This workshop will guide participants in implementing a data governance framework for key data architecture types.

The key aims of this workshop are:

• Demonstrate the relationship between an organisation profile, data architecture, and a governance framework
• Provide the method to develop a data governance framework for centralized and decentralised data architectures
• Demonstrate the influence of data architectures on setting up and governing core data management capabilities like data modelling, quality, governance, metadata management, and data lifecycle management
• Present an integrated approach to implementing these foundational capabilities

Informacje szczegółowe

For many decades, data has been imprisoned in proprietary file formats imposed by commercial (and open-source) DBMS platforms. The next generation of lakehouse deployments will make use of Open Table Formats (OTFs) to unlock the full value of data by allowing fit-for-purpose engines to perform advanced analytics without the cost of moving or duplicating content for each data platform. This emerging technology provides ACID properties against lakehouse content without proprietary file formats and without engine lock-in. We predict that OTFs will revolutionize data warehouse and data lakehouse architecture across all industries.

• Learn about different OTFs such as Iceberg, Delta, and HUDI.
• Learn about OTF futures and industry trends related to open data.
• Learn how optimize your data lakehouse architecture to take advantage of OTFs.

Duża transformacja obszaru danych to nie tylko pasmo sukcesów i dobrych decyzji, szczególnie kiedy decydujesz się na podważenie status quo i proponujesz zupełnie nowy model działania.

Wiele osób mówiąc o Data Mesh opisuje, jak teoretyczny koncept mógłby pomóc organizacjom w wykorzystaniu danych. Zamiast tego posłuchaj, jak wygląda podejście Data Mesh w praktyce. Co się udało osiągnąć, ale przede wszystkim co nie zadziałało, przez 2 lata od rozpoczęcia transformacji Data Mesh. Wyciągnij wnioski dla siebie, aby uniknąć (jeśli to możliwe) podobnych błędów.

Anonimowe dane mogą stanowić podstawę do tworzenia rozwiązań, które poprawiają bezpieczeństwo, zwiększają wygodę i ułatwiają życie. By było to możliwe, musimy przez agregację i anonimizację upewnić się, że skupiamy się na ogólnych wzorcach behawioralnych. Taką możliwość dają informacje płynące m.in. z danych transakcyjnych, które stają się coraz pełniejsze dzięki rosnącej liczbie transakcji cyfrowych.

Praktyczne rekomendacje zdobyte podczas budowania platformy danych w różnych przedsiębiorstwach w Europie: czy budowa platformy danych wymaga wiedzy sektorowej, czy jest to uniwersalne narzędzie dla różnych branż, pułapki, mity i błędne przekonania w tego typu wdrożeniach, przykłady, case study i dobre praktyki.

W przedsięwzięciach IT obejmujących wiele krajów czy regionów geograficznych, poziom komplikacji wynikający ze skali działań powoduje, że priorytety biznesowe i techniczne rozkładają się inaczej niż w projektach lokalnych.

Słuchacze dowiedzą się jak aspekt kulturowy, charakterystyka rynku, różni właściciele tego samego procesu, lub ich brak, różnice w katalogu produktów i rozwiązań sprawiają, że niewinne zadania projektowe potrafią urosnąć do rangi skomplikowanych i czasochłonnych zagadnień. Co jest kluczowe aby finalnie rozwiązanie odniosło sukces?

Prezentacja doświadczeń oraz spostrzeżeń dostawcy oraz konsumenta, zdobyta przy wspólnych wdrożeniach rozwiązań dla ponad 50 krajów, na 3 kontynentach, na przestrzeni ostatnich lat.

Dowiedz się, jakie są obecnie możliwości generatywnej sztucznej inteligencji (GenAI). Na podstawie doświadczeń ze zrealizowanych przez Chaos Gears projektów odpowiemy na pytanie, na czym właściwie polega “wdrażanie” GenAI i jak w praktyce wyglądają takie projekty. Podczas wystąpienia zaprezentujemy rozwiązania zbudowane z wykorzystaniem GenAI, przyjrzymy się najpowszechniejszym wyzwaniom związanym z wdrażaniem GenAI i podpowiemy jak sobie z nimi poradzić, aby uzyskać oczekiwane efekty. Wreszcie odpowiemy na pytanie, czy AI jest już w stanie sprostać realnym potrzebom klientów i jej implementacja w organizacji ma sens.

Jakość danych to absolutny fundament wszystkich projektów wdrożeniowych i pierwszy krok do budowy rozwiązań sztucznej inteligencji czy uczenia maszynowego. Ale strategia zarządzania jakością danych musi wykraczać poza zagadnienia ściśle techniczne, ale być częścią procesów w organizacji.

Słuchacze dowiedzą się jak jedna nieopłacona faktura operatora telekomunikacyjnego zatrzymała produkcję w całej fabryce, dlaczego strefy czasowe są istotne dla predykcji i trendów, czym są RIRO, SISO i GIGO, a także w jaki sposób błędne procedury i pomyłki ludzi wywołują kaskadę zdarzeń, które prowadząc do problemów z jakością danych.

Prezentacja na podstawie wdrożeń w polskich i zagranicznych firmach, głównie produkcyjnych, gdzie nie raz okazało się, że najlepszy model predykcyjny polegnie w starciu z błędnymi danymi. Celem prezentacji jest przekazanie praktycznych wskazówek, które mogą być stosowane przez profesjonalistów z obszaru danych w różnorodnych branżach, aby lepiej zarządzać jakością danych i wykorzystywać je efektywniej w procesach decyzyjnych i optymalizacyjnych.

