Data to AI™ / Gemini/AFAS
Data Engineers, die AFAS in Batches laden, prüfen im Terminal, dass jeder Skip-Bereich genau einmal angekommen ist, und übergeben dann saubere Extrakte an die Finanzanalysten.
Bessere Antworten, weniger Tokens.
Gemini CLI
In welchen Artikelgruppen wurden letzte Woche die meisten Artikel geändert, und wie hoch ist ihr durchschnittlicher Verkaufspreis?
ArtGroup 100 hat sich am stärksten verändert, mit 86 Artikeln nach ModifiedDate und einem durchschnittlichen SalesPrice von 42,10 €. Alle drei gezeigten Gruppen wurden bei der Preisaktualisierung letzte Woche bearbeitet.
| ArtGroup | Artikel nach ModifiedDate | Durchschnittlicher SalesPrice |
|---|---|---|
| 100 Profit_Article | 86 | 42,10 € |
| 200 Profit_Article | 54 | 118,40 € |
| 300 Profit_Article | 21 | 9,75 € |
AFAS hat keinen Datumsbereich, daher holt jeder Lauf die aktuellen Artikel bis zum Limit; die Woche wird nach ModifiedDate gezählt, und Artikel mit Blocked fließen nicht in den Durchschnitt ein.
AFAS Profit ist niederländische Unternehmenssoftware für Finanzen, HR, Lohnabrechnung und CRM. Dataddo extrahiert jeden GetConnector, den Sie in AFAS eingerichtet haben, mit den Feldern Ihrer Wahl, einschließlich benutzerdefinierter Felder. Die hier gezeigten mitgelieferten GetConnectors wie Profit_Article und Profit_Employee_Leaves sind Beispiele aus der AFAS-Dokumentation.
Zähle mit dem dataddo-Server die AFAS-Zeilen pro Quelle im vereinten Flow und prüfe, ob die Skip-Bereiche 0, 50.000 und 100.000 jeweils einen vollen Batch geliefert haben.
Nach dem Laden eines großen GetConnectors in Batches bestätigt ein Data Engineer im Terminal, dass kein Bereich fehlt, bevor er auf tägliche Inkremente umstellt.
Finde dataddo_hash-Werte, die im AFAS-Flow mehr als einmal vorkommen, und brich mit einer kurzen Zusammenfassung ab, falls es welche gibt.
Die Prüfung läuft in Gemini CLI vor dem Deployment der Reporting-Pipeline, sodass doppelte Batches nie in den Finanz-Dashboards landen.
Frage AFAS-Datensätze mit last modified on von gestern ab und schreibe sie mit ID, created on und last modified on nach data/afas/changes-yesterday.csv.
Ein Analytics Engineer in Gemini Code Assist legt die Datei im Repository ab, wo das Notebook der Analysten sie am nächsten Morgen einliest.
Data to AI™ wird pro Nutzerplatz abgerechnet, wie die KI-Assistenten, die Ihr Team bereits nutzt, mit ~25 % Rabatt bei jährlicher Abrechnung. Sie brauchen individuelle Verträge oder Mengenpreise? Sprechen Sie mit uns über Enterprise.
Stellen Sie Claude, ChatGPT und anderen KI-Tools governte Geschäftsdaten über MCP bereit.
$10.49/Monat
pro Nutzerplatz
Mindestens 3 Nutzerplätze
Stellen Sie Dataddo flexibel in jeder Cloud- oder Hybridumgebung bereit.
Benutzerdefiniert
Wir haben ein Zahlungsmodell, das zu Ihnen passt
| Ohne Dataddo |
Mit Dataddo
|
Ihr Ergebnis | |
|---|---|---|---|
| Vollständigkeit der Batches prüfen | Der Engineer exportiert jeden Batch, zählt Zeilen in einer Tabelle und hofft, dass kein Skip-Wert vertippt ist. | Gemini CLI fragt den Flow direkt ab und vergleicht die Zeilenzahlen mit dem Limit und Skip, die Sie pro Quelle verwendet haben. | Lücken vor dem Go-live gefunden |
| Duplikate durch überlappende Batches | Überlappende Skip-Bereiche verdoppeln einige Datensätze, und niemand merkt es, bis die Summen nicht stimmen. | dataddo_hash dient als natürlicher Schlüssel, daher listet Gemini wiederholte Hashes, und upsert im Data Warehouse verhindert sie von vornherein. | Verlässliche Summen |
| Arbeiten, wo der Code liegt | Jede Prüfung heißt: Editor verlassen, AFAS öffnen, exportieren und das Ergebnis zurückkopieren. | Gemini CLI und Gemini Code Assist rufen Dataddo aus dem Terminal oder VS Code auf, und Sie bestätigen jeden Tool-Aufruf. | Prüfungen bleiben im Repo |
| Token-Verbrauch | Gemini verbraucht Tokens, um rohe AFAS-Spalten zu erkunden, Zeilen zu sichten und neu anzusetzen, bis die Daten verstanden sind. | Felddefinitionen und Beziehungen werden vorab geliefert, sodass das Modell die Erkundung überspringt und direkt antwortet. | Weniger Tokens pro Antwort |
| Antwortqualität | Anfällig für falsche Joins, erfundene Felder und schwer überprüfbare Zahlen. | Antworten auf Basis definierter Felder. Im Dataddo-Benchmark wurden 78,5 % der Fragen korrekt beantwortet, gegenüber 65,5 % mit einfachen CSV-Dateien. | Bessere Antworten |
Die AFAS-Datensätze, die Finance- und RevOps-Teams am häufigsten nutzen, mit ihren echten Feldnamen. Gemini fragt sie über die semantische Schicht von Dataddo beim Namen ab.
