先日投稿した以下のAWS Data Pipeline関連エントリで、サービスを構成する諸要素のおおまかな内容が把握出来ました。当エントリ(以降)では実際に予め用意されているテンプレート等を使って実際の利用シーンを想定したパイプラインの作成について見て行きたいと思います。 定型データ移動処理のスケジュール自動化設定サービス『AWS DataPipeline』の構成要素をひと通り整理してみた ｜ Developers.IO まず初っ端1本目は『AWS CLIの処理をAWS Data Pipelineで実行する』というテーマから。 目次 AWS Data Pipeline 構成イメージ AWS Data Pipeline パイプラインの構築 パイプラインの作成: 名称の設定と利用ソースの選択 パイプラインの作成: パラメータ(AWS CLIコマンド)設定 パイプラインの作成: スケジュール設定

先日、SNSをウォッチしていたところ、『6 Steps to Faster Data Blending for Tableau』というホワイトペーパーに関する情報が目に留まりました。AlteryxとTableauの連携に関するもので、Tableauを利用するにあたってAlteryxをこういう風に使えばより効率良く作業が進められます！というコツを紹介した内容でした。 ツールの使い方そのものを紹介している訳では無いのですが、こういう局面ではこういう使い方をすれば良い、という部分の概略的なものは掴めそうな資料だったのでさくっと読んでみました。Alteryxに興味を持っている方々、若しくは実際に使い始めている方々の参考に少しでもなれば幸いです。 目次 Tableauの"データブレンディング" Tableauの為の高速データブレンディング TableauのためAlteryxビジュアル解析キット より

小ネタです。 Amazon Redshiftクラスタ環境上に於いて、スキーマを分けて運用管理をする事は往々にしてある事と思われますが、その際に同じテーブル名でスキーマを分けて作成する、という事も状況に拠ってはやる手段であるかと思います。運用面からの必要性であったり、又は開発環境として利用するために...という感じです。 その際、それら作成したテーブルに対してSQLアクセスを行う際の『スキーマ指定』について挙動が異なるんだけどこれは一体...という声が挙がっておりましたので、調べてみました。『検索パス(search_path)』という要素が関連していたのですが、その辺りの解説を簡単な実例を踏まえてご紹介してみたいと思います。 『検索パス』の設定値によってテーブルアクセスの順序を制御 そのものズバリな回答が以下公式ページに掲載されていますね。要はそう言う事らしいです。 search_path