Redigerer Datatransformasjon (avsnitt)

=== Begrensninger av tradisjonell datatransformasjon ===
Den tradisjonelle transformasjonsprosessen har også begrensninger som hemmer den generelle effektiviteten og effekten.<ref name="cio.com"/><ref name="livinglab.mit.edu"/><ref name="andrefreitas.org"/>

Menneskene som trengs for å bruke dataene (for eksempel forretningsbrukere) spiller ikke en direkte rolle i transformasjonsprosessen.<ref name="digital.lib.washington.edu"/> Vanligvis gir brukerne transformasjonsoppgaven til utviklere som har de nødvendige tekniske eller kodeferdighetene for å definere transformasjonene og utføre dem på dataene.<ref name="The Value of Data Transformation">The Value of Data Transformation</ref>

Denne prosessen gjør at mesteparten med å definere de nødvendige transformasjonene lempes over på utvikleren som ofte ikke har den samme [[Domenekunnskap|domenekunnskapen]] som forretningsbrukeren. Utvikleren tolker kravene til forretningsbrukeren og implementerer den relaterte koden eller logikken. Dette steget har potensial til å introdusere feil i prosessen (gjennom feiltolkede krav), og øker også tiden for å komme frem til en løsning på forretningsproblemet.<ref name="digital.lib.washington.edu"/><ref name="ReferenceA">McKinsey.com. Using Agile to Accelerate Data Transformation</ref>

Dette problemet har gitt opphav til behovet for [[Smidig programvareutvikling|smidighet]] og [[selvbetjening]] innen dataintegrasjon (altså styrke brukeren av dataene sine datakunnskaper og gjøre dem i stand til å transformere dataene selv interaktivt).<ref name="andrefreitas.org"/><ref name="ReferenceA">McKinsey.com. Using Agile to Accelerate Data Transformation</ref>

Det finnes selskaper som tilbyr verktøy for selvbetjening av datatransformasjon. De tar sikte på å effektivt analysere, kartlegge og transformere store datamengder uten å kreve den tekniske kunnskapen og prosesskompleksiteten som vanligvis kreves. Mens disse selskapene på underliggende nivå leverer tradisjonell satsvis transformasjon så muliggjør verktøyene deres en presentasjon som er mer interaktiv for brukerne gjennom å bruke visuelle plattformer og enkle skript som gjenbrukes.<ref>{{Kilde avis|url=https://www.datanami.com/2016/05/31/self-service-prep-killer-app-big-data/|tittel=Why Self-Service Prep Is a Killer App for Big Data|dato=2016-05-31|avis=Datanami|besøksdato=2017-09-20|språk=en-US}}</ref>

Likevel kan det være noen kompatibilitetsproblemer (som for eksempel at nye datakilder som [[tingenes internett]] (IoT) ikke fungerer korrekt med eldre verktøy) og [[Samsvar og etterlevelse|samsvarsbegrensninger]] på grunn av forskjeller i [[datastyring]]-, preparering- og revisjonspraksis.<ref>{{Kilde www|url=https://blog.coupler.io/what-is-data-transformation/|tittel=Your Practical Guide to Data Transformation|besøksdato=2022-07-08|fornavn=Pablo|etternavn=Sergio}}</ref>