Student k tématu své bakalářské práce „Srovnání ETL systémů Apache Foundation“ přistupoval zodpovědně, svědomitě a s aktivním zájmem.

V průběhu řešení prokázal systematický přístup k řešení vznikajících problémů a značné zaujetí pro zvolenou problematiku. Toto zaujetí místy vedlo k přílišnému soustředění na dílčí aspekty tématu na úkor celkového nadhledu, což však vzhledem k rozsahu a náročnosti studovaného materiálu nelze hodnotit negativně.

Praktická část práce byla navržena s důrazem na funkčnost a zároveň na možnost jejího využití v reálném provozním prostředí společnosti, ve které student působí. Tohoto cíle dosáhl navzdory omezení, že při zpracování práce nemohl využít interní data ani informace dané společnosti.

Za určitou slabinu práce považuji nižší míru pečlivosti ve finální úpravě textové i grafické části. Rovněž by bylo vhodné podrobněji popsat implementovaný kód, což by přispělo k lepší srozumitelnosti a reprodukovatelnosti navrženého řešení.

Přes uvedené dílčí výhrady hodnotím práci jako zdařilou a navrhuji klasifikaci B – velmi dobře.

Bakalářská práce se zabývá porovnáním vybraných ETL nástrojů z ekosystému Apache Foundation, konkrétně Apache NiFi, Apache Airflow a Apache Spark.

Teoretická část poskytuje přehled základních principů ETL a ELT procesů, datových skladů, datových jezer a vybraných technologií souvisejících se zpracováním dat. Autor dále představuje hlavní vlastnosti tří nejpoužívanějších nástrojů společně se stručným popisem dalších nástrojů Apache Foundation. V teoretické části chybí analýza, na základě které by bylo možné stanovit tři nejpoužívanějších technologie. V práci je pouze konstatováno, o jaké technologie se jedná.

Praktická část obsahuje implementaci demonstračních ETL pipeline v prostředích Apache NiFi, Apache Airflow a Apache Spark nad simulovanými výrobními logy. Následně je navržena modulární architektura, ve které jednotlivé nástroje plní specializované role v rámci společného datového toku. Jak autor správně uvádí, jednotlivé nástroje plní odlišné role v procesu ETL, proto se mi zdá být zadání prvního úkolu zvoleno nešťastně.

Vzhledem k jazyku práce nedokážu objektivně posoudit gramatiku. I přes to se v textu vyskytují poměrně zásadní nedostatky, jako nedokončené věty nebo bezprostředně po sobě se opakující dva identické odstavce (začátek kapitoly 3.5.1). Nadužívání anglických výrazů i pro běžná slova, jako sample (vzorek), batch (dávka), user-defined (uživatelsky definované) a dále hovorových výrazů jako „Data pipelines ŤAHAJÚ dáta z dátových zdrojov“ působí rušivě. Tyto nedostatky zásadně ovlivňují čtivost práce a také její kvalitu.

Přes uvedené výtky lze zadané cíle považovat za splněné. Autor prokázal schopnost orientace v problematice datového inženýrství a dokázal navrhnout a realizovat funkční demonstrační řešení. Přínosem práce je zejména praktické porovnání odlišných přístupů ke zpracování dat a ukázka jejich vzájemné integrace. Pozitivně hodnotím také snahu propojit teoretické poznatky s praktickou implementací. Topics for thesis defence:

1. Na základě čeho jste stanovil tři nejpoužívanější technologie?
2. V kapitole 4 uvádíte "Dátový sample je pripravený a štatisticky spracovaný pre overenie funkčnosti". Jakým způsobem jste data statisticky zpracoval?