VECTORIO
DE
EnglishDeutsch

„Für Operations-Teams im Handel, die in Sekunden entscheiden, aber in Stunden berichten“

Bestandsanalysen für eine ganze Stadt auf einem einzigen Rechner.

Bestands- und Dispositionsanalysen für eine ganze Stadt auf einer Maschine – mit demselben Code wie im Großbetrieb.

Pilot startenSo läuft es
Das Problem
  • Der Bestand meldet „verfügbar“, der Kommissionierer findet ein leeres Regal, die Bestellung wird storniert.
  • Die Preise werden über Nacht berechnet, aber Wettbewerber passen ihre tagsüber an.
  • Fällt die Verbindung aus, ist jeder Dark Store eine Insel.
Mit PROTOR
  • Bestands- und Dispositionsanalysen für eine ganze Stadt auf einer Maschine – mit demselben Code wie im Großbetrieb.
  • Einen Tag erneut abspielen, um zu erklären, wie ein Preis oder eine Zuordnung zustande kam.
  • Filiale oder Hub laufen auf einem lokalen Rechner und synchronisieren, sobald eine Verbindung besteht.

Von heute zum ersten Ergebnis.

Was Sie heute tun

eine Streaming-Plattform mit nächtlichen Batch-Jobs

Die Preise werden über Nacht berechnet, während Wettbewerber tagsüber umpreisen, und ein Bestand, der „verfügbar“ zeigt, trifft auf ein leeres Regal.

Mit PROTOR

Streaming und Batch in einer Engine: 103 Mio. Zeilen durch einen Workflow mit 21 Stufen in 24,4 s, und jeder Tag lässt sich wiederholen, um einen Preis zu erklären.

Ihr erster Schritt

Spielen Sie die Ereignisse von gestern durch einen Workflow neben dem laufenden Preis-Job und vergleichen Sie die Preise.

eine Woche Pilot
So läuft es

100 Millionen Ereignisse – bereinigt und verlässlich. Schritt für Schritt.

Ein Tag Streaming-Ereignisse wird am Eingang geprüft, pseudonymisiert, über drei Tage von Dubletten bereinigt, angereichert und je Nutzer verdichtet – fehlerhafte Zeilen landen in einer Dead-Letter-Tabelle und bleiben aus den Zahlen heraus.

PROTOR · 100 Millionen Ereignisse – bereinigt und verlässlichläuft
Streaming-EreignisseCSV-EingangSitzungskontextCSV-EingangTiteldimensionCSV-EingangSchema-AngleichungSchema angleichenZeitstempelFelder berechnenPseudonymisierungSchlüsselerzeugungEreignis-ID erzeugenSchlüsselerzeugungDubletten entfernenDublettenentfernungSummen vorbereitenFelder berechnenSitzungsdaten ergänzenAbgleichTiteldaten ergänzenAbgleichTagessumme je NutzerAggregationAbgeleitete SpaltenFelder berechnenQualitätsprüfungSync.QualityGateTagessummen-AusgabeCSV-AusgabeAusgabeverzweigungVerzweigungGeprüfte EreignisseCSV-AusgabeQualitätsstatistikFensterfunktionenQualitätskennzahlenCSV-AusgabeDLQ-FehlerbehandlungDLQ-BehandlungDead-Letter-AusgabeCSV-Ausgabe
  1. Streaming-Ereignisse · Sitzungskontext · Titeldimension · Schema-AngleichungCSV-Eingang · CSV-Eingang · CSV-Eingang · Schema angleichen
  2. Zeitstempel · PseudonymisierungFelder berechnen · Schlüsselerzeugung
  3. Ereignis-ID erzeugen · Dubletten entfernenSchlüsselerzeugung · Dublettenentfernung
  4. Summen vorbereiten · Sitzungsdaten ergänzen · Titeldaten ergänzen · Tagessumme je NutzerFelder berechnen · Abgleich · Abgleich · Aggregation
  5. Abgeleitete Spalten · Qualitätsprüfung · Tagessummen-AusgabeFelder berechnen · Sync.QualityGate · CSV-Ausgabe
  6. Ausgabeverzweigung · Geprüfte Ereignisse · Qualitätsstatistik · Qualitätskennzahlen · DLQ-Fehlerbehandlung · Dead-Letter-AusgabeVerzweigung · CSV-Ausgabe · Fensterfunktionen · CSV-Ausgabe · DLQ-Behandlung · CSV-Ausgabe
Knoten
event-source → CSV.Subscriber
session-context-source → CSV.Subscriber
tracks-dim-source → CSV.Subscriber
schema-conform → ETL.SchemaConform
timestamp-normalization → ETL.Compute
pii-boundary → ETL.KeyGen
event-key-gen → ETL.KeyGen
dedup → ETL.Dedup
rollup-prep → ETL.Compute
session-enrichment → ETL.Lookup
track-enrichment → ETL.Lookup
derived-columns → ETL.Compute
quality-gate → Sync.QualityGate
output-fork → ETL.Fork
trusted-output → CSV.Publisher
daily-rollup → ETL.Rollup
rollup-output → CSV.Publisher
quality-stats → ETL.Window
quality-output → CSV.Publisher
dlq-handler → ETL.DLQHandler
dlq-output → CSV.Publisher
ausgelegt für 100 Mio. EreignisseNutzer-IDs am Eingang pseudonymisiertDubletten über 3 Tage entferntDead-Letter-Weg für fehlerhafte Zeilen
  1. Streaming-EreignisseLiest die Datei mit 100 Mio. Hörereignissen in Batches zu 131.072 Zeilen bei aktivem Prüfpfad.
  2. Schema-AngleichungErzwingt Pflichtfelder und sichere Typen, damit fehlerhafte Zeilen schon am Eingang auffallen.
  3. ZeitstempelWandelt den Zeitstempel-Text in Epoch-Millisekunden für die Zeitlogik um.
  4. PseudonymisierungErsetzt die Nutzer-ID durch ein Pseudonym (HMAC-SHA256 mit Schlüssel); die Roh-ID bleibt in diesem Schritt.
  5. Dubletten entfernenEntfernt doppelte Ereignisse mit einem Bloom-Filter über ein gleitendes 3-Tage-Fenster (Kapazität 120 Mio., 0,1 % Fehlalarme).
  6. Sitzungsdaten ergänzenErgänzt über die Sitzungs-ID Nutzerstufe, Abonnement und Gerätetyp.
  7. Tagessumme je NutzerSummiert Wiedergaben je Nutzer und Tag; schließt Tage über ein Ereigniszeit-Watermark mit 72 h erlaubter Verspätung.
  8. QualitätsprüfungPrüft jede Zeile gegen Regeln und leitet fehlerhafte Zeilen in eine eigene Ausgabe, wo sie vollständig erhalten bleiben.
  9. Tagessummen-AusgabeSchreibt die Tagessummen je Nutzer.

