Kurs Architektura danych

1. Architektura danych w erze platform danych

• ewolucja architektury danych: od hurtowni do platform danych,
• rola architektury danych w organizacjach data-driven,
• architektura danych jako element architektury korporacyjnej,
• relacja: architektura danych – strategia danych – strategia AI.

2. Nowoczesne paradygmaty architektury danych

• klasyczne podejścia: Inmon, Kimball, Data Vault – co pozostaje aktualne,
• data lake, data warehouse, lakehouse – porównanie i zastosowania,
• architektura hybrydowa (on-premise + cloud),
• data mesh i data fabric – założenia, korzyści i ograniczenia.

3. Modelowanie danych w nowoczesnych hurtowniach i lakehouse

• modelowanie danych dla analityki i AI (analytics-ready data),
• schematy wymiarowe vs modele elastyczne (Data Vault, wide tables),
• model logiczny, fizyczny i semantyczny (semantic layer),
• modelowanie pod samoobsługowe BI i data science.

4. Projektowanie domen i produktów danych

• podejście domenowe w architekturze danych,
• produkty danych (data products) – definicja i cechy,
• modularność, kontrakty danych i odpowiedzialność zespołów,
• spójność miar i definicji w środowiskach rozproszonych.

5. Integracja danych i nowoczesne pipeline’y

• ETL vs ELT w środowiskach chmurowych,
• integracja wsadowa i strumieniowa,
• orkiestracja i automatyzacja pipeline’ów danych,
• wersjonowanie danych i reproducibility analiz.

6. Metadane, katalogi danych i data governance

• metadane biznesowe, techniczne i operacyjne,
• katalogi danych jako centralny punkt wiedzy,
• data lineage i impact analysis,
• data governance „lightweight” vs regulacyjne.

7. Jakość danych i zaufanie do danych

• jakość danych jako element architektury, nie dodatku,
• reguły jakości i monitoring danych,
• odpowiedzialność za jakość w modelu domenowym,
• budowanie zaufania do danych w organizacji.

8. Współpraca zespołów danych i biznesu

• role w nowoczesnych zespołach danych,
• współpraca architektów, inżynierów, analityków i data scientists,
• modele odpowiedzialności (RACI, ownership danych),
• procesy zmian definicji i zarządzania wiedzą.

9. Architektura danych jako fundament BI, ML i AI

• wspólna platforma danych dla BI i ML,
• przygotowanie danych pod modele ML i AI,
• integracja architektury danych z MLOps,
• architektura danych a automatyzacja decyzji.

10. Bezpieczeństwo, prywatność i zgodność danych

• privacy by design i security by design,
• ochrona danych osobowych i wrażliwych,
• kontrola dostępu i audytowalność,
• architektura danych w kontekście regulacji i compliance.

11. Trendy i kierunki rozwoju architektury danych