Data Explorer

Der Data Explorer ist das zentrale Tool, um Datensätze einzusehen, die in der Connect-Datenbank gespeichert sind.

1. Tabellarische Übersicht

Du findest den Data Explorer im Connect-Backend im Hauptmenü unter:

Daten → Data Explorer

Hinweis:

In der neuen Connect UI sin die Bereiche "Datenstrukturen" und "Data Explorer" zusammengelegt. Du findest den Data Explorer, indem du unter "Datenstrukturen" auf das Lupe-Icon klickts.

Die Hauptansicht zeigt eine Liste aller verfügbaren Datenstrukturen bzw. Datasets, jeweils mit Metainformationen und möglichen Aktionen.

Die Übersichtsliste zeigt mehrere Spalten:

1.1 Bezeichnung

• Der Name der Datenstruktur oder des Datasets.

• Entspricht exakt der hinterlegten Datenstruktur.

1.2 Quelle

Hier erkennst du, woher die Daten kommen:

Symbol	Bedeutung
📁 Struktur-Icon	Quelle ist eine Datenstruktur
⏳ Filter-Icon	Quelle ist ein Dataset (z. B. erzeugt über Dataset-Workflows)

1.3 Anzahl Datensätze

Zeigt die Gesamtzahl der in dieser Struktur gespeicherten Datensätze.

1.4 Verarbeitungsstatus (Dirty Flag)

Jeder Datensatz besitzt ein Dirty Flag:

• true (unverarbeitet) – Datensatz wurde noch nicht gelesen/weiterverarbeitet

• false (verarbeitet) – Datensatz wurde bereits verarbeitet

Damit kannst du Workflows so konfigurieren, dass sie z. B. nur unverarbeitete Datensätze holen.

Beispiel: Wenn 44 Datensätze existieren, davon 35 „dirty“, wirst du im Workflow bei einem Filter auf unverarbeitet nur diese 35 erhalten.

1.5 Letzte Änderung

Zeitstempel der letzten Modifikation eines Datensatzes in dieser Struktur.

2. Aktionen im Data Explorer

Über das Drei-Punkte-Menü kannst du für jede Datenstruktur folgende Aktionen ausführen:

2.1 Daten einsehen

Öffnet eine Liste aller Datensätze dieser Struktur. Hier siehst du:

• alle gespeicherten Datensätze

• deren Dirty-Status

• Details per Klick auf die Lupe

Die Lupe öffnet den kompletten Datensatz als JSON-Ansicht.

Hinweis

Die Bearbeitung einzelner Felder ist zwar möglich, aber nur für Notfälle gedacht. Connect ist kein PIM-System – es dient nicht zur regulären Datenpflege.

2.2 Daten aus JSON importieren

Erlaubt dir, Datensätze direkt als JSON zu importieren. Voraussetzungen:

• Die JSON-Struktur muss exakt zur Datenstruktur passen.

• Feldnamen, Datentypen und Struktur müssen identisch sein.

2.3 Datenstruktur bearbeiten

Öffnet direkt den Bereich Datenstrukturen, wo du:

• Felder ändern

• neue Felder hinzufügen

• Datentypen anpassen

kannst.

2.4 Alle Datensätze löschen

Löscht sämtliche Datensätze dieser Struktur (mit Sicherheitsabfrage). Wichtig: Die Struktur selbst bleibt bestehen.

2.5 Dirty Flag setzen

Du kannst alle Datensätze gleichzeitig:

• auf verarbeitet setzen

• auf unverarbeitet setzen

Auch hier erfolgt eine Sicherheitsabfrage.

3. Zusammenspiel von Data Explorer und Datenstrukturen

Der Data Explorer basiert immer auf einer zugrunde liegenden Datenstruktur.

• Datenstrukturen definieren die Form der Daten

• Data Explorer zeigt die konkreten Datensätze

Zusätzlich können auch Datasets (erzeugt durch Dataset-Workflows) als Quelle dienen – sie verhalten sich im System wie eine Datenstruktur.

4. Verwendung im Workflow

Die Datenstruktur-Komponente in Workflows ermöglicht:

• Lesen von Datensätzen aus dem Data Explorer

• Schreiben neuer Datensätze

• Filtern nach Dirty-Status

• Aktualisieren von Datensätzen

Damit kannst du z. B.:

• periodisch unverarbeitete Datensätze abarbeiten

• neue Daten aus APIs speichern

• Logs oder temporäre Werte persistieren

5. Best Practices

• Nutze das Dirty Flag, um Datensätze nur einmalig zu verarbeiten.

• Achte darauf, dass dein JSON beim Import exakt zur definierten Datenstruktur passt.

• Bearbeite Datensätze manuell nur im Ausnahmefall.

• Behalte die Datenstruktur sauber und konsistent, um Verarbeitungsfehler zu vermeiden.