Änderungsprotokoll – Release 2026.06¶

Mit Release 2026.06 macht digna einen großen Schritt nach vorn in den Bereichen Automatisierung, Erweiterbarkeit und Plattformbenutzbarkeit.
Dieses Release führt das neue digna Python SDK, offizielle Docker-Bereitstellungsunterstützung, ein überarbeitetes Dashboard-Erlebnis und eine verbesserte Portabilität für das Management von Validierungsregeln ein.

Das Release ansehen¶

What's New in digna | The Major Release of 2026 — ein Rundgang durch dieses Release auf dem digna-YouTube-Kanal.

Neue Funktionen¶

digna Python SDK – Automatisieren Sie alles mit Python¶

Installieren via:
```
pip install digna-sdk
```
Programmgesteuerte Verwaltung und Automatisierung von digna mit Python
Projekte per Code erstellen und konfigurieren
Inspektionen und Monitoring-Ausführungen auslösen
Datasets, Regeln und Konfigurationen programmgesteuert verwalten
Tabellen profilieren und Metadaten-Einblicke extrahieren
Profiling- und Data-Quality-Ergebnisse in externe Repositories und Systeme exportieren
Integration mit Notebooks, Orchestrierungs-Tools und CI/CD-Pipelines

Auswirkung: Ermöglicht vollständiges Infrastructure-as-Code und tiefe Automatisierung von Data-Quality- und Observability-Workflows mit Python.

Docker-Unterstützung – Vereinfachte Bereitstellung & Betrieb¶

Offizielle Docker-Image-Unterstützung für digna
Schnelle und konsistente Einrichtung über Umgebungen hinweg
Vereinfachtes Onboarding für Entwicklung, Test und Produktion
Einfache Integration mit Kubernetes und Container-Plattformen
Verbesserte Portabilität und Reproduzierbarkeit von Deployments

Auswirkung: Macht digna leichter in modernen cloud-nativen Architekturen bereitstell- und betreibbar.

QueryMode – Flexible SQL-Ausführungsstrategie¶

Konfigurieren Sie die Abfrageausführungsstrategie: Single oder Combined Modus

Single-Modus: Jede Statistik wird mit einer eigenen dedizierten SQL-Abfrage berechnet

Ideal für große Datenquellen, bei denen Speicherbeschränkungen eine Rolle spielen
Verhindert Ressourcenerschöpfung durch kombinierte Abfragen (Out-of-Memory, Spool-Limits)
Höhere Anzahl an Abfragen, aber geringere Speicherbelastung pro Abfrage

Combined-Modus: Alle Statistiken werden innerhalb einer einzigen SQL-Abfrage berechnet

Reduziert die Gesamtanzahl der Abfragen und den Netzwerk-Overhead
Optimiert die Performance, wenn Datenquellen im Speicher handhabbar sind
Effizienter bei häufigen, parallelen Ausführungen

Auswirkung: Gibt Nutzern feingranulare Kontrolle über die Abfrageausführung, um Performance, Ressourcennutzung und Speicher-Sicherheit basierend auf den Eigenschaften ihrer Datenquelle auszubalancieren.

Konfigurierbares Vorhersagemodell¶

Das Modell hinter der Anomalieerkennung wägt jetzt konkurrierende Erklärungen jeder Zeitreihe gegeneinander ab – ein Muster, kombiniert mit einer Einschätzung der jüngsten Beobachtungen – und gewichtet ihre Prognosen danach, wie stark jede davon gestützt wird. Ein einzelner Extremwert kann nicht mehr auf die nachfolgenden Vorhersagen durchschlagen.

Zwei Einstellungen auf dem neuen Tab Modell der Datenquelle steuern es, jeweils von 0.0 bis 1.0 mit 0.5 als Standardwert:

Bruch-Sensitivität – wie schnell ein Sprung auf ein neues Niveau oder eine Trendwende als echt angenommen statt als Ausreißer behandelt wird
Modellkomplexität – wie viel Struktur das Modell sucht, von Kalendereffekten und einer einzelnen Niveauverschiebung bis hin zu unbekannten Zyklen, Monatstagseffekten und monatlichen Rücksetzungen

Beide lassen sich jederzeit auf ihre Standardwerte zurücksetzen. Unter Modelleinstellungen erfahren Sie, wie jede davon wirkt.

Auswirkung: Gibt Nutzern Kontrolle über das Vorhersagemodell selbst, zusätzlich zu den bestehenden Einstellungen Sensitivity und Memory für das Toleranzband, die sich jetzt auf dem Tab Schwellenwerte befinden.

Steuerung der Anomalie-Benachrichtigungen¶

Neuer Tab Benachrichtigungen in den Anomalie-Einstellungen der Datenquelle:
Mindestanzahl Alarme – wie viele fehlgeschlagene Prüfungen (nicht unsichere) eine Inspektion benötigt, bevor eine Benachrichtigung gesendet wird (Standard 1)
Pause nach Benachrichtigung (Tage) – wie lange eine Subscription stumm bleibt, nachdem sie über die Datenquelle benachrichtigt hat (Standard 0, keine Pause)

Überarbeitetes Dashboard-Erlebnis¶

Modernisiertes und verbessertes UI/UX-Design
Klarere Navigation und Struktur
Bessere Sichtbarkeit von Monitoring-Ergebnissen und Data-Quality-Einblicken
Verbesserte Lesbarkeit von Alerts, Statistiken und Dashboards
Schnellere Zugriffsmöglichkeiten auf wichtige betriebliche Informationen

Auswirkung: Steigert die Benutzerfreundlichkeit und die tägliche Produktivität für alle Nutzer.

Erweiterter Import & Export für Validierungsregeln¶

Verbesserte Import-/Export-Funktionalität für Validierungsregeln
Einfachere Migration zwischen Umgebungen und Projekten
Bessere Wiederverwendung standardisierter Regelsets
Verbesserte Governance und Lifecycle-Management von Regeln
Vereinfachte Zusammenarbeit zwischen Teams

Auswirkung: Ermöglicht skalierbare und konsistente Data-Quality-Governance im gesamten Unternehmen.

Plattformverbesserungen¶

Vollständige Integration des Python SDKs für Automatisierung
Containerisierte Bereitstellung via Docker
Verbesserte UX durch das überarbeitete Dashboard
Erweiterte Portabilität der Validierungslogik

Wer profitiert von dieser Version¶

Data Engineers: Automatisierung, SDK-Nutzung, Pipeline-Integration
Plattform-Teams: Vereinfachte Bereitstellung via Docker
Data-Governance-Teams: Wiederverwendbares Management von Validierungsregeln
Analytics-Teams: Verbesserte Usability und bessere Sichtbarkeit von Insights

CLI-Aktualisierungen¶

SDK-Integrationsunterstützung hinzugefügt
Verbesserte Import-/Export-Workflows
Allgemeine Stabilitäts- und Performance-Verbesserungen