| Datensatz | Metriken und Attribute |
Fragen Sie Gemini
|
|---|---|---|
| Profit_Article (example GetConnector) |
|
Welche ItemCode-Werte teilen sich dieselbe Description, ein Hinweis auf doppelte Artikel? |
| Profit_Employee_Leaves (example GetConnector) |
|
Wie entwickelt sich die Zahl der Abwesenheitsdatensätze pro Year über die letzten drei Jahre? |
| ProfitGetConnectoren (example GetConnector) |
|
Welche Omschrijving eines GetConnectors erwähnt Debitoren oder Rechnungen? |
| Date and key fields |
|
Gibt es Lücken in der ID-Folge der Datensätze, die wir in historischen Batches geladen haben? |
Wir haben 43 vorab registrierte Fragen zu drei echten Datensätzen gestellt - Google Search Console, HubSpot-Deals und Google Ads - und dieselben Zeilen auf vier Arten an dasselbe Modell geliefert. Nur die Datenschicht hat sich geändert.
der Fragen richtig beantwortet - der beste der vier getesteten Bereitstellungswege
weniger selbstsicher falsche Antworten - 14,0 % der Durchläufe gegenüber 24,0 % und 26,3 %
mehr richtige Antworten bei unübersichtlichen CRM-Daten - besser bei 8 Fragen, bei keiner schlechter
Dasselbe Modell, dieselben Prompts und dieselben Zeilen in jeder Bedingung; 759 bewertete Durchläufe, Referenzantworten vor dem ersten Durchlauf festgelegt. Allein bei Google Search Console schnitten dokumentierte CSV-Dateien genauso gut ab wie Data to AI™ - der Vorteil entsteht bei unübersichtlicheren Daten wie HubSpot-Deals.
Benchmark lesen →Legen Sie in Dataddo eine AFAS-Quelle an und verbinden Sie sie mit einem Google Gemini-Ziel oder AI Model. Tragen Sie Dataddo in ~/.gemini/settings.json unter mcpServers mit httpUrl https://headless.dataddo.com/mcp-data ein, starten Sie Gemini CLI neu und melden Sie sich mit /mcp auth dataddo an. Gemini Code Assist in VS Code liest dieselbe Datei.
Nein. Dataddo extrahiert jeden GetConnector, den Sie in AFAS eingerichtet haben, und Profit_Article sowie die anderen Namen auf dieser Seite sind Beispiele. Gemini fragt den Flow Ihres GetConnectors wie jede andere Entität ab.
Legen Sie in settings.json unter mcpServers einen Eintrag dataddo mit dem Schlüssel httpUrl an, nicht url, und ohne headers- oder oauth-Block. Starten Sie Gemini CLI neu, führen Sie /mcp auth dataddo aus, melden Sie sich an und prüfen Sie /mcp.
Ja. Der Agent mode in VS Code liest dieselbe settings.json wie Gemini CLI. In IntelliJ tragen Sie den Server stattdessen in die mcp.json von Gemini Code Assist ein.
Auf jeden Flow und jeden Context, der in Ihrem Dataddo-Konto mit einem KI-Ziel oder AI Model verbunden ist, nicht nur auf die Google Gemini-Ziele. Verbinden Sie nur die AFAS-Flows, die Gemini abfragen soll.
Nein. Gemini CLI bittet Sie, jeden Dataddo-Tool-Aufruf zu bestätigen, und Sie können für einzelne vertrauenswürdige Tools, etwa eine reine Leseabfrage, Always allow wählen.
Nein. Gemini liest extrahierte AFAS-Daten über die semantische Schicht nach Entitäts- und Feldnamen. Dataddo nimmt nie SQL vom Modell an, und nichts wird nach AFAS zurückgeschrieben.
Die Zugangsdaten liegen in ~/.gemini/mcp-oauth-tokens.json und werden automatisch erneuert. Läuft die Sitzung ab oder wird sie widerrufen, führen Sie /mcp auth dataddo erneut aus.
