C/DMDQ : Veri Yönetimi ve Veri Kalitesi

2 gün (12 Saat) Orta Sınıf / Online İş Zekası ve İleri Analitik

Veri, günümüz dünyasının yeni yakıtı haline geldi. Artık eskiye nazaran daha fazla ve daha çeşitli veriden anlam çıkarmaya çalışarak, rekabette avantaj sağlamanın peşine düşüyoruz. Bunun için sürekli geçmişi tahlil edip geleceği tahmin etmeye çalışıyoruz. Şimdilerde veri analizi için kullanılabilecek araçlar çeşitlendi ve kullanıcı dostu haline geldi. Artık veri analizini yapmak çok daha kolay. Ancak şirketler kendi verilerinden anlam çıkarmakta hala zorlanıyor. Her üç karar vericiden biri kendi verilerine güvenmiyor. Bunun altında yatan sebep ise çok açık; şirket genelinde bir veri yönetimi anlayışının olmaması, veri kalitesinin düşük seviyelerde kalması. Bu sebeple biz bu "Veri Yönetimi ve Veri Kalitesi" eğitiminde veri yönetimi prensiplerine ve veri kalitesi iyileştirme tekniklerine odaklanıyor, modern mimariler oluşturmak için gerekli olan kavramları odağımıza alıyoruz.

Eğitim İçeriği

- Module 1: Veri Analitiği

  • Hatalı Analize Götüren İnsan Eğilimleri
  • Karar Vericilerin Odaklandığı Bazı Düşünsel Frameworkler
  • Veri Analitiği Tipleri
  • Veri Yönetiminde Trendler

- Module 2: Veri Yönetimi Bileşenleri

  • Veri Yönetimi Nedir?
  • Veri nedir? Veri Tipleri Nelerdir?

- Module 3: Metadata Yönetimi

  • Metadata Nedir?
  • Metada Yönetimi Nedir?

- Demo - Veri Kataloğu / Sözlüğü

  • Bir Veri Sözlüğü Ürünü Olarak Azure Purview

- Module 4: Veri Kalitesi Yönetimi

  • Veri Kalitesi Yönetimi Nedir?
  • Neden Veri Kalitesi Önemlidir?
  • Veri Kalitesi Sorunları Nelerdir?
  • Veri Kalitesini Bozan Temel Sebepler Nelerdir?
  • Veri Boyutu (Data Dimension) ve Kurallar
  • Kötü Data Kalitesi Örnekleri
  • Veri Kalitesi İyileştirme Süreci
  • Veri Kalitesi Çözümü için Gereklilikler

- Demo - Veri Kalitesi İyileştirme

  • SSDT ile Data Profilling
  • SSDT ile Veri Kalitesi İyileştirme
  • Data Quality Services ile Veri Kalitesi İyileştirme

- Module 5: Master Data Yönetimi

  • Master Data Nedir?
  • Master Data Yönetimi Nasıl Olur?

- Demo - Master Data Yönetimi

  • MDS ile Master Data Management

- Module 6: Veri Entegrasyonu Yönetimi

  • Veri Entegrasyonu Nedir?
  • ETL & ELT & ELTL Yaklaşımları
  • Fresh / Incremental Veri Yükleme
  • Real-Time Batch Analizler
  • Geleneksel İş Zekası ve Modern İş Zekası
  • Lambda Mimarisi
  • Yığın Halindeki Veri Analizi
  • Akan Veri Analizi

- Module 7: Veri Analitiği Yönetimi

  • Veri Analitiği için Göz Önünde Bulundurulacaklar
  • Report, Dashboard, Analytics
  • Alert, Subscription
  • Pull, Push, Runtime

- Module 8: Veri Sorumlulukları Nelerdir?

  • Derinlemesine Güvenlik
  • Mahremiyet
  • Adalet

- Module 9: Roller

  • Veri Odaklı İş ve Teknik Roller

- Module 10: Veri Yönetişimi (Data Governance)

  • Veri Yönetimi ve Veri Yönetişimi (Data management vs Data Governance)
  • Veri Yönetişimi Prensipleri

- Module 11: Veri Yönetiminde Evrim

  • Veri Analizi Süreçi ve Mücadele Noktaları
  • Operasyonel Veri Tabanları, Veri Ambarları, Veri Gölleri ve Lakehouse
  • Kurumsal BI, Self-Service BI

- Module 12: Veri Tabanı Tasarım Prensipleri

  • Geleneksel Tasarımlar
  • Çevik Tasarımlar

- Module 13: Makine Öğrenimi, Yapay Zeka, Derin Öğrenme

  • DM, ML, AI, DP kavramları
  • Problem tipleri ve çözümler

- Module 14: Büyük Veri ve NoSQL

  • Büyük Veri Nedir?
  • Büyük Veri Ekosistemi
  • NoSQL Nedir?
  • NoSQL Tipleri

- Module 15: Modern Mimariler

  • Mimari Oluşturmanın Esasları
  • Modern Mimari Örnekleri (Bulut & Şirket içi)

- Module 16: Populer Veri Odaklı Roller

  • Veri Analisti (Data Analyst)
  • Veri Bilimcisi (Data Scientist)
  • Veri Mühendisi (Data Engineer)

Öncesinde Önerilenler

Sonrasında Önerilenler