Podcasts about data warehouses

Grégoire Hornung est Head of Data chez Qover, une pépite belge de l'InsurTech qui a levé 70 millions d'euros et des beaux clients tels que Revolut, Qonto ou Mastercard.On aborde :

Wie kommen wir eigentlich an all die Daten ran, die wir für unser Marketing so dringend brauchen? Supermetrics, Fivetran, Airbyte – klingt nach der eierlegenden Wollmilchsau fürs Reporting. Ist es aber nicht immer. In dieser Data-Backstage-Folge nehmen Philipp und Tim Ebner ETL-Tools auseinander: warum sie super wackelig werden, was Rohdaten mit Kostenkontrolle zu tun haben, und ab wann sich der Sprung zur eigenen, codebasierten Lösung wirklich lohnt. Und weil sie schon dabei waren: Kann das nicht auch einfach eine KI übernehmen? Vibe Coding statt Data Engineering? Spoiler – jein.

Хватит уже отрицать тот факт, что все давно запутались в том как хранить и обрабатывать данные. Реляционные базы, No-SQL системы, MPP, Data Lake, Data Fabric, Data Warehouse, Data Vault, Data Lakehouse, Data Mesh... Такое ощущение, что мы опять несёмся куда-то не разбираясь куда и зачем. Поэтому давайте разбираться в том, что нам актуально в 2026 году. Кто: - Александр Филатов. 8 лет в Авито делал так, чтобы хранилище работало пока оно росло с 200тб до 2пб. Руководит разработкой в Тенгри - Голов Николай. Отвечает за продуктовые аспекты в Тенгри Что обсудим: В чём разница между OLAP и OLTP - почему не считать на реплике/не прикрутить Clickhouse? Зачем нам понимать профиль запросов, балланс чтения/записи - чем отличаются в бэкенде и в аналитике? Что нужно аналитику с точки зрения dba/инженера? И что он на самом деле просит? AI native аналитика - уже с нами? Что осталось болтовней, что реально заработало? Как должна выглядеть платформа, где основные пользователи - AI-агенты? Оставайтесь на связи Пишите нам: info@linkmeup.ru Канал в телеграме: t.me/linkmeup_podcast Канал на youtube: youtube.com/c/linkmeup-podcast Подкаст доступен в iTunes, Google Подкастах, Яндекс Музыке, Castbox Сообщество в вк: vk.com/linkmeup Группа в фб: www.facebook.com/linkmeup.sdsm Добавить RSS в подкаст-плеер. Пообщаться в общем чате в тг: https://t.me/linkmeup_chat Поддержите проект:

Хватит уже отрицать тот факт, что все давно запутались в том как хранить и обрабатывать данные. Реляционные базы, No-SQL системы, MPP, Data Lake, Data Fabric, Data Warehouse, Data Vault, Data Lakehouse, Data Mesh... Такое ощущение, что мы опять несёмся куда-то не разбираясь куда и зачем. Поэтому давайте разбираться в том, что нам актуально в 2026 году. Кто: - Александр Филатов. 8 лет в Авито делал так, чтобы хранилище работало пока оно росло с 200тб до 2пб. Руководит разработкой в Тенгри - Голов Николай. Отвечает за продуктовые аспекты в Тенгри Что обсудим: В чём разница между OLAP и OLTP - почему не считать на реплике/не прикрутить Clickhouse? Зачем нам понимать профиль запросов, балланс чтения/записи - чем отличаются в бэкенде и в аналитике? Что нужно аналитику с точки зрения dba/инженера? И что он на самом деле просит? AI native аналитика - уже с нами? Что осталось болтовней, что реально заработало? Как должна выглядеть платформа, где основные пользователи - AI-агенты? Оставайтесь на связи Пишите нам: info@linkmeup.ru Канал в телеграме: t.me/linkmeup_podcast Канал на youtube: youtube.com/c/linkmeup-podcast Подкаст доступен в iTunes, Google Подкастах, Яндекс Музыке, Castbox Сообщество в вк: vk.com/linkmeup Группа в фб: www.facebook.com/linkmeup.sdsm Добавить RSS в подкаст-плеер. Пообщаться в общем чате в тг: https://t.me/linkmeup_chat Поддержите проект:

Dans ce nouvel épisode "Build in Public", je fais un état des lieux complet des grands projets DataGen du moment : ce qui marche, ce qu'on lance, et les premiers insights qui en ressortent.On aborde :

Ein Patient, mehrere Kliniken, in jedem Haus ein anderes klinisches Informationssystem: Wie führt ein Klinikkonzern seine Patientendaten überhaupt zusammen? Und warum ist genau das die Voraussetzung dafür, dass KI im Krankenhaus mehr wird als ein eingekauftes Tool? Die Sana Kliniken sind über Zukäufe gewachsen. Jedes übernommene Krankenhaus hat seine eigene IT mitgebracht, abgekapselt wie eine kleine Insel. Funktional sieht es überall gleich aus: ein klinisches Informationssystem (KIS) als Primärsystem, dazu Laborsystem, Radiologiesystem und Spezialsysteme für einzelne Funktionsbereiche, vom Herzkatheter bis zur Gastroenterologie. Nur sind die Systeme in jedem Haus andere. Dazu kommen sehr unterschiedliche Häuser: Maximalversorger mit 800 bis 900 Betten neben spezialisierten Herzzentren und kleinen Grund- und Regelversorgern. Das Ergebnis nennt Gunnar H. eine extreme Heterogenität, und zwar nicht nur bei den Daten, sondern zuerst bei Systemen und Prozessen. Gunnar H. ist Chief Data Officer der Sana Kliniken AG. Er kommt aus der Volkswirtschaftslehre, hat Wirtschaftsinformatik draufgesattelt, Data Warehouses in Versicherung und Telekommunikation gebaut, danach bei ProSiebenSat.1 Media, und ist seit fast 17 Jahren im Gesundheitswesen. Sein Data Office sitzt heute direkt beim Vorstand, im selben Ressort wie die Konzern-IT. Im Gespräch mit Jonas Rashedi geht es um die Bausteine, mit denen ein solcher Konzern das Datenproblem angeht: das Clinical Data Repository als zentrale, standardisierte klinische Datengrundlage. Den Master Patient Index, mit dem sichtbar wird, dass derselbe Patient in zwei Kliniken war, davor in einer ambulanten Praxis und danach in der Nachsorge. Die Schnittstellenstandards HL7 und FHIR, die es praktisch nur im Gesundheitswesen gibt und an denen deshalb niemand vorbeikommt. Und vorkonfigurierte klinische Datenmodelle statt selbstgebauter Data Warehouses, unter anderem aus der 2015 gegründeten Medizininformatik-Initiative und ihrem Kerndatensatz. Zwei Punkte machen die Folge sperriger als die übliche KI-Erzählung. Erstens Datenqualität: Ärztinnen und Ärzte sind nicht da, um zu dokumentieren, damit Data Scientists später schöne Auswertungen bauen. Wenn strukturierte Eingabe nicht ergonomisch ist, entsteht sie auch nicht. Zweitens die Reihenfolge. Sana hat eine KI-Community gegründet und eine KI-Strategie etabliert, aber der Satz, der hängen bleibt, ist nüchtern: Ohne Daten keine KI. Erst die Datengrundlage, dann die Tools. Außerdem: warum Data Governance nur funktioniert, wenn man sie über den Nutzen kuratierter Daten verkauft statt über Regeln. Wann es überhaupt sinnvoll ist, Data aus der IT herauszulösen. Wo KI in der Codier-Optimierung und bei der DRG ansetzen könnte, weil dort heute noch händisch gearbeitet wird. Und welchen Rat Gunnar einem Data Engineer gibt, der morgen anfängt: einen Technologie-Stack wirklich beherrschen statt drei halb, und danach die Daten verstehen. Zum Schluss die beiden Standardfragen. Privat wartet Gunnar darauf, dass auch die privaten Krankenversicherer eine elektronische Patientenakte anbieten. Und als Filmtitel für sein Data-Game wählt er Der Marsianer: ein Riesenproblem, das man in kleinen, datenbasierten Schritten löst, mit dem großen Ganzen im Blick. Teil 2 von 2. In Teil 1 spricht Jonas Rashedi mit der Chief Transformation Officerin der Sana Kliniken über die Transformationsperspektive. Anzeige: Quest Software, Trusted Data Platform, quest.com/mydata

