This event is history, please check out the List of Upcoming Seminars, or send us an email

Check out our related in-house workshops:

 Leerdoelen

Waarom dit seminar ?

De klassieke datawarehouse architectuur, bestaande uit een keten van databases, waaronder een staging area, het centrale datawarehouse en vaak vele datamarts, en waarbij gegevens met behulp van ETL programma’s door de keten heen gepompt worden, heeft veel organisaties vele jaren goed gediend bij het ontwikkelen en draaien van BI-systemen. Maar is die populaire klassieke architectuur nog wel toereikend voor alle nieuwe gebruikerswensen, zoals self-service BI en data science, en kan er wel optimaal gebruik gemaakt worden van de nieuwe big data technologie voor gegevensanalyse en –opslag, zoals Hadoop en NoSQL?

Het integreren van self-service BI-producten met deze architectuur is niet evident en zeker niet als de gebruikers toegang tot de bronsystemen willen hebben. Het leveren van 100% up-to-date gegevens ter ondersteuning van operational BI, is lastig te implementeren. En hoe nemen we de nieuwe data storage technologieën, zoals Hadoop en NoSQL, op in de architectuur? Dit en andere zijn allemaal lastige vraagstukken indien een organisatie nog werkt met een klassieke architectuur.

Het is tijd om langzaamaan te migreren naar een flexibelere architectuur waarbij

• sneller nieuwe gegevensbronnen aangekoppeld kunnen worden,
• self-service BI goed te ondersteunen is,
• streaming analytics eenvoudig te implementeren is,
• het adopteren van nieuwe technologie zoals Hadoop en NoSQL, relatief eenvoudig is, en
• de verwerking van big data geen technologische revolutie maar een evolutie is.

De architectuur die hierop antwoord geeft is de logische datawarehouse architectuur. Deze ultra flexibele architectuur voor BI-systemen, is gebaseerd op een ontkoppeling van gegevensgebruikers (rapportage, analyse, data science) enerzijds en gegevensbronnen anderzijds.

De technologie om een logisch datawarehouse architectuur te ontwikkelen is beschikbaar en veel organisaties hebben al succesvol de migratie uitgevoerd; een migratie die uitgaat van een stap-voor-stap proces en niet een waarbij alles in één grote stap vervangen moet worden.

In dit praktische seminar wordt de architectuur toegelicht en toepassingsgebieden en producten besproken. Tevens wordt besproken hoe organisaties kunnen migreren van hun bestaande naar deze nieuwe architectuur. Tips, ervaringen en ontwerprichtlijnen worden behandeld om te helpen deze migratie zo efficiënt mogelijk te laten verlopen.

Wat leert u tijdens dit seminar ?

• Wat zijn de praktische voordelen van de logische datawarehouse architectuur en wat zijn de verschillen met de klassieke architectuur
• Hoe kan een organisatie stap-voor-stap en succesvol naar deze flexibele logische datawarehouse architectuur toe migreren?
• Wat zijn de mogelijkheden en beperkingen van de diverse beschikbare producten?
• Hoe werken datavirtualisatieproducten?
• Hoe kan big data op een transparante wijze toegevoegd worden aan de bestaande BI-omgeving?
• Hoe kan self-service BI geïntegreerd worden met de klassieke vormen van BI?
• Hoe kan aan gebruikers toegang gegeven worden aan 100% up-to-date gegevens zonder dat operationele systemen verstoord worden?
• Wat zijn de real-life ervaringen van organisaties die reeds een logisch datawarehouse geïmplementeerd hebben?

Voor wie is dit seminar bestemd ?

Dit tweedaags seminar is voor een ieder bestemd die vanuit zijn functie op de hoogte moet blijven van de ontwikkelingen op gebied van business intelligence en datawarehousing, zoals BI-architecten, business-analisten, datawarehouse- en databaseontwerpers, database-experts, consultants, technology planners, projectleiders en systeemanalisten.

Enige kennis van klassieke datawarehouse architecturen is vereist.

Alle deelnemers ontvangen de meest recente editie van het boek "Data Virtualization for Business Intelligence Systems" door Rick van der Lans.

 Volledig Programma

Gepresenteerd door Rick van der Lans

• Big data integreren met bestaande gegevens en beschikbaar maken voor rapportage en analyse
• Ondersteunen van self-service BI en self-service data preparation
• Polyglot persistentie - het verwerken van gegevens opgeslagen in Hadoop en NoSQL systemen
• Operational Business Intelligence, ofwel analyseren van 100% up-to-date gegevens

2. De logisch datawarehouse architectuur (LDWA)

• De essentie van de LDWA: ontkoppeling van gegevensconsumenten en gegevensbronnen
• Van batch-integratie naar on-demand integratie van gegevens
• De invloed op flexibiliteit en productiviteit - een verhoogd time-to-market voor rapporten
• Hoe de LDWA beter geschikt is voor moderne vormen van BI, waaronder self-service BI, investigative analytics en data science
• Is een fysiek datawarehouse nodig in een LDWA ?

