10-летний опыт ведения Data Governance проектов
Руководитель
Bi-проектов
Bi-проектов
10-летний опыт ведения Data Governance проектов
Всем тем, кто решает задачу внедрения программы data governance (или ее элементов)
Всем тем, кому предстоит участвовать в программе data governance: будущая команда проекта
Кто хочет узнать больше про развивающуюся область
Если Data Governance проект в зоне вашей ответственности - без паники
Преподаватель курса даст фидбек и лично ответит на все вопросы, которые возникнут в течение курса.
Чтобы вы закрепили материал лекций, мы разработали специальные практические задания.
Вы получите доступ к телеграм-чату курса, где сможете обмениваться опытом, разбирать кейсы и общаться с другими участниками.
Все лекции и дополнительные материалы и находятся в свободном доступе во время учебного процесса
Знакомство
О Data Governance коротко
Предпосылки и драйверы DG практик
Информационный менеджмент: краткий обзор ключевых дисциплин.
Место Data Quality (DQ) и Data Governance (DG) в стеке IM: роль DG и DQ
Взаимосвязь с другими дисциплинами IM: как управление данными пересекается с архитектурой данных, управлением метаданными и бизнес-аналитикой и т.д..
Data Utility – полезность данных: как управляемость данных влияет на их бизнес-ценность.
Data Governance и Data Management
Data Quality: ключевые принципы, метрики, как измерять и улучшать качество данных.
Master Data Management (MDM): управление основными данными для унификации и стандартизации.
Различия между Data Quality и Data Governance: как они взаимосвязаны
Инструментарий DQ и роли
Data Quality Management фреймворк - тулы, DQ чеки - генерация и разбор
Data Observability: обеспечение прозрачности данных и мониторинг их состояния для поддержки качества.
Цели и драйверы DG для бизнеса: как DG улучшает бизнес-процессы и минимизирует риски.
Какими данными нужно управлять: доменная структура компании, определение ключевых данных для управления в зависимости от бизнес-целей.
Приоритизация данных: выбор данных для управления на основе их стратегической важности.
Процессы, люди, стандарты и политики: ключевые компоненты успешной программы DG.
Виды программ DG: обзор типовых подходов к управлению данными в зависимости от размера и сферы бизнеса.
Практикум: Разработка бизнес-классификатора данных: работа в группах по классификации и приоритезации данных для управления.
Основы Data Stewardship: роль, задачи, компетенции data steward’а.
Data Curator, Data Custodian, Data Partner и другие вариации ролей
Операционные модели DG, DG office
Основные элементы технологической инфраструктуры DG: дата-каталог, глоссарий данных, каталог отчетов, data lineage.
Data Observability: использование технологий для мониторинга состояния данных и предотвращения проблем с качеством.
Проблемы внедрения дата-каталогов: основные вызовы при внедрении и управлении метаданными.
Сравнение систем DG: обзор Alation, Collibra, DataHub, Purview и других инструментов, включая их возможности и ограничения.
Практикум: Выбор DG-системы для организации: анализ требований и сравнение инструментов для внедрения.
Практикум: Управление клиентскими данными в компании X
Визуализация текущей ситуации: драйверы, аспекты данных, процессы, документы, роли
Визуализация to be ситуации: зоны для развития, направления изменений
Оценка текущего состояния DG: проведение анализа зрелости существующих процессов и инфраструктуры.
Создание команды DG: формирование структуры и выбор ключевых участников программы.
Разработка концепции и бизнес-кейса: как оценить ROI от DG и привязать программу к бизнес-целям.
Формирование роудмапа и этапов внедрения: пошаговая реализация программы DG.
Практикум: Создание плана внедрения программы DG: определение ключевых этапов и метрик успеха.
Привязка к бизнес-ценности: как DG поддерживает стратегические цели компании.
Модели зрелости DG: оценка текущего уровня и разработка стратегии повышения зрелости.
DG Scorecards и метрики эффективности: создание системы измерения успеха DG.
Оценка ROI от DG: как измерять финансовую отдачу от внедрения программы.
Практикум: Разработка системы метрик: определение показателей эффективности для программы DG.
Agile Data Governance: адаптация гибких методологий в управлении данными.
Data Mesh: децентрализованное управление данными и доменные подходы.
Data Products Framework: управление данными как продуктами.
Переосмысление DG практик: упрощение и рационализация процесса DG.
Non-Invasive Data Governance / Data Governance здравого смысла: практическое применение и адаптация к потребностям бизнеса.
DG и Дата стратегия компании
AI Governance: управление данными для AI-моделей, обеспечение этичности и прозрачности.
AI Governance в DG: как AI и DG могут сосуществовать и дополнять друг друга.
Этические аспекты и риски: как управлять рисками, связанными с использованием AI в организации.
Подведение итогов курса: основные выводы и ключевые навыки, полученные участниками.
Рекомендации для дальнейшего развития DG и DQ в организации.
Для нас крайне важно находиться в авангарде трендов и владеть самыми передовыми инструментами и методиками. Поэтому мы выбрали для наших специалистов данный курс, аналога которому в нашей стране пока нет. Целью обучения было дать сотрудникам, участвующим в задачах улучшения и контроля качества данных, полное представление об основных принципах и технологиях Data Governance, выделить ключевые точки приложения практик Data Governance в текущих проектах, определить для каждого его собственную роль в процессе управления данными, что в конечном результате должно привести к улучшению качества данных и их управляемости, а значит и добиться повышения эффективности работы всего банка.
Когда я искал обучение по Data Governance, то быстро понял, что на рынке почти нет курсов в данной области, без воды и MBA в комплекте. Курс Александра заинтересовал отличным наполнением и отсутствием лишнего. Продуманная программа помогла мне структурировать и уложить в голове в правильном порядке уже известные мне вещи. Бонусом я получил несколько инсайтов и вдохновение для развития направления в компании, чему очень помогли практические примеры из реального опыта ведущего. Особенно полезно, что были как примеры на профильных програмных продуктах, так и примеры решений "своими силами", что особенно ценно в отсутствии существенных ресурсов для развития в текущей экономической ситуации.