Marion Azoulai est Staff Data Scientist chez Astronomer, l'éditeur d'Astro, la plateforme managée d'Airflow qui est aussi l'un des principaux contributeurs de la solution open source.Créé en 2018, Astronomer a levé plus de 370 millions de dollars et accompagne des centaines d'organisations dans le monde, parmi lesquelles la Société Générale, Booking.com, Autodesk ou encore WeWork.Marion nous raconte comment ils ont lancé l'équipe Data & IA et comment ils ont construit leur stack autour d'Airflow.On aborde :

Habt ihr auch manchmal das Gefühl, dass sich der aktuelle Formfaktor von KI noch ein bisschen so anfühlt wie „Kutschen mit Motor“? Dann geht es euch wie dem Berliner KI-Experten und Pandata-Gründer Marco Szeidenleder – und er hat sich deshalb gefragt: Wie sieht das Arbeiten der Zukunft aus, wenn wir KI nicht mehr nur als nettes Add-on in bestehende Tools klatschen, sondern Software von Grund auf AI-first denken? Also hat er PandaOS gegründet und berichtet im Gespräch mit Christoph, wie die Desktop-Anwendung E-Mails, Browser, Coding-Tools und lokale Datenbanken nativ miteinander verknüpft – und wie sie es schafft, dass US-Sprachmodelle Analysen auf Unternehmensdaten fahren können, ohne jemals die echten sensiblen Daten zu Gesicht zu bekommen. Außerdem verrät er, warum ein Data Warehouse eine „Liability“ sein kann und mit welcher Kombination aus Cloud-Datenbank, DBT und Visualisierungstool Unternehmen die Hoheit über ihre Daten behalten.

Die Erwartungen von Private Equity an Künstliche Intelligenz sind hoch, der tatsächliche Einsatz bei den Portfoliounternehmen bleibt aber noch weit dahinter zurück. Erste Anwendungen existieren zwar bereits, doch viele Unternehmen machen gerade „die gleichen Fehler wie vor 20 Jahren“, konstatiert Sascha Haggenmüller, Mitgründer von Radial Consulting: „Sie schaffen Silo-Softwarelösungen an, nur um überhaupt mit KI zu arbeiten.“Die Gefahr: Unternehmen investieren Zeit und Geld in neue Lösungen und Systeme, die am Ende nicht miteinander kommunizieren können. Im Gespräch mit FINANCE TV berichtet Haggenmüller, wie es besser geht.Das erwartet Sie in diesem Talk:Warum Silo-Softwarelösungen mehr Schaden anrichten als Nutzen bringenWarum ein zentrales Data Warehouse die Grundvoraussetzung dafür ist, dass Künstliche Intelligenz belastbare Ergebnisse liefertWas Private-Equity-Investoren riskieren, wenn sie sich nicht mit Künstlicher Intelligenz auseinandersetzenWie AI-Readiness und eine saubere Datenbasis die Attraktivität von Beteiligungen verdoppeln könnenDie Gesprächsteilnehmer:Host: Olivia Harder (FINANCE Magazin)Gast: Sascha Haggenmüller (Co-Founder und Managing Director, Radial Consulting)Hinweis: Dieser FINANCE TV-Talk entstand in Kooperation mit Radial Consulting._________________________________________Bei FINANCE TV ist die Finanzwelt im Gespräch! Jede Woche erwarten Sie hier exklusive Interviews mit CFOs, führenden Bankern und Experten aus Corporate Finance. Wir unterhalten uns über alles, was Finanzentscheider wissen müssen: von M&A und Finanzierung bis hin zu Private Equity, Wirtschaftsprüfung, Karriere, Gehalt und aktuellen Finanzskandalen.Kompakt, direkt und auf den Punkt!Mehr Infos gibt es hier: https://www.finance-magazin.de/tv/

Daniel Crook, founder of School Harbor and co-founder of AEG Systems, joins Dr. Michael Conner for a direct, infrastructure-first conversation about what K–12 districts are getting wrong about AI adoption.Daniel has spent years working inside the systems that districts rely on to manage data, make decisions, and integrate technology at scale. His assessment is clear: the AI problem in education isn't a platform problem, it's a foundation problem. Too many districts are evaluating AI tools before they've built the data infrastructure that would allow those tools to function effectively.In this episode, Daniel walks through why the data warehouse is the non-negotiable starting point, what interoperability actually requires in practice, not in theory, and the three criteria every district leader should apply before selecting or expanding any AI platform. He also introduces the concept of AI sobriety: an implementation philosophy that grounds strategy in the technology's current capabilities rather than its projected future state.The conversation also touches on the Netflix analogy for understanding where edtech sits in the broader AI development cycle, and why the districts building administrative intelligence now will have a significant structural advantage over those still chasing student-facing tool count.A grounded, no-hype episode for superintendents, CTOs, instructional technology leads, and anyone responsible for AI strategy in K–12 education.Episode 127 | Voices for Excellence

Schema-First oder Schema-on-Read? Zentrale oder dezentrale Datenhaltung? In dieser Folge zeichnet Rainer Jaspert, Data-Architekt und Senior Consultant bei INNOQ, gemeinsam mit Host Sven Johann die Entwicklungslinie von Data Warehouse über Data Lake und Lakehouse bis zu Data Mesh und Data Fabric nach und macht greifbar, welches wiederkehrende Problem jeden dieser Schritte ausgelöst hat.

