This event is history, please check out the NEXT SESSION

Check out our related in-house workshops:

 Leerdoelen

Waarom dit seminar ?

Digital transformation, datagedreven werken en de "informatie-economie" zijn populaire termen in de boardroom. De reden: organisaties willen meer met data doen. Ze hebben behoefte aan data science, self-service BI, embedded BI, edge analytics en klantgedreven BI. Data moet breder, efficiënter en effectiever ingezet worden.

Helaas is vaak de rek uit de bestaande systemen, zoals het datawarehouse en de transactionele systemen. Voor veel organisaties is het dan ook tijd voor een nieuwe, toekomstbestendige data-architectuur.

Maar een data-architectuur ontwerpen doe je niet elke dag. Dit tweedaagse seminar geeft antwoord op veel vragen die gesteld worden tijdens het ontwerpen van een moderne data-architectuur door middel van richtlijnen, tips en ontwerpregels. Concepten en technologieën als data lakes, big data, datavault, cloud, datavirtualisatie, Hadoop, NoSQL en data warehouse automation komen hierbij ruim aan bod.

Het seminar is gebaseerd op praktijkervaringen die de laatste jaren zijn opgedaan bij het uitdenken en realiseren van moderne data-architecturen.

Wat leert u tijdens dit seminar ?

Dit seminar kent diverse hoofdonderwerpen:

1. Inleiding: wat is een data-architectuur?
2. Overzicht van nieuwe technologieën voor opslag, verwerking en analyse van data
3. Ontwerp-aspecten van data-architecturen
4. Vernieuwende data-architecturen
5. Stappenplan voor het opstellen van een complete en correcte data-architectuur

Voor wie is dit seminar bestemd ?

Dit tweedaags seminar is gericht op iedereen die bezig is met data, en aanvoelt dat een nieuwe, moderne, toekomstbestendige data-architectuur in zijn of haar bedrijf nodig is.

Dit zijn o.a. Chief Data Officers (CDO's), ICT en Enterprise architecten, data analysten, data warehouse ontwerpers en architecten, solution architects, data scientists, technology planners, IT en data consultants, ...

In dit seminar met Rick van der Lans krijgt u antwoord op de volgende vraagstukken:

• Welk stappenplan moet doorlopen worden om te komen tot een data-architectuur? Van wensen-analyse via proof of concepts naar een data-architectuur.
• Wat is het belang van een holistische aanpak bij het bestuderen van technologie, organisatie en architectuur?
• Wat zijn praktijkvoorbeelden van nieuwe data-architecturen?
• Hoe kan het gebruik van technologie binnen een data-architectuur geoptimaliseerd worden?
• Hoe stel je een data-architectuur op?
• Uit welke onderdelen bestaat een data-architectuur?
• Wat zijn de use cases, voor- en nadelen van nieuwe technologieën en hoe beïnvloeden ze data-architecturen?
• Wat te doen met bekende referentie-architecturen, zoals de Lambda-architectuur, de logische datawarehouse-architectuur en het data lake?
• Aan welke criteria moet een data-architectuur voldoen?

 Volledig Programma

Gepresenteerd door Rick van der Lans

Als deelnemer aan deze tweedaagse masterclass ontvang je vooraf een vragenlijst om de masterclass af te stemmen op ieders specifieke behoefte. Ook krijg je aan het einde van de masterclass een "blauwdruk" mee, waarmee je vast kunt stellen of de data-architectuur binnen jouw organisatie compleet, correct en effectief is.

1. Inleiding - wat is een data-architectuur?

• Waarom een nieuwe data-architectuur?
• Voorbeelden van data-architecturen uit de praktijk
• Uit welke onderdelen bestaat een data-architectuur?
• Wat is het verschil tussen een data-architectuur en een solutions-architectuur?
• Van batch via Lambda naar de Kappa architectuur
• Voordelen, nadelen en tekortkomingen van bekende referentie-architecturen, zoals de klassieke datawarehouse architectuur, het data lake en transactionele systemen
• Van visie tot stappenplan

