Opleiding Datawarehouse & Data Governance

Hoe kun je data via informatie transformeren naar kennis om te komen tot een lerende organisatie? Welke transformatieslagen komen daarbij kijken? In deze eerst module verkennen we het begrippenkader en wat het belang is van een adequate informatiehuishouding. We kijken naar de belangrijkste doelen van een datawarehouse en hoe een datawarehouse kan bijdragen aan verbeterde datakwaliteit, herkenbaarheid en vindbaarheid van informatie. We presenteren diverse best practices waaronder die van Ahold. Tot slot staan we stil bij verschillende alternatieven voor een datawarehouse zoals appliances, in-memory BI en datavirtualisatie en natuurlijk gaan we in op de relevante wetgeving rondom persoonsgegevens zoals de AVG.

Om een datawarehouse te bouwen heb je goed gereedschap nodig. Deze dienen te passen binnen de totale bedrijfsarchitectuur. De onderlinge samenhang is essentieel voor het uiteindelijke succes.

Wat is het belang van een goede datawarehouse-architectuur en hoe ziet die er in detail uit? Hoe past een datawarehouse binnen de enterprise architectuur van je organisatie? De docent presenteert de verschillende ‘scholen’ voor datamodellering zoals die van Bill Inmon, Ralph Kimball en Dan Lindstedt (Data Vault). Wat zijn nu de belangrijkste verschillen en overeenkomsten en wat zijn de voor- en nadelen van de verschillende methodieken? De docent neemt je bij al deze thema’s bij de hand en laat je oefenen met diverse vraagstukken en opgaven.

Wanneer kies je voor welke filosofie of stel je een mix samen van de verschillende scholen en modellen? Hoe moet je in je datawarehouse-architectuur omgaan met Big Data? Deze data kent zeer grote volumes of is ongestructureerd, zoals e-mails, reviews, foto’s, video’s en spraak. Dit soort gegevens passen immers niet in datawarehousetabellen. Tot slot presenteert de docent de belangrijkste database en modellering tools die beschikbaar zijn en legt uit hoe je daarin een juiste keuze maakt.

ETL tools of datawarehouse automation tools vormen onmisbare componenten in de architectuur van een datawarehouse. Met deze tools kun je het extraheren, transformeren en laden van de data modelleren en automatiseren. Tevens dragen zij bij aan de verbetering van het informatiseringsproces, ze versnellen het ontwikkelproces en verbeteren je datakwaliteit. ETL is dus een no-brainer.

We gaan ook in op de verschillende datamodelleringstechnieken die toepasbaar zijn en hoe je de verschillende processtappen, zoals extractie, transformatie en laden, het beste kan vormgeven. Verder laat de docent zien welke ETL tools en datawarehouse automation tools er beschikbaar zijn. Wanneer ga je voor één leverancier en wanneer kies je best-of-breed?

Je maakt kennis met onze 100% onafhankelijke ETL & Data Integratie Guide. Tot slot legt de docent uit wat het verschil is tussen ETL en ELT. En verkennen we wat de impact van de steeds grotere decentrale gegevensverzamelingen binnen en buiten de organisatie is, zoals Big Data en data lakes.

Hoe levert een datawarehouse kwalitatief goede gegevens aan de eindgebruikers en welke BI-tools zijn er op de markt beschikbaar om dat te realiseren? Je maakt ook kennis met onze innovatieve Business Intelligence & Analytics Guide. De docent presenteert ook de laatste trends in datawarehousing en BI met name toegespitst op Big Data, AI en Data Science.

Daarnaast gaan we in op de mogelijkheden van open source datawarehousing en bespreken we wanneer directe toegang tot een datawarehouse raadzaam en nuttig is en wanneer juist niet. Welke typen gebruikers kun je allemaal onderscheiden en welke specifieke functionele behoeften hebben zij? Hoe kun je maximaal hierop inspelen? Welke rol speelt self-service BI daarbij?

Het hebben van goede master- en metadata is uitermate belangrijk in het leveren van kwalitatief goede en betrouwbare informatie. Belangrijke gegevensgroepen als klanten, producten en medewerkers moet je altijd goed onderhouden. Daarbij is inzicht in de ontstaansgeschiedenis en de bewerkingen met bijbehorende bedrijfsregels essentieel.