Ronald, Marco en Jelle zijn terug met een aflevering over criminelen, Cloudflare, consultants en piepers. Dave Maasland verkoopt ESET Nederland aan het Slowaakse moederbedrijf ESET, Ronald duikt in het Follow the Money-interview met TIB-voorzitter Annemieke Zwanenveld over de nieuwe Wiv, toetsing, CTIVD/TIB-samenvoeging, witte jassen en Palantir. Daarna Jelle's human-interest ransomwareverhaal: The Gentlemen RaaS werd zelf gehackt via de hostinglaag achter hun Rocket.Chat, waardoor Check Point kon meekijken in interne chats, payouts, AI-assisted coding en het kantoortje achter ransomware. Marco sluit af met Google Threat Intelligence over Chinese phishing-as-a-service: betere lokalisatie, RCS/iMessage en AI als contextversneller. Daarna het hoofdverhaal: Cloudflare heeft via Anthropic's Project Glasswing Mythos op meer dan 50 repositories losgelaten. Marco legt uit waarom dat niet neerkomt op "druk op knop, vind zero-days", maar op exploit-chain construction, proof generation, signal-to-noise en vooral: een hele vulnerability-research-harness met recon, hunt, validate, gapfill, dedupe, trace en report. Geen magische silver bullet, wel een duidelijke versnelling voor wie de workflow eromheen bouwt. Jelle pakt vervolgens McKinsey Lilli en BCG X erbij. CodeWall liet zien hoe interne AI-platforms zelf attack surface worden: publieke API-documentatie, endpoints zonder authenticatie, SQL-injectie, IDOR, miljoenen chats en files, system prompts, workspaces, modelconfiguraties en complete datawarehouses. Het echte verhaal: organisaties stoppen hun kennislaag, documenten, prompts en besluitvorming steeds meer in platforms. Wie daarin zit, zit bijna in het geheugen van de organisatie. Ronald en Marco sluiten af met het Mossad-pieperverhaal. Naar aanleiding van een nieuw Hebreeuws boek en een interview in The Jerusalem Post lopen ze door hoe de Hezbollah-pagers en walkie-talkies als supply-chain-operatie zouden zijn opgebouwd: techniek, infiltratie, Gold Apollo, BAC Consulting, Iraanse argwaan en de spanning tussen "ongelooflijk knap" en "hier zijn mensen door gestorven". *Bronnen* - Tweakers, "Slowaakse ESET koopt Nederlandse ESET": https://tweakers.net/nieuws/248036/slowaakse-eset-koopt-nederlandse-eset.html - ESET press release: https://www.eset.com/us/about/newsroom/company/eset-market-expansion-europe-asia/ - Follow the Money, "Geheime diensten gebruiken onafhankelijke experts om publiek debat te sturen": https://www.ftm.nl/artikelen/geheime-diensten-zetten-onafhankelijke-experts-in - Check Point Research, "When the Ransomware Gang Gets Hacked": https://blog.checkpoint.com/research/when-the-ransomware-gang-gets-hacked-what-the-gentlemen-leak-reveals-about-modern-ransomware-risk/ - Cloudflare Blog, Grant Bourzikas, "Project Glasswing: what Mythos showed us": https://blog.cloudflare.com/cyber-frontier-models/ - Anthropic, Project Glasswing: https://www.anthropic.com/glasswing - CodeWall, "How We Hacked McKinsey's AI Platform": https://codewall.ai/blog/how-we-hacked-mckinseys-ai-platform - CodeWall, "How We Hacked BCG's Data Warehouse": https://codewall.ai/blog/how-we-hacked-bcgs-data-warehouse-3-17-trillion-rows-zero-authentication - The Jerusalem Post, "Inside Israel's secret operation to turn Hezbollah's beepers into bombs": https://www.jpost.com/israel-news/defense-news/article-896890

In dieser Episode der Dental Late Night Show erklären Stefan Helka und CTO Andreas Wutschka, warum praxiseigene Daten der wertvollste Treibstoff für künstliche Intelligenz sind, während die eigentlichen KI-Modelle austauschbar bleiben. Sie zeigen auf, wie die Denta 1 Klinik Datensilos aus Finanzen, Marketing und Operations in einem zentralen Data Warehouse zusammenführt, um fundierte unternehmerische Entscheidungen zu treffen. Zudem wird verdeutlicht, wie wichtig die strukturierte Dokumentation von internem Teamwissen ist, um die Basis für zukunftsfähige, modellunabhängige KI-Prozesse in der Zahnmedizin zu schaffen.⚠ Weitere Infos zu Christian Henrici und #TOPMEDIS: • Mitarbeiterumfragesoftware: www.topmedis.de• Praxisgeflüster Podcast ist auf allen gängigen Portalen vertreten oder: https://team-praxisfluesterer.de/podcast/• Beratung für Praxen: https://www.opti-hc.de/• Gründerengagement von Christian: https://www.opti-summerschool.de/

This is episode 324, recorded on April 17th, 2026, where John and Jason continue through the Microsoft Fabric March 2026 Feature Summary — the Data Science & AI rebrand with Fabric Data Agents reaching GA, AutoML going GA, multimodal support for AI functions, the Data Warehouse section covering Fabric Data Warehouse recovery, Activator support, T-SQL AI functions, ANY_VALUE aggregate, Custom SQL Pools, SQL audit logs GA, outbound access protection, and the big one — the Database Hub, Fabric's new unified control plane for databases across edge, on-prem, cloud and Fabric. For show notes please visit www.bifocal.show

Daten verändern sich – aber ohne Historisierung geht ihr Kontext verloren. In dieser Episode von TDWI Data Universegeht es um bi-temporale Historisierung und warum sie entscheidend ist, um Daten korrekt über die Zeit zu verstehen. Im Kern des Gespräches von Claudia Koschtial und Dirk Lerner stehen zwei Perspektiven: Wann wurde ein Datensatz im System erfasst – und wann war er fachlich gültig? Gerade bei komplexen Prozessen oder nachträglichen Korrekturen entstehen sonst schnell falsche Auswertungen. Bi-temporale Modelle schaffen hier Abhilfe: Sie machen Veränderungen nachvollziehbar, erhöhen die Datenqualität und erfüllen regulatorische Anforderungen – ohne grundlegende Änderungen an der Datenarchitektur. Statt Daten zu überschreiben, bleibt jede Änderung transparent. Auch wenn viele Analysen scheinbar ohne Historisierung auskommen: Sie wird dann entscheidend, wenn es um Nachvollziehbarkeit, Korrekturen und Planungsszenarien geht. Eine Episode über Daten mit Gedächtnis – und warum echte Datenqualität immer auch eine Frage der Zeit ist.

