Spójny obraz architektury danych - Uporządkujesz pojęcia, role i zależności między strategią danych, architekturą korporacyjną oraz roadmapą, dzięki czemu łatwiej połączysz decyzje technologiczne z celami biznesowymi.
Lepsze projektowanie modeli danych - Nauczysz się rozróżniać modele koncepcyjne, logiczne i fizyczne oraz przechodzić od modelu do wdrożenia, co pomoże Ci tworzyć rozwiązania czytelne i gotowe do implementacji.
Praktyczne podejście do MDM i metadanych - Zrozumiesz, jak porządkować dane podstawowe, słowniki i klasyfikacje oraz jak budować katalog metadanych i lineage, aby szybciej analizować wpływ zmian w systemach.
Świadomy dobór technologii danych - Porównasz relacyjne i nierelacyjne bazy danych, replikację oraz nowoczesne wzorce przechowywania, dzięki czemu trafniej dobierzesz architekturę do skali, typu i tempa zmian danych.
Skuteczniejsza integracja danych - Poznasz ETL, ELT, Reverse ETL, CDC, integrację wsadową i strumieniową oraz rolę API i platform integracyjnych, co pozwoli Ci projektować sprawniejsze przepływy danych między systemami.
Pewność w projektowaniu analityki - Zrozumiesz różnice między Inmonem, Kimballem i Data Vault oraz zastosowanie schematów gwiazdy, płatka śniegu i data martów, aby lepiej budować warstwę analityczną dla BI.
Orientacja w nowoczesnych platformach - Nauczysz się oceniać zalety i ograniczenia Data Lake, Lakehouse, Data Fabric oraz Data Mesh, dzięki czemu dobierzesz właściwy model centralizacji lub decentralizacji danych.
Silniejsze governance i bezpieczeństwo - Dowiesz się, jak łączyć jakość danych, role nadzorcze, polityki dostępu, klasyfikację i prywatność by design, aby tworzyć architekturę wspierającą BI, ML i rozwiązania AI zgodnie z regulacjami.
Na poziomie organizacji architektura danych łączy strategię, zasady działania i plan rozwoju. Sekcja porządkuje podstawowe pojęcia, relację z architekturą korporacyjną oraz znaczenie wizji, celów, mierników, capabilities, principles, frameworks, architektury wysokiego poziomu i roadmapy danych.
Od modelu korporacyjnego po strukturę implementacyjną, modelowanie danych wyznacza sposób opisu i budowy informacji. W programie ujęto poziomy koncepcyjny, logiczny i fizyczny, role modeli, najczęściej stosowane notacje oraz przejście od modelu do implementacji.
Dane referencyjne i podstawowe porządkują wspólne definicje używane w różnych systemach i procesach. Sekcja wyjaśnia pojęcia RDM i MDM, obejmuje słowniki, kody, klasyfikacje oraz typowe domeny danych podstawowych, a także wskazuje główne wyzwania zarządzania nimi.
Metadane nadają danym kontekst potrzebny do ich właściwej interpretacji i zarządzania. Ta część rozróżnia typy metadanych, opisuje katalog i słownik jako centralny punkt wiedzy oraz wyjaśnia data lineage, analizę wpływu zmian i typowe problemy związane z utrzymaniem metadanych.
Relacyjne bazy danych i rozwiązania NoSQL zostały ujęte z perspektywy wzorców przechowywania oraz dopasowania do wymagań architektonicznych. Omówienie pokazuje różnice w organizacji danych i wyjaśnia znaczenie replikacji dla dostępności, spójności i pracy w środowiskach rozproszonych.
Budowa przepływów danych obejmuje nie tylko transformacje, lecz także dobór właściwego sposobu wymiany i synchronizacji. Sekcja porządkuje ETL, ELT, Reverse ETL, integrację wsadową i strumieniową, CDC, orkiestrację, API oraz rolę platform IPaaS i API Gateway.
Projektowanie warstwy analitycznej wymaga doboru modelu zgodnego z potrzebami raportowania i udostępniania danych. W tej sekcji zestawiono podejścia Inmona i Kimballa, omówiono Data Vault, schemat gwiazdy i płatka śniegu oraz rolę Data Mart jako warstwy dostępowej.
Nowoczesne platformy danych są analizowane przez pryzmat najczęściej stosowanych wzorców architektonicznych. Uczestnicy porównują architekturę medalionową, Data Lake, Data Lakehouse i Data Fabric, zwracając uwagę na ich strukturę, sposób działania oraz typowe obszary zastosowania.
Gdy odpowiedzialność za dane jest rozproszona między domeny biznesowe, potrzebne są nowe zasady organizacji architektury. Sekcja omawia Data Mesh, Domain Ownership, dane jako produkt, kontrakty danych, platformę self-service i nadzór federacyjny wraz z korzyściami i ograniczeniami podejścia.
Rzetelne wykorzystanie danych wymaga zarówno mierzenia jakości, jak i jasnych zasad nadzoru. Ujęto tu wymiary jakości danych, profilowanie oraz reaktywne i proaktywne zarządzanie jakością, a następnie role, polityki i procesy składające się na Data Governance.
Wymogi regulacyjne wyznaczają sposób projektowania ochrony danych w całej architekturze. Ta część obejmuje RODO i inne regulacje, klasyfikację danych, maskowanie i anonimizację, a także modele kontroli dostępu RBAC, ABAC i PBAC oraz podejście privacy by design i security by design.
Warstwa semantyczna porządkuje sposób korzystania z danych w rozwiązaniach BI, ML i AI. Sekcja pokazuje, jak architektura danych wspiera generatywną AI, prowadzi od raportowania do inteligentnych systemów decyzyjnych oraz umożliwia automatyzację i optymalizację procesów dzięki modelom AI.
Podstawy baz danych - Powinieneś swobodnie rozumieć, czym są tabele, relacje, klucze i podstawowe operacje na danych, aby łatwo śledzić zagadnienia modelowania i przechowywania informacji.
Orientacja w systemach IT - Powinieneś znać podstawowe elementy środowiska IT, takie jak aplikacje, interfejsy, bazy i integracje, aby sprawnie łączyć omawiane wzorce z realnymi rozwiązaniami.
Podstawy analityki danych - Powinieneś rozumieć, do czego służą raportowanie, hurtownie danych i przepływy danych, aby łatwiej ocenić różnice między podejściami analitycznymi i architektonicznymi.
Świadomość jakości i bezpieczeństwa - Powinieneś mieć podstawową świadomość znaczenia jakości danych, uprawnień i ochrony informacji, aby lepiej zrozumieć tematy governance, prywatności i zgodności.
