Datatyö – jatko

Data on organisaatiossa erittäin keskeinen omaisuuserä, koska datatyön tekemiseen osallistuu monet organisaation työntekijät. Datatyöhön liittyy tieto siitä, miten tieto kerääntyy ja muokkaantuu organisaatiossa. Kenellä on tietoa, ja mitä datasta tulee tietää? Miten dataa kerätään ja miten sitä pitäisi kerätä? Miten se muuntuu matkan varrella? Millaisia tietoturvakysymyksiä liittyy datatyöhön? Vastaukset näihin kysymyksiin saat tässä koulutuksessa.

Kenelle

Koulutus on teknologiariippumaton ja tarkoitettu kaikille, jotka haluavat ymmärtää paremmin tiedon ja datatyön merkitystä organisaatiossa.

Koulutuksen sisältö

Syventävä katsaus datastrategiaan

• Miten luoda tehokas datastrategia?
• Case-esimerkit onnistuneista datastrategioista.
• Yleisimmät kompastuskivet ja miten välttää ne.

Data Governance -käytännöt

• Syventävä katsaus Data Governance -prosesseihin ja parhaisiin käytäntöihin.
• DAMA International’s Data Management Body of Knowledge (DAMA-DMBOK)
• The Data Governance Institute’s (DGI) Framework
• Gartner’s Enterprise Information Management (EIM) Framework
• Kuinka rakentaa tehokas Data Governance -tiimi?

Tiedonhallinnan työkalut ja teknologiat

• Miksi tarvitsemme tiedonhallinnan työkaluja?
• Miten työkalut ja teknologiat tukevat Data Governance -toimintoja?
• Tietokannat ja Tietovarastot
• Data Integration ja ETL-työkalut
• Data Quality Työkalut
• Master Data Management (MDM) Työkalut
• Metadata Management ja Katalogointi
• Datan Visualisointi ja Raportointi Työkalut
• Datan Tietoturva ja Yksityisyys
• Data Governance Alustat

Tietoturva datatyössä

• Syvällisempi katsaus datan tietoturvakysymyksiin.
• Esimerkkejä tietoturvaloukkauksista ja niiden seurauksista.
• Parhaat käytännöt datan tietoturvan varmistamiseksi.

Datan laatu ja sen varmistaminen

• Miksi datan laatu on tärkeää?
• Työkalut ja prosessit datan laadun varmistamiseksi.

Datan Arkkitehtuuri

• Miten rakentaa skaalautuva ja joustava datan arkkitehtuuri?
• Mikro- ja makroarkkitehtuurin periaatteet.

 Big Data ja sen työkalut

• Järjestelmät kuten Hadoop ja Spark.
• Big Datan tallennusjärjestelmät kuten HDFS, Cassandra ja HBase.

Avainsanat

Data, datatyö, Big data, AI, ML, Tekoäly, Koneoppiminen, Tieto, BI, Visualisointi, Tietotyö, Warehouse, Warehousing