Sind schlechte Daten wirklich Ihr Problem – oder nur die bequemste Ausrede?Ihr Unternehmen sitzt auf einem Datenschatz – warum nutzen Sie ihn nicht?…darüber sprechen wir in diesem Interview.Schlechte Datenqualität gilt in vielen Unternehmen als Haupthindernis für KI-Projekte – doch ist das wirklich so, oder ist es nur die bequemste Ausrede, um nicht zu starten? In dieser Episode des #KIundTECH Podcast beleuchtet Benjamin Aunkofer, Gründer von DATANOMIQ, im Interview mit Holger Winkler die drei größten Fehler im Umgang mit Datenqualität und zeigt praxisnah, wie Unternehmen diese gezielt vermeiden können. Das Gespräch liefert konkrete Handlungsempfehlungen für alle, die mit Daten arbeiten und den nächsten Schritt in Richtung datengetriebenes Unternehmen gehen wollen.Warum sollten Sie dieses Interview nicht verpassen?Sie erfahren, warum "schlechte Daten" häufig eine Ausrede ist und wie Sie trotzdem mit KI-Projekten starten können.Sie verstehen, welche Rollen im Unternehmen für Datenqualität verantwortlich sind und wie die Zuständigkeiten sinnvoll verteilt werden.Sie lernen den Unterschied zwischen Top-Down- und Bottom-Up-Ansätzen bei der Datenstrategie kennen und wann welcher Ansatz passt.Sie bekommen einen klaren Überblick über Data Warehouse, Data Lake und Data Lakehouse – verständlich erklärt anhand alltagsnaher Beispiele.Sie verstehen, warum gute Datenqualität den monetären Unternehmenswert direkt beeinflusst und was das für Ihre Strategie bedeutet.Takeaways aus dem Interview:Mut zur Lücke: Fehler 1 ist, Daten gar nicht erst zu nutzen, weil sie vermeintlich zu schlecht sind. Datenqualität verbessert sich erst durch die aktive Auseinandersetzung mit den Daten.Fehler 2 ist die fehlende Verfügbarkeit von Daten. Ohne eine geeignete Infrastruktur wie ein Data Lakehouse bleiben wertvolle Daten ungenutzt oder gehen verloren.Fehler 3 ist die massive Unterschätzung des Datenwerts. Gute Datenqualität erhöht den Unternehmenswert nachweislich und ist ein entscheidender Faktor bei Due-Diligence-Prozessen.Process Mining ist eine Schlüsselmethodik, um Prozesse aus Daten heraus zu rekonstruieren, Datenfehler aufzudecken und die Datenqualität systematisch zu verbessern.Daten aus unterschiedlichen Bereichen wie BI, Process Mining und Data Science gehören zusammen – sie zu trennen ist ein typischer organisatorischer Fehler.Datenqualität lässt sich messen: Abdeckungsraten, Anomalieerkennungen und statistische Ausreißeranalysen liefern konkrete Indikatoren.Das Vertrauen der Mitarbeiter in Unternehmensdaten ist ein schneller, praktikabler Frühindikator für den tatsächlichen Stand der Datenqualität.#Digitalisierung #CEO #Unternehmertum #KünstlicheIntelligenzÜber #KIundTECH – der KIundTECH Podcast:KI & TECH in Unternehmen und Gesellschaft: Wettbewerbsvorteil oder Sargnagel?Was machst Du daraus?Wir sprechen mit Anwendern und Vordenkern über Chancen, Risiken und Auswirkungen von KI – klar, praxisnah und auf den Punkt. Damit unsere Hörer schneller die richtigen Entscheidungen treffen können.► Mehr erfahren: https://kiundtech.com/ ► Holger Winkler auf LinkedIn: https://www.linkedin.com/in/holger-winkler/ Du möchtest einen Gast vorschlagen oder selber zu uns in die Sendung kommen?Alle Informationen und ein Bewerbungsformular findest du auf unserer Webseite!

面對台灣 90% 以上既有建築帶來的碳排壓力，企業如何在不砸大錢更換硬體的前提下實現節能？樺康智雲總經理林建全指出，答案在於「數據化管理」與「AI 數位雙生」。透過軟體與數據先行，不僅能達成深度節能 10-18% 以上，更能在人才短缺時代，以自動化系統取代傳統人力巡檢，將永續轉型與企業營運效率完美雙軸融合 。 【聽完這集你會知道】 02:05｜建築的「八二法則」：為何建築是城市淨零的關鍵？ 建築碳排佔全球來源將近 4 成，比例高於交通 。台灣有超過 300 萬棟老舊建築面臨數位轉型需求 ，透過數據管理改善能源效率，是達成 2050 淨零目標最重要的路徑 。 03:55｜數位轉型第一步：從「人管」轉向「數據管理」 傳統物業管理依賴大量人力與紙本作業，面臨少子化與人才荒挑戰 。透過建立數據倉庫 (Data Warehouse) 與平台化管理 ，企業能將分散的門禁、消防與能源系統整合，大幅提升管理時效 。 05:39｜深度節能實戰：不更換硬體也能省電的祕訣 更換高能效設備雖有效，但投資報酬率 (ROI) 挑戰大 。透過 AI 監測人流、隔熱係數與氣候預測 ，系統能主動控制空調運作 ；例如 Google 板橋辦公室即是透過軟體面的最佳化管理達成深度節能。 07:24｜預測性維護：AI 如何消滅隱形的能源浪費？ AI 能透過大數據訓練，找出設備運轉的差異化 。系統可主動預測冰水主機或冷氣濾網的保養時機，從「定期保養」進化為「性能監測維護」，避免設備性能衰減導致的額外耗能。 09:37｜解密建築碳排：營運碳 (OC) 才是長跑關鍵 建築碳排分為蘊含碳 (EC) 與營運碳 (OC) 。大樓蓋好後 50 年的營運能耗佔比極重 ，利用數位雙生技術在設計階段進行虛擬模型模擬 ，能協助建築師優化設計，提前省下約 7% 的長期能耗。 19:06｜跨系統協作：讓數據成為醫療與物業的韌性基礎 以花蓮慈濟醫院為例，透過介接門診人數數據，系統能同步控制環境熱舒適度與感染控制 。跨系統的軟體串聯能完成硬體無法達到的功能，讓建築更貼近使用者的生活需求 。 23:00｜AI 耗電迷思：輕量化模型也能管理大樓 智慧建築不需像 ChatGPT 般的大型語言模型 。樺康智雲開發的 AI Model 具有技術門檻，僅需一般家用 PC 算力即可管理整棟建築，實現低能耗的智慧治理。 25:11｜轉型優先順序：對焦核心價值與數據盤點 企業推動永續應先明確核心價值。第一階段應盤點內部數據化程度 ，建立數據基礎後再找尋人才或專業服務商進行主動式的控制與優化。 【本集金句】 「最好的節能不一定要換掉所有硬體，而是透過數據讓建築擁有『預測未來』的能力，實現深度節能與人力效率的雙贏。」

Kevin Warenda, Director of IT Services at The Hotchkiss School, joins the pod to discuss the intersection of business acumen and technical leadership. Learn how Kevin utilizes Agile methodology to manage complex financial system migrations and the construction of a data warehouse for institutional research while maintaining organizational continuity amidst senior leadership churn.The Hotchkiss SchoolCenter for Institutional Research in Independent Schools (CIRIS)Veracross, school information systemsNational Business Officers Association (NBOA)The Oregon TrailAsana, project management tool)The Tech Whisperers Podcast

Today, we're joined by Pete Hunt, CEO at Dagster Labs, building out Dagster, the data orchestration platform built for productivity. We talk about:Challenges of determining software pricing with AI workers using appsHow barriers to AI adoption are similar to what we've known in SaaS for a million yearsAI-driven shifts in the workplace [Many disciplines will look a lot more like engineering]How outside sales is among the most durable job functions in the AI eraAdvice for new college grads

