Bądźmy w kontakcie

Plan Szkolenia

Podstawy i Zasady Data Mesh

Moduł 1: Wprowadzenie i kontekst

  • Ewolucja architektury danych: DW, Data Lake i powstanie Data Mesh
  • Typowe problemy w scentralizowanych architekturach
  • Zasady przewodnie podejścia Data Mesh

Moduł 2: Zasada 1 – Własność danych według domeny

  • Organizacja oparta na domenach
  • Korzyści i wyzwania decentralizacji odpowiedzialności
  • Studia przypadków: definiowanie domen w rzeczywistej firmie

Moduł 3: Zasada 2 – Dane jako produkt

  • Czym jest „data product”
  • Role właściciela produktu danych
  • Dobre praktyki w projektowaniu produktów danych
  • Ćwiczenie praktyczne: projektowanie produktu danych przez zespół

Platforma, Zarządzanie i Projektowanie Operacyjne

Moduł 4: Zasada 3 – Platforma samoobsługowa

  • Składniki nowoczesnej platformy danych
  • Popularne narzędzia w ekosystemie Data Mesh (Kafka, dbt, Snowflake itp.)
  • Ćwiczenie: projektowanie architektury platformy samoobsługowej

Moduł 5: Zasada 4 – Zarządzanie federacyjne

  • Zarządzanie w środowiskach rozproszonych
  • Polityki, standardy i automatyzacja
  • Wdrażanie polityk jakości, bezpieczeństwa i prywatności danych

Moduł 6: Projektowanie organizacyjne i zmiana kulturowa

  • Nowe role w Data Mesh: właściciel produktu danych, zespół platformy, zespoły domenowe
  • Jak dostosować motywacje między domenami
  • Transformacja kulturowa i zarządzanie zmianą

Wdrożenie, Narzędzia i Symulacja

Moduł 7: Strategie adopcji i wdrożenia

  • Plan wdrożenia Data Mesh etapami
  • Kryteria wyboru domen pilotażowych
  • Lekcje wyciągnięte z rzeczywistych wdrożeń

Moduł 8: Narzędzia, technologie i studia przypadków

  • Zestaw technologiczny zgodny z Data Mesh
  • Przykłady wdrożeń (Netflix, Zalando itp.)
  • Analiza sukcesów i porażek

Moduł 9: Symulacja egzaminu i przypadki praktyczne

  • Ćwiczenia powtórkowe dla każdego modułu
  • Symulacja egzaminu certyfikacyjnego
  • Omówienie wyników i dyskusja

Wymagania

• Podstawowa wiedza z zakresu zarządzania danymi, architektury danych lub inżynierii danych
• Znajomość koncepcji takich jak Data Warehouse, Data Lake, ETL/ELT
• Pożądane: doświadczenie w projektach danych na poziomie przedsiębiorstwa

 21 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie