Menggunakan profil dan analisis data yang mendalam untuk memberikan pemahaman tentang konten, kualitas, dan struktur tabel dan file. Ini termasuk analisis kolom, klasifikasi data, skor kualitas data, analisis hubungan, analisis kunci utama multikolom, dan analisis tumpang tindih.

Mengontrol masuknya data yang "buruk" dengan menjalankan aturan kualitas data saat data ditransformasikan dan sebelum Anda memuatnya ke dalam data warehouse, data lake, atau ke dalam aplikasi. Menggunakan lebih dari 200 aturan bawaan untuk merutekan data ke orang yang tepat untuk diperbaiki untuk memastikan data tersebut dipercaya.

Mengidentifikasi tempat penyimpanan informasi yang dapat diidentifikasi secara pribadi (PII), data sensitif, dan kelas data lainnya. Anda juga dapat mengidentifikasi jenis data yang terdapat dalam kolom menggunakan lebih dari 250 kelas data bawaan, termasuk kartu kredit, ID wajib pajak, dan nomor telepon AS. Memungkinkan Anda membuat dan menyesuaikan tiga jenis kelas data: daftar nilai yang valid, ekspresi reguler (regex), dan kelas Java.

Mensintesiskan semua data yang berasal dari berbagai sumber ke dalam format atau standar yang sama untuk lingkungan target. Hapus duplikat dan gabungkan beberapa sistem ke dalam tampilan tunggal untuk membuat data akurat yang dapat dipercaya.

Memanfaatkan laporan Ringkasan Kesehatan berdasarkan Aturan Data, yang juga menunjukkan aturan yang tidak terkait dengan tata kelola informasi untuk mendukung pemberdayaan aturan data untuk manajemen pengecualian.

Transisi ke cloud pribadi atau publik dengan opsi penerapan yang fleksibel dan harga langganan. Anda dapat memperluas kapasitas on premises atau pindah langsung ke cloud. Menyadari time-to-value yang lebih cepat, mengurangi biaya administrasi, dan menurunkan harga langganan.

Menggunakan machine learning untuk proses klasifikasi metadata yang dipercepat (pemberian tag otomatis) dengan menggunakan nama kolom dan kelas data untuk menetapkan dan menyarankan istilah untuk kolom tertentu.