The business purposes of digital data collection are not so obvious to all, and things will get even more complicated in an internet dominated by AI agents. We will today revisit the history of Digital Analytics and its evolution from Marketing-centric Analytics to Product Analytics and, eventually, Customer Experience Management (CXM). From there we will address the origins and current state of the composable MarTech stack and the activation, personalization, or demand generation possibilities it unlocks, with a new generation of Customer Data Platforms and Data Warehouses at its core.We do this with the best possible guest. Adam Greco is one of the leaders of the data industry. As one of Omniture's earliest customers and employees and a data consultant, he has helped thousands of organizations improve their digital properties through data. Adam has blogged extensively about data and authored the preeminent book on Adobe Analytics. He has held strategic roles at Salesforce, Amplitude, and several other leading organizations, having also served as a board member of several data technology providers and winning several awards from the Digital Analytics Association. Adam is a product evangelist at Hightouch, where he helps leading organizations strategize around using data to accelerate growth.References:* Adam Greco at Hightouch* Adam Greco on LinkedIn* Tejas Manohar: Data activation and composable CDPs in a privacy-first world (Masters of Privacy, January 2024)* What is Customer Experience Management? (Harvard Business Review, April 2025)* A deeper look at AI crawlers: breaking down traffic by purpose and industry (Cloudflare, August 2025)* Learning more about Digital Analytics: Marketing Analytics Summit (Santa Barbara, April 2026). This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit www.mastersofprivacy.com/subscribe

Bastien Caunègre est Head of Data Platform chez Ornikar. La scale-up qui a dépoussiéré l'auto-école en la rendant 100% en ligne et qui s'est récemment lancée dans l'assurance auto. Arrivé comme premier Analytics Engineer, il a déployé l'approche Analytics Engineering chez Ornikar et pilote aujourd'hui l'équipe Data Platform.On aborde :

Die AXA Schweiz gilt als Vorreiter beim Thema Datennutzung in der Versicherungsbranche. Seit 2015 verfolgt das Unternehmen eine klare Datenstrategie. Heute generiert es aus seinen Daten einen Wert, der die Investitionen um ein Vielfaches übersteigt. Aber wie schafft man das konkret? Wie bringt man IT und Business wirklich zusammen? Im Performance Manager Podcast spricht Peter Bluhm mit Dr. Kathrin Braunwarth, Mitglied der Geschäftsleitung der AXA Schweiz und Leiterin des Bereichs Data, Technology & Innovation. Sie erzählt, wie die AXA ihre Datenstrategie in drei Phasen aufgebaut hat. Von ersten Experimenten bis zur unternehmensweiten Skalierung. Sie erklärt, warum man sich bewusst gegen ein zentrales Data Warehouse entschieden hat. Und wie sie Datenverantwortung in die Fachbereiche gebracht haben, ohne die zentrale Steuerung zu verlieren. Kathrin Braunwarth teilt ihre Erfahrungen und zeigt, welche fünf Faktoren bei der AXA den Unterschied gemacht haben. Vom Rückhalt der Geschäftsleitung bis zur einheitlichen Datenbasis.

This is episode 315 recorded on December 16th, 2025, where John & Jason talk about the Fabric November 2025 Feature Summary part 3 including updates to Data Warehouse, Real-Time Intelligence, and Data Factory. For show notes please visit www.bifocal.show

Die AXA Schweiz gilt als Vorreiter beim Thema Datennutzung in der Versicherungsbranche. Seit 2015 verfolgt das Unternehmen eine klare Datenstrategie. Heute generiert es aus seinen Daten einen Wert, der die Investitionen um ein Vielfaches übersteigt. Aber wie schafft man das konkret? Wie bringt man IT und Business wirklich zusammen? Im Performance Manager Podcast spricht Peter Bluhm mit Dr. Kathrin Braunwarth, Mitglied der Geschäftsleitung der AXA Schweiz und Leiterin des Bereichs Data, Technology & Innovation. Sie erzählt, wie die AXA ihre Datenstrategie in drei Phasen aufgebaut hat. Von ersten Experimenten bis zur unternehmensweiten Skalierung. Sie erklärt, warum man sich bewusst gegen ein zentrales Data Warehouse entschieden hat. Und wie sie Datenverantwortung in die Fachbereiche gebracht haben, ohne die zentrale Steuerung zu verlieren. Kathrin Braunwarth teilt ihre Erfahrungen und zeigt, welche fünf Faktoren bei der AXA den Unterschied gemacht haben. Vom Rückhalt der Geschäftsleitung bis zur einheitlichen Datenbasis.

Strategic Technology Consultation Services This episode of The Modern .NET Show is supported, in part, by RJJ Software's Strategic Technology Consultation Services. If you're an SME (Small to Medium Enterprise) leader wondering why your technology investments aren't delivering, or you're facing critical decisions about AI, modernization, or team productivity, let's talk. Show Notes "What do I mean by compute? Compute is whenever you want a computer to do a thing, okay, it requires the CPU to exist and I want the CPU to do a thing. How well it can do it Is based upon what kind of CPU you have. What kind of CPU they have since have it in miniature chip. So, if you have an NVIDIA chip, it does a lot of really good things, but as we know, they're very expensive, and that's why NVIDIA is like what, I guess, the largest company in the world right now."— Michael Washington Hey everyone, and welcome back to The Modern .NET Show; the premier .NET podcast, focusing entirely on the knowledge, tools, and frameworks that all .NET developers should have in their toolbox. I'm your host Jamie Taylor, bringing you conversations with the brightest minds in the .NET ecosystem. Today, Michael Washington joined us to talk about his open source project "Personal Data Warehouse", what a data warehouse is, and the why we collect data in our applications. We also talk about the differences between storing data in the database and storing it in a data warehouse—one of the biggest differences, as you'll find out, is the difference in cost. "The only reason why we collect any data is because at some point a human being needs this data to make a decision. Seriously, and I challenge anyone to come up with any exceptions to that."— Michael Washington Along the way, we talked about the benefits and pitfalls of leveraging AI (particularly LLMs) in your applications. Both Michael and I agree that there is little "intelligence" in LLMs in the traditional sense, and Michael brings up the most important point when deciding to an LLM in your application: that a human must always make decisions based on what data they have and what the LLM can provide. We must never hand over decision making to LLMs. Before we jump in, a quick reminder: if The Modern .NET Show has become part of your learning journey, please consider supporting us through Patreon or Buy Me A Coffee. Every contribution helps us continue bringing you these in-depth conversations with industry experts. You'll find all the links in the show notes. Anyway, without further ado, let's sit back, open up a terminal, type in `dotnet new podcast` and we'll dive into the core of Modern .NET. Full Show Notes The full show notes, including links to some of the things we discussed and a full transcription of this episode, can be found at: https://dotnetcore.show/season-8/data-ai-and-the-human-touch-michael-washington-on-building-trustworthy-applications/ Useful Links: Apache Parquet Personal Data Warehouse on: Windows App Store GitHub Michael on: Find an MVP GitHub Bluesky Blazor Help Website blazordata.net AI Story Builders Supporting the show: Leave a rating or review Buy the show a coffee Become a patron Getting in Touch: Via the contact page Joining the Discord Remember to rate and review the show on Apple Podcasts, Podchaser, or wherever you find your podcasts, this will help the show's audience grow. Or you can just share the show with a friend. And don't forget to reach out via our Contact page. We're very interested in your opinion of the show, so please get in touch. You can support the show by making a monthly donation on the show's Patreon page at: https://www.patreon.com/TheDotNetCorePodcast. Music created by Mono Memory Music, licensed to RJJ Software for use in The Modern .NET Show. Editing and post-production services for this episode were provided by MB Podcast Services.