3. Implementeren van een logisch datawarehouse met datavirtualisatie-servers

• Waarom datavirtualisatie?
• Werken met virtuele tabellen
• Drie lagen van virtuele tabellen: bron-data laag, enterprise-data laag en de data-consumptie laag
• Marktoverzicht: Cirro Data Hub, Cisco Information Server, Data Virtuality UltraWrap, Denodo Platform, RedHat JBoss Data Virtualization, Rocket en Stone Bond Enterprise Enabler
• Werken met niet-relationele data, zoals XML- en JSON-documenten, web services, NoSQL, Hadoop data, en data van cloud applicaties
• Het belang van een geïntegreerde business glossary en het centraliseren van metadata specificaties

4. Faciliteiten om de performantie te verbeteren

• Query optimalisatie technieken, waaronder : pushdown, query injection en ship join
• Caching van virtuele tabellen
• Refreshing stijlen van cached virtuele tabellen
• Query optimalisatie over het netwerk in de cloud; druk de queryverwerking naar de plek waar de data wordt geproduceerd

5. Datavirtualisatie modules voor ontwerp, modelering en implementatie

• Het belang van impact en lineage analyse voor vertrouwen van gebruikers in resultaten
• Versnellen van nieuwe gegevensbronnen aanhaken door middel van data model discovery
• Ingebouwde data profiling mogelijkheden leiden tot samenwerking met gebruikers
• Hoe data preparation geïntegreerd kan worden
• De business glossary
• Google-like search om gebruikers op weg te helpen

6. Algemene ontwerprichtlijnen voor een logische datawarehouse architectuur

• Het belang van drie lagen met virtuele tabellen; taak van elke laag
• Het omgaan met historische gegevens in een LDWA
• Waar en hoe worden gegevens geschoond?
• Ontwerpprincipes voor het definiëren van datakwaliteitsregels in een logisch datawarehouse
• Het opnemen van master data in een LDWA
• Het definiëren van een LDWA op een datavault-gebaseerd datawarehouse

7. Big Data en de Logische Datawarehouse Architectuur

• Nieuwe gegevensopslagtechnologieën voor big data, waaronder Hadoop, MongoDB, Cassandra
• De opkomst van de polyglot persistente omgeving; ofwel elke applicatie een eigen optimale databasetechnologie
• Eenvoudig beschikbaar maken van big data voor rapportage en analyse met behulp van een LDWA
• Big data is te "groot" om te kopiëren
• Het offloaden van koude data met behulp van een LDWA

8. Het Ontwikkelen van Data Lakes met Datavirtualisatietechnologie

• Wat is precies een data lake en waarvoor dient het?
• De relatie tussen data lake en data science
• De praktische beperkingen van een fysiek data lake: gegevensbeveiliging, omvang, gegevensprotectie en –privacy, interne politiek en netwerk bandbreedte
• Het alternatief is het logische ofwel virtuele data lake
• Het integreren van het logische data lake en de logische data warehouse architectuur

9. Implementeren van Operational BI en streaming met een logisch datawarehouse architectuur

• Voorbeelden van operational reporting en operational analytics
• Wat bedoelen we met streaming analytics en wat is de relatie met het Internet-of-Things (IoT)
• Uitbreiden van een logisch datawarehouse architectuur met operationele data voor streaming analytics
• Het "streamen" van gegevens in een LDWA
• Het pushen van streaming analytics naar het punt waar de streaming data ontstaat

10. Self-Service BI en het logische datawarehouse architectuur

• Waarom self-service BI kan leiden tot "report chaos"
• Centraliseren en hergebruiken van metadata-specificaties door middel van een LDWA
• Het opwaarderen van self-service BI naar managed self-service BI
• Het implementeren van Gartner's BI-modal omgeving

11. Migreren naar een logische datawarehouse architectuur

• Een A-Z stappenplan
• Richtlijnen voor het ontwerpen van een logisch datawarehouse architectuur
• Drie verschillende aanpakken: outside-in, inside-out en middle-out
• De waarde van een canonical gegevensmodel
• Inregelen van beveiligingsaspecten
• Langzaam afbouwen van onderdelen van de bestaande architectuur
• De focus op het delen van metadata-specificaties voor integratie, transformatie en cleansing

12. Samenvatting en conclusies

Alle deelnemers ontvangen de meest recente editie van het boek "Data Virtualization for Business Intelligence Systems" door Rick van der Lans.

 Sprekers

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