Аналитика больших данных для руководителей: как принимать решения на основе данных

Профиль аудитории:

• топ-менеджеры, руководители направлений и собственники бизнеса, принимающие решения на уровне стратегии и бюджетов
• руководители ИТ- и аналитических подразделений, отвечающие за цифровую трансформацию и проекты по данным
• лидеры функциональных команд (финансы, маркетинг, операционный блок), которым требуется понимать возможности и ограничения аналитики для постановки задач экспертам по данным

Предварительные требования:

• опыт управления проектами или подразделениями, влияющими на финансовые показатели компании
• базовое владение офисной аналитикой (Excel/Google Sheets) и представление о структурированных данных
• готовность обсуждать реальные задачи своей организации и оценивать экономический эффект инициатив по данным

По окончании курса слушатели смогут:

• оценить текущую зрелость управления данными в компании и сформировать дорожную карту улучшений
• определить роли CDO, владельцев данных и выстроить взаимодействие аналитической функции с бизнес-подразделениями
• выбрать подходящую архитектуру хранения и подготовки данных (Data Lake, Lake House, SQL/NoSQL) и задать требования к качеству данных
• составить бизнес-кейс проекта по аналитике с расчётом ROI и защитить бюджет на реализации
• контролировать внедрение и эксплуатацию аналитических решений, включая DevOps/MLOps-процессы и показатели эффективности моделей

Модуль 1. Стратегическое управление данными, его цели и задачи

Модуль 2. Введение в Big Data (большие данные)

• Большие данные и цифровизация бизнеса.
• Характеристики data-driven организации. Data-driven и data-informed организации: основные отличия.
• Принятие data-driven решений и путь к ценности данных.
• Базовые принципы и отличия от классических подходов к работе с данными.
• Сравнительный анализ фрэймворков управления проектами анализа больших данных CRISP DM, Domino, TDSP, SEMMA, Enterprise Big Data Framework.
• Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев.
• Специфика работы с потоковыми и пакетными данными в Big Data.
• Облачные технологии и большие данные
• Тенденции в подходах Big Data и что актуально на сегодняшний день.
• Технологии Big Data в условиях импортозамещения.

Модуль 3. Организационные инициативы в области управления и анализа данных

• Общие принципы организации управления данными
• Роли и специалисты в области анализа и управления данными
• Типы структурных подразделений по управлению данными
• Местоположение подразделения по управлению данными в структуре организации
• Организационная структура департамента управления данными
• Взаимодействие офиса CDO с бизнес-подразделениями
• Выявление и назначение владельцев данных

Модуль 4. Программа по развитию управления данными в организации

• Планирование программы
• Оценка зрелости организации в управлении данными
• Разработка целевой модели развития направления
• Построение и утверждение бизнес-кейса
• Задачи для построения прототипа
• Примеры задач для реализации прототипа
• Планирование дальнейших действий

Модуль 5. Правовые аспекты организации защиты данных

• Правовое регулирование в области защиты данных
• Права субъекта и обязанности оператора при обработке ПД
• Нарушители безопасности ПД
• Государственные регуляторы и их нормативно-правовая документация в области защиты ПД
• Осуществление проверки соблюдения правил в области защиты ПД и ответственность за их нарушение
• Средства выявления критичных данных и их защиты

Модуль 6. Технологии управления данными

• Первичный сбор и анализ данных: инструментарий и доступные методы.
• Описание данных и сбор метаданных.
• Data management и Data Governance.
• Бизнес-глоссарий
  • Функции бизнес-глоссария
  • Поисковые механизмы
  • Ведение концептуальной и логической моделей данных
  • Жизненный цикл метаданных
  • Супермаркет данных
  • Каталог данных
  • Основные функции каталога данных
  • Системы-источники для каталога данных
  • Состав объектов на уровне физической модели
  • Профилирование данных
• Data lineage и impact analysis
• Связи моделей данных
• Выявление доменов данных
• Каталог каталогов

Модуль 7. Технологии хранения данных

• Data Lake
• Lake House
• Системы управления базами данных: реляционные (SQL) и нереляционные (NoSQL) базы данных
• Структурированные хранилища данных
• Песочницы
• Модели данных

Модуль 8. Технологии подготовки данных

• Подготовка данных: нормализация, очистка, выборки, обогащение, форматирование данных.
• Подготовка данных – как процесс формирования Data Pipeline:
• Процессы ETL и ELT,
• Зонирование Data Lake и сегментирование данных,
• Назначение и сравнительная характеристика компонент экосистемы платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии),
• Инструменты оркестрирования и автоматизации (Data Flow).
• Средства проверки и обеспечения качества данных

Модуль 9. Технологии анализа данных

• Методы анализа данных
• Описательный анализ: статистические методы, визуализация данных.
• Диагностический анализ: выявление причинно-следственных связей.
• Прогнозный анализ: регрессия, временные ряды, машинное обучение и искусственный интеллект.
• Предписывающий анализ: оптимизация, моделирование сценариев.
• Инструменты и технологии для анализа данных
• Программное обеспечение для анализа данных: Python, R, SAS, SPSS и др.
• Библиотеки и фреймворки для машинного обучения: TensorFlow, PyTorch, Scikit-learn.
• Платформы для работы с большими данными: Hadoop, Spark.
• Визуализация данных
• Принципы эффективной визуализации данных.
• Инструменты для визуализации: Tableau, Power BI, SuperSet,
• Отечественные инструменты визуализации данных
• Примеры визуализации: графики, диаграммы, тепловые карты.
• Применение анализа данных в различных областях

Модуль 10. Развертывание и эксплуатация решений в области данных

• Планирование развертывания.
• Мониторинг и обслуживание.
• Методологии автоматизации и вывода продуктов в промышленную эксплуатацию – DevOps и MLOps.
• Задачи финального обеспечения фаз жизненного цикла: цикличность reviews, обновления и вывод из эксплуатации.

Модуль 11. Экономическая оценка «дата-центричных» проектов

• Показатели экономической эффективности проекта
• Принципы разработки бизнес-кэйсов для проектов анализа больших данных. Типовые ошибки при разработке бизнес-кэйсов. Разбор примеров бизнес-кэйсов.
• Защита бизнес-кэйсов и бюджета проекта