1952 löste Grace Hopper ein Problem, das heute in jedem Unternehmen existiert. Die IT spricht von ETL-Prozessen und Data Warehouses. Das Controlling denkt in KPIs und Forecasts. Das Marketing fokussiert sich auf Conversion-Rates. Alle sprechen eine andere „Datensprache“ - genau wie damals die unverständlichen Maschinencodes. Grace Hoppers Lösung? Der Compiler - ein Übersetzer zwischen Mensch und Maschine. Was Unternehmen heute brauchen: Einen Compiler für ihre BI-Projekte. Jemanden, der zwischen den Abteilungen dolmetscht und aus scheinbar gegensätzlichen Anforderungen eine gemeinsame Lösung entwickelt. Im aktuellen Podcast zeige ich, woran Sie echte BI-Kompetenz erkennen - und warum die meisten Berater zu schnell mit Softwarevorschlägen kommen. 

„Daten sind das neue Öl“ – diese Metapher ist längst abgenutzt. Die eigentliche Frage ist: Wie schaffen es Unternehmen, aus ihren Datenbeständen echten Wert zu schöpfen? Und welche Rolle spielen Controller dabei?  Die neue Ausgabe 5/2025 der Fachzeitschrift Controlling zeigt vier unterschiedliche Wege zur datengesteuerten Organisation. Von systematischen Use Case-Bewertungen, die Subjektivität bei Daten-Projekten vermeiden, über modulare Data Mesh-Architekturen, die zentralisierte Data Warehouses herausfordern bis hin zu Knowledge Graphs, die neue Möglichkeiten der Unternehmenssteuerung eröffnen. Dazu kommt ein oft übersehener Aspekt: Controller sollen lernen, ihre Zahlen zu erzählen – Data Storytelling als Brücke zwischen komplexen Analysen und verständlicher Kommunikation.  Die zentrale Erkenntnis: Controller werden nicht zu reinen Datenexperten, sondern müssen ihre bewährte Rolle als Business Partner um technische Kompetenzen erweitern. Doch wo liegt die Balance zwischen Effizienz und organisatorischen Herausforderungen?  Darüber spricht ATVISIO-Geschäftsführer Peter Bluhm im Performance Manager Podcast mit Prof. Dr. Ulrike Baumöl von der Universität St. Gallen, Mitherausgeberin der Zeitschrift Controlling. 

This is episode 307 recorded on September 19th, 2025, where John & Jason continue talking about the Microsoft Fabric September 2025 Feature Summary including the Data Agent improvements, Merge Transact SQL in Data Warehouse, new Real-Time Intelligence Features, and much more. For show notes please visit www.bifocal.show

In this episode of Stories from the Hackery, we talk with Nashville tech leader and hiring manager Jason Turan about one of tech's most in-demand fields: data engineering. Jason, a long-time friend of NSS, was one of the first people to tell us that Nashville needed more data engineers. He shares his perspective on what a data engineer does, describing the role as the "connective tissue between data producers and data consumers". Listen in to hear us discuss: - Why data engineers are essential for flipping the 80/20 rule, allowing data scientists and analysts to spend less time cleaning data and more time finding insights. - How the rise of generative AI has acted as an "accelerant," increasing the need for high-quality data and the professionals who can provide it. - Actionable advice for getting started in the field, including the importance of focusing on a "T-shaped skillset" with SQL at its core. - Why Jason's number one piece of advice is to be curious, experiment, and "go out and do the thing". 01:20 Meet Jason Turan: His Tech Origin Story 03:04 Jason's History with NSS and Hiring Grads 07:28 Defining Data Engineering: The "Connective Tissue" of Tech 11:15 Why Nashville is a Hub for Data Engineers 13:56 Healthcare's Impact on Nashville's Data Jobs 20:35 How GenAI Accelerates the Need for Data Engineers 31:33 Getting Started: Lower Barriers to Entry 39:03 A Top Use Case for AI: Understanding Your Codebase 52:21 Misconceptions & the "T-Shaped Skillset" 55:29 The Value of Hands-On Learning: "Go Do the Thing" 58:52 Lightning Round: Favorite Tech Tools 01:00:32 Lightning Round: Top Reads & Resources Links Metabase: https://www.metabase.com/ DuckDB: https://duckdb.org/ MotherDuck: https://motherduck.com/ Ralph Kimball: The Data Warehouse Toolkit: https://www.amazon.com/gp/product/1118530802 Bill Inmon: Building the Data Warehouse: https://www.amazon.com/Building-Data-Warehouse-W-Inmon/dp/0764599445 Edward Tufte: The Visual Display of Quantitative Information: https://www.amazon.com/Visual-Display-Quantitative-Information/dp/0961392142 Brendan Keeler: The Health API Guy: https://healthapiguy.substack.com/ TLDR Newsletter: https://tldr.tech/ Nashville Technology Council (NTC): https://technologycouncil.com/

This is episode 304 recorded on September 4th, 2025, where John & Jason talk the Microsoft Fabric August 2025 Feature Summary including a new Flat list view in Deployment pipelines, Bursting controls for Data Engineering workloads, new test capabilities for User Data Functions, the ability to server real-time predictions with ML model endpoints, several updates to Data Warehouse, Database tree in edit tile and AzMon data sources for RTI, the ability to use Python Notebooks to read/write to Fabric SQL Databases, Auto table creation on destination in copy job in Data Factory, and much, much more. For show notes please visit www.bifocal.show

In dieser Folge des Performance Manager Podcast spreche ich mit Prof. Dr. Peter Gluchowski (TU Chemnitz) über moderne BI- und Analytics-Architekturen. Wir klären die Unterschiede zwischen Data Lake, Data Lakehouse, Data Mesh und Data Warehouse und diskutieren, warum klassische Ansätze oft nicht mehr ausreichen. Prof. Dr. Gluchowski gibt praxisnahe Empfehlungen, wie Unternehmen ihre Daten effizienter nutzen und ihre BI-Landschaften modernisieren können. Hier geht´s zu dem Buch "Architekturen für BI & Analytics": https://bit.ly/3Vx2tnG

In dieser Folge des Performance Manager Podcast spreche ich mit Prof. Dr. Peter Gluchowski (TU Chemnitz) über moderne BI- und Analytics-Architekturen. Wir klären die Unterschiede zwischen Data Lake, Data Lakehouse, Data Mesh und Data Warehouse und diskutieren, warum klassische Ansätze oft nicht mehr ausreichen. Prof. Dr. Gluchowski gibt praxisnahe Empfehlungen, wie Unternehmen ihre Daten effizienter nutzen und ihre BI-Landschaften modernisieren können. Hier geht´s zu dem Buch "Architekturen für BI & Analytics": https://bit.ly/3Vx2tnG

Mike & Tommy are joined by Brad Schact at Microsoft to review what is new & upcoming in the Microsoft Fabric Data Warehouse. Get in touch:Send in your questions or topics you want us to discuss by tweeting to @PowerBITips with the hashtag #empMailbag or submit on the PowerBI.tips Podcast Page.Visit PowerBI.tips: https://powerbi.tips/Watch the episodes live every Tuesday and Thursday morning at 730am CST on YouTube: https://www.youtube.com/powerbitipsSubscribe on Spotify: https://open.spotify.com/show/230fp78XmHHRXTiYICRLVvSubscribe on Apple: https://podcasts.apple.com/us/podcast/explicit-measures-podcast/id1568944083‎Check Out Community Jam: https://jam.powerbi.tipsFollow Mike: https://www.linkedin.com/in/michaelcarlo/Follow Seth: https://www.linkedin.com/in/seth-bauer/Follow Tommy: https://www.linkedin.com/in/tommypuglia/

AI is reshaping business intelligence by enabling true self-service analytics and transforming how organizations interact with their data through natural language processing. In this episode of The Data Engineering Show, host Benjamin interviews Lei, Co-founder and CTO of Fabi.ai, to explore how AI-native BI platforms are reshaping data analytics and empowering non-technical users to derive meaningful insights from complex datasets.

Mike & Tommy are joined by Brad Schacht on the Data Warehouse team for Microsoft to dive into how to get eased and comfortable with the Warehouse experience in Microsoft Fabric.Get in touch:Send in your questions or topics you want us to discuss by tweeting to @PowerBITips with the hashtag #empMailbag or submit on the PowerBI.tips Podcast Page.Visit PowerBI.tips: https://powerbi.tips/Watch the episodes live every Tuesday and Thursday morning at 730am CST on YouTube: https://www.youtube.com/powerbitipsSubscribe on Spotify: https://open.spotify.com/show/230fp78XmHHRXTiYICRLVvSubscribe on Apple: https://podcasts.apple.com/us/podcast/explicit-measures-podcast/id1568944083‎Check Out Community Jam: https://jam.powerbi.tipsFollow Mike: https://www.linkedin.com/in/michaelcarlo/Follow Seth: https://www.linkedin.com/in/seth-bauer/Follow Tommy: https://www.linkedin.com/in/tommypuglia/

Fabric personas were originally designed to break down the various functional roles within Microsoft Fabric—such as Power BI, Data Factory, Data Activator, Data Engineering, Data Science, Data Warehouse, and Real-time Analytics—into more manageable, bite-sized sections. The goal was to prevent users from feeling overwhelmed by the platform's breadth. However, this feature has since been discontinued, as it did not effectively communicate the seamless integration between these roles. Still, the underlying concepts can be useful when thinking about how you might approach Fabric from a functional standpoint. Do you like the change on one large white canvas, or did personas have a use for you? Let us know in the comments below. We hope you enjoyed this conversation on personas in Microsoft Fabric. If you have questions or comments, please send them our way. We would love to answer your questions on a future episode. Leave us a comment and some love ❤️on LinkedIn, X, Facebook, or Instagram. The show notes for today's episode can be found at Episode 285: Who is Using Microsoft Fabric. Have fun on the SQL Trail!

This is episode 293 recorded on May 6th, 2025 where John & Jason talk the Microsoft Fabric March 2025 Feature Summary including Data Science, Data Warehouse, Real-time Intelligence, and Data Factory.

This is episode 287 recorded on March 13th, 2025 where John & Jason talk the Microsoft Fabric January 2025 Feature Summary including Python Notebooks in preview, Lineage enhancements to spark notebooks, lots of DBA enhancements to Data Warehouse, Tenant Level Private Link for Databases, and CI/CD preview for most of Fabric.

For episode 497, Head of Marketing Catherine Daly joins Brandon Zemp to talk about Space and Time, an AI driver web3 data warehouse. SxT replaces blockchain indexing, databases, and API servers with a decentralized solution.Catherine is a senior marketing strategist with a passion for building community around emerging technology. Prior to Space and Time, Catherine managed full-funnel marketing for both startups and established global organizations in the semiconductor industry. She is accomplished in developing data-driven integrated communications strategies to accelerate growth for businesses across Web3 the technology ecosystem.

Companies have crucial data stored across multiple systems in their organization. And the bigger the company, the more systems there are. Sales, marketing, finance, ERP, inventory, contract management, billing, and service delivery are just types of data and systems that show the story of the business. Many times your CRM just by itself can't show all of that!Because of this, many companies have started setting up a centralized data warehouse like Snowflake or Redshift to pull in data from their CRM and other systems to be able to run more advanced and centralized reporting across it all. But if you want to set this up, where do you start? How do you manage it? How do you protect it? How do you keep it maintained? How do you actually derive value from all the hard work of implementing it?I contacted Ryan Severns to talk through all these questions with him. We talk through all these questions and more, starting with questions like:Why set up a CRM data warehouse infrastructure in the first place?How do you build the integration?What important considerations do you need to plan for?We dig deeper into the details from there, talking through topics like ETL tooling, DBT, data governance, cross-platform analytics, building effective business intelligence systems, and more.If you're ready to level up your customer data skills and advance to the next level of your RevOps hero journey, this episode is for you! Give it a watch and a like. And hit that subscribe button so that you'll always get notified of future episodes of The RevOps Hero Podcast as well.

Doc and Matt welcome Jon Anderson of MLB Data Warehouse to the show to talk the value of dynasty leagues and what Jon looks for in his model to help dominate redraft.Follow Jon @JonPgh on X

Microsoft Fabric offers two enterprise-scale, open-standard format workloads for data storage: Warehouse and Lakehouse. Which service should you choose? In this episode, we dive into the technical components of OneLake, along with some of the decisions you'll be asked to make as you start to build out your data infrastructure. These are two good articles we mention in the podcast that could help inform your decision on the services to implement in your OneLake. Microsoft Fabric Decision Guide: Choose between Warehouse and Lakehouse - Microsoft Fabric | Microsoft Learn Lakehouse vs Data Warehouse vs Real-Time Analytics/KQL Database: Deep Dive into Use Cases, Differences, and Architecture Designs | Microsoft Fabric Blog | Microsoft Fabric We hope you enjoyed this conversation on the nuances of data storage within Microsoft OneLake! If you have questions or comments, please send them our way. We would love to answer your questions on a future episode. Leave us a comment and some love ❤️ on LinkedIn, X, Facebook, or Instagram. The show notes for today's episode can be found at Episode 283: Data Lakehouse vs Data Warehouse vs My House. Have fun on the SQL Trail!