Jesteśmy w przededniu ery post-cookie tzn. sytuacji, w której dane online stają się zbiorem niepowiązanych ze sobą obserwacji, a ich analiza możliwa jest tylko z wykorzystaniem modeli ML. Dodatkowo Komisja Europejska wprowadzając nowe legislacj, nie oszczędza firm, które chcą być data-driven. Prezentacja na temat wyzwań w pomiarze interakcji użytkownika w marketingu online, a co za tym idzie - potężnych problemach z budowaniem ścieżek zakupowych i oceną skuteczności mediów.

A report from MIT says, digitally mature firms are 26% more profitable than their peers. McKinsey consulting found that companies that are insight-driven report EBITDA increases of up to 25 percent. But many organizations are not successful in leveraging data, analytics, and digital/AI for improved business outcomes. According to Gartner, over 80% of the data and analytics projects fail. A joint study by IBM and Carnegie Melon University found that over 90% of data in an organization is never used for any strategic purpose. Against this backdrop, quality data holds the key provide business value. But most organizations are impaired with poor data quality. A HBR study found that just 3 percent of the data in a business enterprise meets quality standards. Research analyst firm Gartner found that 27 percent of data in the companies is flawed. According to Experian Data Quality, poor data quality impacts up to 12 percent of revenues. So, what are the key data quality best practices - patterns and anti-patterns companies can adopt today for better business outcomes? Does AI have the potential to revolutionize the field of data quality? In this presentation, Dr. Southekal will talk about the data quality best practices for improved business results. Specifically, he will discuss the rationale as to why each best practice matters in today’s business environment and offer prescriptive recommendations or solutions so that organizations can implement those data quality best practices.

Niezależny konsultant analityczny dzieli się kilkuletnim doświadczeniem ze współpracy z różnej wielkości firmami: kiedy taka współpraca jest sensowna, a kiedy w ogóle nie warto rozważać takiego modelu,jakie jest zapotrzebowanie rynkowe na niezależnych analityków, jakie są wymagane kompetencje freelancera, rynkowe modele rozliczeń oraz typowe problemy.

Coraz większa regulacja obszaru danych w UE, USA oraz podczas transferu danych poza EOG wymaga ścisłej współpracy działów data oraz cybersecurity. Tylko w ten sposób mogą zapewnić zgodność z przepisami i uniknąć ryzyk, jakimi są m.in. bardzo wysokie kary ze strony amerykańskich organów za wyciek danych amerykańskich obywateli. Praktyczne porady jak zabezpieczyć się przed czarnym scenariuszem.

Czy zespół analityków musi się składać tylko i wyłącznie z introwertyków? Nie! Menedżer może tak dobierać współpracowników, aby uzyskać odpowiedni balans opinii i osobowości. Uczestnicy dowiedzą się także: jak burzyć głęboko zakorzenione w organizacji mity, czy inkluzywność może być merytoryczna, a nie polityczna, dlaczego stuprocentowa realizacja KPI-ów prowadzi do upadku firmy i jaki związek ma mądrość z klockami LEGO i co do tego ma przywództwo.

Case study: jaką drogę przeszła Neuca od jednego raportu wygenerowanego przez dział danych, do raportów inicjowanych przez biznes, których ilość wymagała wprowadzenia automatyzacji. Jakie działania zostały podjęte, aby w organizacji zbudować zrozumienie dla tematu jakości danych.

Gdy wysokie stopy procentowe skłaniają wszystkich do poszukiwania szybkich zwrotów z inwestycji, genAI powinno być postrzegane jako turbodoładowanie dla innowacji. Przyspiesza czas potrzebny na przekształcenie pomysłu w rzeczywistość i pozwala organizacjom eksperymentować z wieloma koncepcjami na raz, aby zobaczyć, które naprawdę się sprawdzają. Jednak gdy gotowość organizacyjna do zmiany podejścia jest niewystarczająca, cytat "lepiej prosić o wybaczenie niż o zgodę" nabiera mocy. Prezentacja oprze się o studium przypadku, które pokazuje, jak rozwiązanie oparte na LLM zostało wprowadzone do produkcji w myśli zasady "wybaczenie > zgoda", oraz jak zostało to odebrane wewnętrznie (spoiler: nie wszyscy byli zadowoleni!).

Duża popularność rozwiązań AI pobudza do myślenia o korzyściach z ich wykorzystania oraz o ryzykach związanych z pozostaniem w tyle w tym wyścigu. Pośpiech powoduje, że wiele decyzji w bym obszarze opiera się na ogólnej wiedzy i intuicji.

Podczas prezentacji przedstawione zostaną pułapki myślenia, z jakimi można spotkać się podczas wdrażania zaawansowanej analityki w organizacji, ich konsekwencje oraz możliwe alternatywne kierunki działania.

Na wejściu: 1 050 000 stron gazet z lat 1845-1939. Na wyjściu: encyklopedia opisująca 205 000 osób opisanych w tych gazetach. Narzędzia: jeden człowiek, dwa komputery i trochę umiejętności z dziedziny data science. Żadnych grantów. Prezentacja krok po kroku, jak się robi dysrupcję naukom humanistycznym.