Saubere Reads für Ops-Frontends (Saubere Reads Fuer Ops Frontends)

Saubere Reads für Ops-Frontends

The control plane map and federated remotes share versioned read DTOs from the analysis API.

PostGIS/Mongo/ES → Django API → Map/MFE

Frontend store seçmez; API seçer.

Begriffe, dort definiert, wo sie zuerst auftauchen

📦 Operational Store
Vom ERP beschriebenes MySQL — gut für Ops, schlecht für Analytics.

📦 Analytics Store
Bereinigtes PostgreSQL/PostGIS für Geo-Queries und Reports.

📦 Telemetry Store
Dokumentenspeicher (MongoDB) für hochfrequente Location-Events.

📦 Search Index
Elasticsearch-Cluster für entity-übergreifende Ops-Suche.

Wer diese Schichten vermischt, erzeugt falsche Wahrheit in Analytics und auf der Karte.

Form des Problems

The control plane map and federated remotes share versioned read DTOs from the analysis API.

PostGIS/Mongo/ES → Django API → Map/MFE

Die Trennung, die trägt

Frontend store seçmez; API seçer.

PostGIS/Mongo/ES → Django API → Map/MFE
        ↓
   explicit contract → frontend

Frontend-Brücke

Ops-Karten, Wait-Geofence-UI und MFEs konsumieren Read Models — nie rohes ERP/MySQL.

Die am häufigsten verwechselten Zuordnungen

❌ ERP-MySQL = Analytics-DB
✓ ERP ist Write-Store; Analytics lebt in PostGIS

❌ Karte vertraut blind public/Vendor-Routern
✓ Produktion braucht Ihre API/OSRM-Kante

❌ ML-Outputs mit PII loggen
✓ Eval und Serving achten Privacy

Checkliste zur Prüfung des eigenen Systems

1. Welcher Store ist Source of Truth?
2. Welchen API-Vertrag ruft das Frontend?
3. Was passiert bei Node-Verlust im Cluster?
4. Wie wird Lag dem Operator gezeigt?
5. Deny-list: Domain/Vendor-Leakage?

Was aus diesem Teil bleiben sollte

1. Polyglotte Stores dienen unterschiedlichen Lasten.
2. Frontends konsumieren saubere Read Models, nicht das ERP.
3. ML/OSRM braucht API-Vertrag vor der Karte.

Eine schöne Karte aus schmutziger Quelle bleibt eine Lüge.