Maar wat moet je eigenlijk verstaan onder master- en metadata? Hoe helpt deze data bij het leveren van kwalitatief goede en betrouwbare informatie en in hoeverre zorgt het voor één versie van de waarheid? Welke processen spelen daarbij een rol? Is master- en metadatamanagement puur analytisch, of kan en moet het ook impact hebben op de operationele systemen? De docent laat ook zien hoe MDM en metadata management passen in de totale datawarehouse-architectuur en vertelt hoe je een slimme leerlus met een enterprise portal kunt inrichten. Immers, informatie en inzichten wil je zo snel mogelijk kunnen toepassen in het proces.

Datawarehouses vragen om hun eigen technische en functionele beheersprocessen. Soms speelt een Competency Center daarin een belangrijke rol. Een geschikte projectaanpak en inzicht in de succes- en risicofactoren zijn in dit verband cruciaal. Wat zijn de belangrijkste succesfactoren voor een datawarehouse? Hoe belangrijk is onderhoud en beheer daarin? Hoe ontwikkel je een datawarehouse met support en onderhoud in gedachten? Welke technische en functionele beheer(s)processen kun je onderscheiden?

Ook gaan we in op de meest bruikbare en moderne gereedschappen die hiervoor beschikbaar zijn en de speciale competenties en vaardigheden die nodig voor een succesvol beheer van je datawarehouse. In hoeverre is dat beheer anders dan traditioneel onderhoud zoals applicatiebeheer? Welke rol speelt de business en welke rol speelt ICT? Wat is de zin en onzin van Competency Centers in dezen?

Al deze thema’s geven je inzicht in het complete plaatje en alle belangrijke verbanden.

Alle aspecten rondom Data Governance komen in deze module aan bod. Denk dan aan verschillende rollen zoals data stewards, data custodians of de Chief Data Officer. Maar denk ook aan data integriteit, datakwaliteit en het toegankelijk maken van data en metadata. Je leert een Data Governance framework te gebruiken voor je eigen organisatie om te zorgen dat je de stap kan maken van governance naar perfectie. Je maakt kennis met de ideale route om tot dataperfectie te komen in relatie tot de bijbehorende kosten en baten. Welke stappen moet je zetten en hoe til je jouw organisatie naar een hoger volwassenheidsniveau?

Het belang van goede datakwaliteit mag je nooit onderschatten. Maar hoe start je hiermee en wat komt er bij kijken? Je maakt tijdens deze opleiding kennis met alle topics om te komen tot een veel hogere datakwaliteit. Denk hierbij aan compleetheid, juistheid, integriteit, interpretatie, opschonen, metadata, et cetera. Waar moet je in jouw situatie juist op letten? Daarnaast vormt het monitoren en verbeteren van de datakwaliteit van ongestructureerde (sensor) gegevens een grote uitdaging. Welke best practices zijn er op dat vlak en hoe kan data profiling daarbij helpen? Welke tools zijn er op de markt beschikbaar om datakwaliteit te monitoren en te verbeteren? Welke succes- en faalfactoren spelen daarbij een rol? Wat zijn je eigen ervaringen en wat valt daaruit te leren?

In dit onderdeel leer je meer over het continu verbeterproces van de kwaliteit van (big) data maar de docent gaat ook in op het verbeteren van de totale datahuishouding. Welke stappen moet je zetten om de resultaten te borgen en niet steeds weer met dezelfde uitdagingen en problemen geconfronteerd te worden?

Je krijgt in deze module diepgaand inzicht in de manier waarop je de datakwaliteit kunt verbeteren onder andere door de verbetercyclus PDCA. Hoe zorg je voor bewustwording? Hoe neem je medewerkers mee en hoe communiceer je het belang van datakwaliteit? Hoe laat je zien wat hen dit kan opleveren? Hoe moet je omgaan met het gedrag van medewerkers en hoe ga je zorgen voor een groot draagvlak? Je leert de cyclus elke keer (dagelijks, wekelijks) rond te maken en de resultaten te borgen.