Microsoft Azure var løsningen vi valgte. Her brukte vi diverse mikrotjenester og større løsninger. 

Vi benyttet Fabric for å tilordne data i ulike lag. Vi valgte Medallion architecture med bronze, silver og gold layer. Vi hadde et bronze lag som hadde rådata med navn fra kildene. Vi hadde et silver lag som hadde inndeling pr domene. Eksempel var kunde et domene og leverandør et annet domene. Finance var et domene. 

Vi hadde et gold layer som inneholdt den mest kuraterte data. Her var data i utgangspunktet klar til bruk for rapporter. Semantic layer for Power BI var en del av vårt gull lag men dette var eid av data analysts. De kunne bestille endringer for dette laget hvor Data engineers utførte endringene i henhold til forretningskrav. 

Vi benyttet dbt core for å lage SQL prosedyrer for å produsere data i de ulike lagene. En endring kunne gjøres i dbt hvor data endringen ville tre i kraft ved neste kjøretidspunkt. Vi hadde views i silver og gold og materialized view i bronze. Vi hadde en tjeneste som kicket i gang kjøring en gang i døgnet som bygde opp materialiserte views slik at vi hadde oppdatert data hver dag. 

For mer spesialiserte oppgaver benyttet vi Data factory. Det kunne være meget spesialiserte behov til enkelte kunder, spesielle dataprodukter eller ting som krevde utregning mer enn naturlig å utvikle gjennom dbt, som vi brukte til mer generisk kode for mer standardiserte dataprodukter. 

Vi benyttet ulike Azure tjenester for lagring av data på spesialiserte prosjekter. Der var det ikke hensiktsmessig å lage et standardprodukt og vi benyttet i flere tilfeller Azure SQL Database til lagring. 

Vi benyttet MS Power BI både internt og eksternt. Internt benyttet vi MS Power BI til å visualisere KPI`er. Vi benyttet MS Power BI som en del av dataproduktet og visningen av dette til kunde. De hadde typisk spesifikke krav til dashboards på innhold, kilder og oppdateringsfrekvens men også på look and feel. 

Vi benyttet Python for håndtering av datakvalitets issues. Ekstrahere ut spesifikk informasjon fra lange tekststrenger. Gjøre større og generiske endringer i kodebasen, eksempel navnestandarder. Vi benyttet i enkelte tilfeller python til å produsere dbt script, for å produsere sql kode, for å produsere data strukturer som igjen ble satt sammen til et ferdig dataprodukt.

Vi benyttet git for å versjonere kode. Vi hadde ikke dbt cloud slik at syncen av kode fra vårt dbt repository ble overført på alternative måter. Vi evaluerte dbt cloud men kom frem til at det ikke var hensiktsmessig, dels grunnet pris.