Описание курса:
Курс для ИТ-архитекторов и специалистов по проектированию и разработке архитектуры данных (Big Data), планированию инфраструктуры озер данных (Data Lakes) и проектов Big Data в компаниях.
Теоретический курс Архитектура моделей данных содержит теоретический минимум, необходимый для эффективной прикладной работы с архитектурными моделями корпоративных репозиториев и их различными реализациями в виде реляционных хранилищ и NoSQL-сред на базе Hadoop и других технологий Big Data.
Аудитория:
Курс предназначен для ИТ-архитекторов, системных аналитиков и разработчиков, которым интересна тема проектирования моделей данных систем аналитического класса (озера и хранилища данных). Курс может быть также полезен руководителям Big Data-проектов и команд в области аналитики, а также специалистам направления Data Governance, ИТ-менеджерам и руководителям проектов по цифровизации.
Необходимая подготовка:
Не требуется.
Программа курса:
Модуль 1. Архитектура данных как часть реализации стратегии Data Centric на уровне предприятия. Роль и задачи архитектора данных. Data Governance.
• Data Drivenподход. Успехи. Проблемы. Эволюция. Внедрение Data Lake: что может пойти не так?
• Application Centric vsData Centric. Когда, внедряя Big Data мы приближаемся к Data Centric, а когда отдаляемся?
• Какие проблемы мы не можем решить на уровне Data Lake/DWH. Задачи Data Governance.
• Корпоративная модель данных (EDM) как часть Data Governance
• Архитектор данных. Роли и задачи.
• Стандартизация работы с данными предприятия.
• Внедрение практик культуры работы с данными. Задачи. Процессы. Сложности.
Модуль 2. Основные подходы к проектированию моделей данных ключевых компонентов Big Data-решений.
• Обобщенная схема архитектур -решений. Требования к компонентам и моделям данных.
• Понятие модели данных. Виды моделей данных. Их назначение и особенности.
• Реляционная модель данных. Нормализация и денормализация.
• Классическая концептуальная модель «сущность-связь» и ее расширения.
• Нотации и инструменты моделирования данных. Концептуальная, логическая и физическая модели данных.
• Ключевое отличие к построению моделей данных аналитических систем — работа со временем. Поддержка истории изменений.
• BEAM (Business Event Activity Modeling) — подход к проектированию моделей для аналитических задач
• Design-паттерны проектирования моделей данных
• Моделирования ядра. Подход Data Vault. Его преимущества и ограничения. Развитие подхода.
Модуль 3. Основные подходы к проектированию моделей данных ключевых компонентов Big Data-решений. Метаданные. Эффективная загрузка данных.
• Итеративное развитие модели данных ядра
• Моделирование аналитических витрин. Подход Р. Кимбалла и его развитие.
• Отраслевые примеры моделей данных.
• Виды метаданных для аналитических систем.
• Эффективное обновление данных. Управление загрузкой.
Окончательная цена указывается в договоре на обучение.