What makes data lakehouses a game changer in modern data management? In this episode, Bill sits down with Alex Merced, Senior Tech Evangelist at Dremio, to explore the evolution of data lakehouses and their role in bridging the gap between data lakes and data warehouses. Alex breaks down the components of data lakehouses and dives into the rise of Apache Iceberg.---------Key Quotes:“I love just get really deep into technology, really see what it does. And then scream at the rooftops how cool it is. And basically that was my charter. And [Apache] Iceberg, the more I learned about it, the more I realized this is really interesting.”“Interoperability and data. Basically, a lot of the things that kept data in silos is now breaking apart.”"So here we're talking about something that's going to be a standard. And that's when I think of the highest levels of openness matter because if it's something that a whole industry is going to build on, it should be something that the whole industry has to say in its evolution…And that's the beauty of openness that it does create these nice sort of places where we can collaborate and compete together.”--------Timestamps: (01:32) How Alex got started in his career(03:54) Breaking down data lakehouses(07:08) The idea behind an open data lakehouse(10:10) Alex's involvement with Apache Iceberg(15:13) Key components of a data lakehouse(23:41) The growth of Apache Iceberg(32:07) Dremio's Apache Iceberg crash course(38:43) Explaining self-service analytics--------Sponsor:Over the Edge is brought to you by Dell Technologies to unlock the potential of your infrastructure with edge solutions. From hardware and software to data and operations, across your entire multi-cloud environment, we're here to help you simplify your edge so you can generate more value. Learn more by visiting dell.com/edge for more information or click on the link in the show notes.--------Credits:Over the Edge is hosted by Bill Pfeifer, and was created by Matt Trifiro and Ian Faison. Executive producers are Matt Trifiro, Ian Faison, Jon Libbey and Kyle Rusca. The show producer is Erin Stenhouse. The audio engineer is Brian Thomas. Additional production support from Elisabeth Plutko.--------Links:Follow Bill on LinkedInFollow Alex on LinkedIn

As organizations grapple with data spread across various storage locations, solutions like Coginiti Hybrid Query offer a much-needed alternative to fragmented tools. Published at: https://www.eckerson.com/articles/a-novel-approach-for-reducing-cloud-data-warehouse-expenses-from-coginiti

In this captivating episode of the Tech Optimist podcast, Managing Partner Ray Wu sits down with Nate Holiday, the visionary co-founder and CEO of Space and Time. Dive into the intricate world of decentralized data warehouses as they discuss how Space and Time ensures verifiability and transparency in database operations. Learn about their innovative technology, Proof of SQL, which secures data interactions within blockchain environments, offering a new level of security and integrity for enterprise applications. Tune in to uncover how Space and Time is transforming data management and security, forging a path toward a more trustworthy digital infrastructure.Nate's Ask: Nate invites the community to join and engage with Space and Time's community of developers, contributing to their open-source projects on GitHub. He also encourages the adoption of their verifiable database solutions available through platforms like Microsoft's Azure Marketplace and Google's marketplace, to enhance data security and transparency in enterprise applications.To Learn More:Alumni Ventures (AV)AV LinkedInAV AI FundTech OptimistSpace and TimeSpeakers:Ray Wu - Guest Nate Holiday - Guest Chapters:(00:00) - Intro (01:51) - Interview (17:02) - Nate's Ask (24:31) - Closing Legal Disclosure:https://av-funds.com/tech-optimist-disclosures

Earnings season - better and stats - BIGGEST BUYBACK EVER - We are gauging investor sentiment --- Remember - Confidence  and Sentiment (Cheer-leading helps) PLUS we are now on Spotify and Amazon Music/Podcasts! Click HERE for Show Notes and Links DHUnplugged is now streaming live - with listener chat. Click on link on the right sidebar. Love the Show? Then how about a Donation? Follow John C. Dvorak on Twitter Follow Andrew Horowitz on Twitter DONATE - Show 700 Campaign Warm Up - Earnings season - better and stats - BIGGEST BUYBACK EVER - We are gauging investor sentiment -- --- Remember - Confidence  and Sentiment (Cheer-leading helps) - Announcing the WINNER  CTP for Apple - Fake Work? Market Update - If down - buy.... Names that were hammered due to earnings catching bids again - Follow up - Utilities - Fed Speaks - Can't stop the Dove - Employment - Excitement about the Unemployment Rate Earnings Season Update: - Overall, 80% of the companies in the S&P 500 have reported actual results for Q1 2024 to date. - Of these companies, 77% have reported actual EPS above estimates, which is equal to the 5-year average of 77% but above the 10-year average of 74%. - In aggregate, companies are reporting earnings that are 7.5% above estimates, which is also below the 5-year average of 8.5% but above the 10-year average of 6.7% - Eight of the eleven sectors are reporting year-over-year earnings growth, led by the Communication Services, Utilities, Consumer Discretionary, and Information Technology sectors. - Three sectors are reporting a year-over-year decline in earnings: Energy, Health Care, and Materials. - Revenue - up again - estimated to be 4.1% when all said and done. -  -    If 4.1% is the actual revenue growth rate for the quarter, it will mark the 14th consecutive quarter of revenue growth for the index. Fake Work - An investor at famed Silicon Valley firm Andreessen Horowitz is the latest VC to get involved in the debate around "fake work" in the tech industry. - Ulevitch went on to point the finger at Google specifically, calling it "an amazing example." - "I don't think it's crazy to believe that half the white-collar staff at Google probably does no real work," he said. "The company has spent billions and billions of dollars per year on projects that go nowhere for over a decade, and all that money could have been returned to shareholders who have retirement accounts." - Marc Andreessen has criticized a managerial "laptop class" and tweeted in 2022, "The good big companies are overstaffed by 2x. The bad big companies are overstaffed by 4x or more." Buy 'em - Companies that took a hit after earnings (NFLX, AMD) getting bid again - NFLX gapped lower from ~$608 to $551 and now $592 - AMD dropped from $160 to $140 and now $156 - SPY , IWM and QQQ- Now above the 50day Moving average again Follow Up - Utilities - Just wanted to provide this idea again - Data Warehouses and other AI Power hungry places --- Symbol list of some utilities to look at further - SO, NEE, EXC, CMS - Natural gas producers are planning for a significant spike in demand over the next decade, as artificial intelligence drives a surge in electricity consumption that renewables may struggle to meet alone. - After a decade of flat power growth in the U.S., electricity demand is forecast to grow as much as 20% by 2030, according to a Wells Fargo analysis published in April. Power companies are moving to quickly secure energy as the rise of AI coincides with the expansion of domestic semiconductor and battery manufacturing as well as the electrification of the nation's vehicle fleet. - AI data centers alone are expected to add about 323 terawatt hours of electricity demand in the U.S. by 2030 Utilities ETF Apple - Earnings - Nothing great in the earnings. --- A few pockets of sunshine.... --- Raises dividend and $110 BILLION buyback - largest buyback EVER ...

In this episode of the Kubernetes Unpacked Podcast, Kristina and Michael catch up with Mark from Yellowbrick to talk about all things underlying architecture. Very rarely do we get a vendor to chat about what's going on underneath the hood and how a particular application stack/tool is running, so this was an awesome episode! Mark... Read more »