Übung 03

Ziel: In diesem Lab agierst du als Daten-Architekt. Du definierst ein sauberes, kanonisches Datenmodell für einen Kunden, baust einen Workflow, der einen "unordentlichen" Quelldaten-Kunden auf dein sauberes Modell mappt, und speicherst das Ergebnis im Data Store zur Wiederverwendung.

Voraussetzung: Eine funktionierende Xentral Connect Instanz.

---

Teil 1: Den Bauplan erstellen (Data Structure)

Szenario: Dein Unternehmen hat beschlossen, ein einheitliches Format für Kundendaten über alle Systeme hinweg zu verwenden. Deine Aufgabe ist es, dieses Format in Xentral Connect als Data Structure anzulegen.

1

Data Structure anlegen

• Gehe zu Data Explorer > Data Structures.

• Erstelle eine neue Struktur mit dem Namen CanonicalCustomer.

2

Schema definieren

Importiere das folgende JSON-Schema. Es repräsentiert das gewünschte, einheitliche Kundenformat.

{
  "type": "object",
  "properties": {
    "customer_id": {
      "type": "string",
      "description": "Die eindeutige ID des Kunden im Quellsystem."
    },
    "full_name": {
      "type": "string",
      "description": "Der vollständige Name des Kunden."
    },
    "email_address": {
      "type": "string",
      "format": "email",
      "description": "Die primäre E-Mail-Adresse."
    },
    "is_active": {
      "type": "boolean",
      "description": "Gibt an, ob der Kunde aktiv ist."
    }
  },
  "required": ["customer_id", "full_name", "email_address", "is_active"]
}

3

Speichern und überprüfen

• Speichere die Data Structure.

• Überprüfe, ob alle vier Felder (customer_id, full_name, email_address, is_active) mit den korrekten Typen und Beschreibungen angelegt wurden.

Erwartetes Ergebnis: Eine neue Data Structure CanonicalCustomer existiert und enthält die vier definierten Felder mit den korrekten Typen und Beschreibungen.

---

Teil 2: Der Transformations-Workflow

Szenario: Ein angebundenes Altsystem liefert Kundendaten in einem "unordentlichen" Format. Du baust einen Workflow, der diese Daten liest, sie in dein CanonicalCustomer-Format transformiert und im Data Store ablegt.

1

Workflow erstellen

• Erstelle einen neuen Workflow mit dem Namen M03-Lab-Transform-Customer.

2

Quelldaten simulieren (Set-Knoten)

• Füge einen Set-Knoten hinzu und konfiguriere ihn wie folgt:

  • Name: source_customer

  • Value (als JSON):

{
  "id": "user-123",
  "firstName": "Max",
  "lastName": "Mustermann",
  "contact": {
    "primary_email": "[email protected]"
  },
  "status": 1
}

3

Daten mappen (Mapping-Knoten)

• Füge einen Mapping-Knoten hinzu.

• Target Structure: Wähle deine CanonicalCustomer-Struktur.

• Mapping-Logik:

  • id (aus source_customer) → customer_id

  • firstName und lastName → full_name

    • Verwende eine Expression (klicke auf das f(x)-Icon neben full_name):

      {{$node["source_customer"].json["firstName"]}} {{$node["source_customer"].json["lastName"]}}

  • contact.primary_email → email_address

    • Navigiere durch das Quellobjekt, um das verschachtelte Feld zu wählen.

  • status → is_active

    • Verwende eine Expression:

      {{$node["source_customer"].json["status"] == 1}}

    • Diese Expression ergibt true wenn status gleich 1 ist, sonst false.

4

Im Data Store speichern (Data Store > put)

• Füge einen Data Store > put-Knoten hinzu.

• Konfiguration:

  • Key:

    transformed-customer-{{$node["source_customer"].json["id"]}}

  • Value:

    {{$node["Mapping"].json}}

5

Workflow testen

• Speichere, aktiviere und teste den Workflow.

Erwartetes Ergebnis:

• Der Workflow läuft erfolgreich durch.

• Im Log des Mapping-Knotens siehst du das transformierte CanonicalCustomer-Objekt.

• Im Data Explorer > Data Store findest du einen Eintrag mit dem Schlüssel transformed-customer-user-123.

• Der Wert dieses Eintrags ist:

{
  "customer_id": "user-123",
  "full_name": "Max Mustermann",
  "email_address": "[email protected]",
  "is_active": true
}

Musterlösung (Mermaid-Diagramm)

graph TD
    A[Start] --> B(Set 'source_customer');
    B --> C{Mapping Tool<br>Target: CanonicalCustomer};
    C -- Expressions für Name & Status --> D(Data Store 'put');
    D -- Key: transformed-customer-123 --> E[Ende];

---

Cleanup

• Du kannst den Eintrag im Data Store manuell löschen, um das Lab sauber zu hinterlassen. Klicke dazu im Data Explorer auf den Mülleimer neben dem Eintrag.