2. Overzicht van nieuwe technologieë̈n voor opslag, verwerking en analyse van data

• Voordelen, nadelen, mogelijkheden en use cases van elke technologie
• Data-opslag: analytical SQL, NoSQL, Hadoop, kubussen
• Data-integratie: ETL, datavirtualisatie, datareplicatie, data warehouse automation, enterprise service bus, API gateways
• Data cleansing: home-made, professioneel
• Data streaming: messaging, Kafka, streaming SQL
• Data-documentatie: data glossary, data catalog, metadata management
• Rapportage tools: self-service BI, dashboards, embedded BI
• Data science tools: programmeertalen zoals R en Python, machine learning automation tools, data science workbenches
• Databeveiliging: anonimisatie, autorisatie

3. Ontwerpaspecten van data-architecturen

• Eerst de technologie of eerst de data-architectuur?
• Het belang van herbruikbare transformatie-specificaties voor o.a. het integreren, filteren, corrigeren en aggregeren van data
• Invloed van specialistische technologie op de data-architectuur
• Waarom migratie naar de cloud: ontzorging, snelheid, schaalbaarheid, beschikbare software?
• Zijn software-producten wel geschikt voor de cloud?
• Ontwerpprincipes voor het omgaan met datahistorie en incorrecte data
• Moderniseren van een klassieke datawarehouse-architectuur
• Genereren van een datawarehouse architectuur met data warehouse automation tools
• Nieuwe eisen aan transactionele systemen, zoals het registreren van de perfecte historie en constante logging
• De invloed van AVG/GDPR: het verwijderen van klantgegevens
• Verantwoordelijkheid voor datakwaliteit

4. Vernieuwende data-architecturen

• De logische data warehouse architectuur als flexibel alternatief
• Ontwerpregels en do’s en don’ts voor een logische data warehouse architectuur
• Van een single-purpose naar een multi-purpose data lake
• Eisen aan implementeren van data science modellen, zoals transparantie, onveranderlijkheid en versiebeheer
• De veranderende rol van het data lake: van data delivery systeem voor data scientists naar een platform voor opslag van alle enterprise en externe data
• De data streaming architectuur; als elke microseconde telt
• Technische uitdagingen: snelheid, inconsistente streams, registreren van veel messages voor latere analyses
• Operationaliseren van data science modellen
• Het combineren van data-architecturen tot één unified data delivery platform
• Het verschil tussen een datahub en een datawarehouse
• De data marketplace: van op maar gemaakt naar confectie

5. Stappenplan voor het opstellen van een complete, correcte en effectieve data-architectuur

• Wat is de business motivatie voor een andere data-architectuur; ICT kostenvermindering, competitieve verbetering? nieuwe business-model, nieuwe en strengere regelgeving, verhogen reactiesnelheid business of exploitatie van opgebouwde data
• Het belang van een business- en datastrategie en de relatie met de data-architectuur
• Wie zijn de stakeholders en wat is het C-level support?
• Maturity level van de ICT-organisatie
• Beschrijving van de huidige data-architectuur; data flow, database opslagpunten, hoeveelheden en gebruikte technologie
• Inventarisatie van huidige knelpunten; business en ICT, performance, functionaliteit, kosten, ICT-organisatie en directe omgeving
• Beperkende regels; wet- en regelgeving, budget, software en systemen die behouden moeten blijven
• Wensen en eisen voor nieuwe data-architectuur; financieel, bemanning, software, kwantiteiten, uptime, snelheid data levering en ontzorgingswens
• Architectuur- en ontwerpprincipes
• Huidige en toekomstige vormen van datagebruik: standaard rapportage, self-service BI, data science, klanten-gedreven BI, mobile apps
• Vormen van datatoelevering; batch, manueel intern, manueel extern en sensoren
• Datatypes in gebruik; gestructureerd, variabel-gestructureerd, audio, video, tekst en Geo/GIS
• Status van het data-architectuur project; welke keuzes moeten er gemaakt worden, welke stappen moeten ondernomen worden, waarom stokt het project, is een PoC of Pilot nodig, welke vragen zijn belangrijk in een RFI/RFP, overtuigen van organisatie

 Sprekers

Questions about this ? Interested but you can't attend ? Send us an email !