TimeXtender Data Integration Winter 2026 Release

TimeXtender heeft een niewe release van hun producten uitgebracht met een winters thema: grote Snowflake verbeteringen. Daarnaast is er ook nog een grote sprong voorwaarts met de TimeXtender MCP Server en Deliver endpoints. In deze blog licht ik zeven van de hoogtepunten toe, voor de volledige details van de TDI en connector releases kun je naar de volgende links:

• TDI 7256.1 Release details
• Data Source Providers release

Snowflake

Tot nu toe was het bij een Snowflake noodzakelijk om Ingest storage via ADLS in te richten wanneer Snowflake gebruikt werd als engine voor de Prepare instance. Vanaf deze release is het nu ook mogelijk om Snowflake native staging toe te passen en rauwe data in Snowflake op te slaan. Dit zorgt voor minder infrastructurele complexiteit, vooral voor omgevingen met restrictieve security eisen, en een verkleining van het palet aan benodigd gereedschap. Onze initiële tests laten goede performance karakteristieken zien en Data Source Providers hebben updates gekregen om compatible te zijn met Snowflake ingest storage.

TDI heeft tot deze release een verminderde set aan ETL features gehad voor Snowflake Prepare, met deze release komen bijna alle ontbrekende features beschikbaar. Het is nu ook mogelijk om Add Related Records, Integrate Existing Objects, en pre- en postscripts met stored procedures toe te passen. In de laatste optie kun je ook andere engines dan Snowflake SQL aanspreken zoals Python zonder extra configuratie. Met wat aanpassingen in Snowflake kun je ook Java, JavaScript, en Scala integreren in je oplossing. De enige feature die nog in de toekomst ligt is Object Level Security en afgeleide opties.

Met deze uitbreiding van de mogelijkheden is het omschakelen van SQL Server naar Snowflake (en andersom) zo makkelijk als het maar kan. Er blijven enkele subtiliteiten over met het verschil tussen Snowflake SQL en T-SQL en data typen, maar dit zorgt voor een hoop extra flexibiliteit.

MCP Server

Als je bent blootgesteld aan AI-nieuws zul je de laatste tijd meerdere MCP-server releases hebben zien langskomen. MCP-servers standaardiseren de beschikbaarheid van mogelijkheden die AI-modellen kunnen benutten. In de context van TimeXtender kun je nu de structuur en betekenis van Deliver instances (data marts) en de data die erin zit toegankelijk maken voor de AI modellen en agents die je in je organisatie wilt gebruiken. Met de MCP Server kan AI “begrijpen” hoe je data modellen in elkaar zitten en kunnen er ook daadwerkelijk resultaten uit gehaald worden. Omdat TimeXtender metadata-gedreven is en die metadata de MCP Server voedt, heb je hiermee een fantastische voedingsbodem voor betere uitkomsten uit AI.

De server heeft een geïntegreerde koppeling met Claude Desktop en kan ook makkelijk met andere modellen waaronder on-prem modellen uit bijvoorbeeld LM Studio werken. Dit geeft je de vrijheid om een AI oplossing samen te stellen die past bij de beleidsregels van je organisatie. Uiteraard vergt het on-prem draaien van AI wel stevige hardware en expertise.

Vragen die gedekt worden door je model kunnen diep worden geanalyseerd.

Hoewel deze functionaliteit erg eenvoudig lijkt, opent het een wereld aan mogelijkheden: self-service analytics is nu voor iedereen binnen handbereik. Onze eigen tests tegen AdventureWorks data laten zien dat de meer geavanceerde modellen diepgaande analyses kunnen maken met de data modellen die je zelf inbrengt. Uiteraard vergt dit wel goed gedefinieerde modellen en goede data kwaliteit. Over dat laatste verderop meer.

Uiteraard betekent dit wel “With great power comes great responsibility”: om op een bestendige manier met AI om te gaan heb je een beleidskader nodig en het besef dat je niet altijd blind kan vertrouwen op AI. Met een goed opgezet data model, voorzien van de juiste omschrijvingen, kan je ontzettend veel meer nut gaan halen uit de data die je al hebt.

Wanneer je precies op de juiste manier de vraag stelt kun je vertrouwen op het resultaat. Op dit vlak komen we later met een meer gedetailleerd blog.

Voor meer details, zie hier.

Mijn collega Louis de Roo geeft binnenkort een KPI Masterclass (13 februari) waar je kan leren hoe je je meetwaarden beter kan definieren. Bekijk onze Academy agenda hier.

Prepare-to-Prepare data movement

Vanaf nu is het mogelijk om in TDI data van één Prepare instance naar een andere te brengen. Hiermee kun je meer complexe implementaties bouwen, zoals de situatie waar een groep losse data warehouses voor bedrijfsonderdelen wil faciliteren met ook een overkoepelend data warehouse dat alles bij elkaar brengt. Ook kun je hiermee je oplossing in kleinere broken knippen om je infrastructuur te optimaliseren. Op dit moment werkt dit voor SQL-based instances.

Salesforce Connector

Salesforce is een product dat lastig kan zijn om te ontsluiten met standaard connectoren als de REST-connector. Vanaf nu is er ook een specialistische Salesforce connector die extra filters heeft om alleen de meest gebruikte tabellen over te halen of alle table- en kolomnamen in de “vriendelijke” variant over te nemen.

Voor meer details, zie hier.

Orchestration Execution Error Insights with XPilot

Als je je data warehouse herlaadt, loop je soms op errors. Vaak gaat dat gepaard met een flinke lap logging en stacktraces. Omdat het lasting kan zijn om de juiste informatie daar uit op te halen heeft Orchestration nu XPilot-enhanced error insights: in het kort wordt AI toegepast om het waarschijnlijke issue en de stappen om het op te lossen in leesbare tekst uit de diverse logging af te leiden. Dit maakt het een stuk sneller om tot de kern van de issues door te springen en voorkomt dwaalsporen.

Voor meer details, zie hier.

Data Quality Rule Generation with XPilot

In Data Quality kun je vanaf nu je datasets door XPilot laten analyseren om automatische data kwaliteitsregels te genereren. Je kan XPilot dieper sturen en de gegenereerde regels tweaken en aanpassen.

Voor meer details, zie hier.

Qlik Cloud

“But wait, there is more…”: Qlik Cloud heeft nu ook een eigen Deliver Endpoint waarmee je je modellen als apps naar Qlik Cloud kan pushen en herladen. Dit voorkomt het toepassen van de workarounds die eerder noodzakelijk waren. Dit werkt zowel voor directe verbinding met je data als via de Qlik Data Gateway. Dit laat mijn (voormalig) groene hart weer een beetje sneller kloppen…

Op dit moment worden Qlik Cloud Managed Spaces nog niet direct ondersteund; neem vooral contact op met onze eigen Qlik Ambassador Lennaert van den Brink als je meer wilt weten over Qlik.

Conclusie

Deze release brengt een hele hoop mooi features die, vooral op het gebied van AI, putten uit de kern van wat TimeXtender een mooi product maakt: een metadata-gedreven end-to-end data oplossing.

Geschreven door Ruairidh Smith,
Senior Consultant bij E-mergo