Ein echter Workflow aus unserer End-to-End-Testsuite; die Designer-Ansicht ist illustriert.

Das erhalten Sie. Ab dem ersten Pilotprojekt.

Bestands- und Dispositionsanalysen für eine ganze Stadt auf einer Maschine – mit demselben Code wie im Großbetrieb.

Einen Tag erneut abspielen, um zu erklären, wie ein Preis oder eine Zuordnung zustande kam.

Filiale oder Hub laufen auf einem lokalen Rechner und synchronisieren, sobald eine Verbindung besteht.

Warum Ihre Werkzeuge an Grenzen stoßen.

×

Cloud-Streaming-Stacks sind schon bei mittlerem Datenvolumen teuer und komplex.

×

Filialspezifische Sonderfälle (offline, instabile Verbindungen) behandeln zentrale Warehouses nicht.

×

Batch-Werkzeuge sind zu langsam für Entscheidungen im Minutentakt.

Was den Druck erzeugt
  • Margendruck im Quick Commerce
  • Kosten durch Fehlbestände und Stornierungen
  • Tempo bei wettbewerbsbedingten Preisanpassungen
  • Lastspitzen (Aktionstage), unter denen Pipelines zusammenbrechen

Ihr Pilotprojekt. Drei Schritte.

1

Ihre Daten und Ihr Ziel

Sagen Sie uns, welche Daten Sie haben, wo sie liegen und welches Ergebnis Sie brauchen.

2

Ein klar abgegrenzter Pilot

Auf Ihren Daten und Ihrer Hardware, mit vorab festgehaltenem Erfolgsmaßstab.

3

Eine klare Entscheidung

Sie sehen das Ergebnis an diesem Maßstab – und behalten jeden Workflow und jeden Datensatz.

Verwandte Rollen in Kosten & Reproduzierbarkeit.

Data- und Analytics-Engineering-Teams im Kampf mit Cloud-Warehouse-Rechnungen

Schluss mit Cluster-Kosten für Abfragen, die auf ein Notebook passen.

Risikoanalytik für Finanzen & Handel

Risikokennzahlen, reproduzierbar auf Knopfdruck.

Systemintegratoren und Beratungen, die Datenplattformen für Kunden bauen

Eine Engine zum Liefern, Prüfen und Übergeben.

ISVs und SaaS-Anbieter, die eine eingebettete Analytik-/ETL-Engine brauchen

Eingebaut in Ihr Produkt.

KI/ML-Teams

Reproduzierbare Datenaufbereitung im Tempo des Arbeitsspeichers.

Versicherungsanalytik

Reproduzierbare Rückstellungen, berechnet in Minuten.

Mittelständische Unternehmen ohne Datenteam

Tabellenketten ersetzen, Daten behalten.

Beta · Design-Partner gesucht

Zeigen Sie uns Ihr schwierigstes Datenproblem. Wir lösen es gemeinsam.

Ein kurzes Pilotprojekt mit Ihren Daten auf Ihrer Hardware. Was Erfolg bedeutet, legen wir vorher gemeinsam fest.

Pilot startenZu den Zahlen