sich nahtlos mit Cloud Data Warehouses, unterstützt Echtzeit- und Batch-Datenverarbeitung und beinhaltet eine AI API für natürlichsprachliche Abfragen mit LLMs.

Hauptfunktionen

• Universelle Semantische Schicht

  Zentralisierte Datenmodellierungsschicht, die Metriken und Geschäftslogik einmalig im deklarativen YAML-Format definiert und eine konsistente Interpretation in allen nachgelagerten Analysetools und Anwendungen gewährleistet.

• Erweiterte Zwischenspeicherung und Voraggregation

  In-Memory-Caching-System und automatisierte Voraggregationsfunktionen, die die Abfrageleistung beschleunigen, die Datenbankbelastung um bis zu 50% reduzieren und die Rechenkosten erheblich senken.

• Multi-API-Integration

  Umfassende API-Suite einschließlich REST, GraphQL, SQL, Orchestrierung und AI APIs, die eine nahtlose Datenbereitstellung an BI-Tools, eingebettete Analysen, LLMs und benutzerdefinierte Anwendungen ermöglichen.

• Granulare Zugriffskontrolle

  Zeilen- und spaltenbasierte Datensicherheitskontrollen, die sicherstellen, dass Benutzer nur auf autorisierte Daten zugreifen können, während zentrale Governance und Compliance gewährleistet bleiben.

• Entwicklerfreundlicher Workflow

  Software-Engineering-Best-Practices einschließlich Git-Versionierung, CI/CD-Pipelines, isolierte Entwicklungsumgebungen, Code-Review-Prozesse und automatisierte Tests für Datenmodelle.

• Echtzeit- und Historische Analysen

  Einheitliche Abfrageschnittstelle, die Streaming- und Batch-Datenquellen nahtlos zusammenführt und die Analyse von Echtzeit- und historischen Daten innerhalb einer einzigen Abfrage ermöglicht.

Anwendungsfälle

• Eingebettete Analysen : SaaS-Unternehmen können kundenorientierte Dashboards und Reporting-Funktionen mit konsistenten Metriken, schneller Abfrageleistung und sicherem Multi-Tenant-Datenzugriff erstellen.
• Enterprise BI-Standardisierung : Große Organisationen können Metrik-Diskrepanzen zwischen Abteilungen eliminieren, indem sie eine einzige Quelle der Wahrheit für Geschäftsdefinitionen etablieren, die von allen BI-Tools verwendet wird.
• Agentische AI-Anwendungen : Entwicklungsteams können LLMs über Cubes AI API mit strukturierten Daten integrieren und natürlichsprachliche Abfragen ermöglichen, die genaue, governance-konforme Ergebnisse liefern.
• Datenengineering-Effizienz : Datenteams können repetitive SQL-Erstellung und Wartungsaufwand reduzieren, indem sie Metriken einmal definieren und sie in Hunderten von Dashboards und Berichten wiederverwenden.
• Cloud Data Warehouse-Optimierung : Organisationen können Cloud-Rechenkosten drastisch reduzieren, indem sie Voraggregationen nutzen, um teure Warehouse-Abfragen zu minimieren und gleichzeitig Antwortzeiten unter einer Sekunde zu erhalten.

Häufig gestellte Fragen