Programma

Data vault, ensemble logical modeling, datavirtualisatie en cloud zijn bij elke BI of datawarehouse-specialist bekend. Maar de grote vraag is hoe je ze samen inzet bij het ontwikkelen van real-life systemen en dan de kracht en mogelijkheden van elke component optimaal benut. In deze sessie wordt uitgelegd hoe alle samen efficiënt ingezet kunnen worden. Centraal hierbij staat het nieuwe concept “data routes”. Binnen een data- en analytics-architectuur dienen data routes als brandstof voor de virtuele data presentatielaag die door eindgebruikers wordt benaderd voor al hun databehoeftes.

Het concept stelt een datageoriënteerde manier van verwerken voor, die rust op de genoemde zaken als data vault, ensemble modeling en datavirtualisatie. Hierbij wordt een ontkoppeling van data en techniek gerealiseerd waardoor het accent wordt verlegd naar de karakteristieken van de data en de eisen die use cases stellen. Het resultaat wordt als een virtuele (semantische) data laag aangeboden aan een brede groep van data enthousiasten. Met behulp van datavirtualisatie wordt een virtuele dataverzameling opgebouwd als virtueel dataportaal voor datagebruikers.

• Biedt een Cloud Analytics platform een volledige oplossing?
• Hoe past het concept Data Routes als methodiek bij een bestaande data architectuur voor Data & Analytics
• Hoeft de data nu niet meer gemodelleerd te worden?
• Hoe passen data routes en datavirtualisatie bij elkaar?
• Van Ensemble logical modeling naar data vault databases

Data Virtualization, Data Quality, Reference Data Management, Master Data Management en Metadatamanagement als onderdeel van Data Management stellen organisaties in staat de verschillende data silo’s op elkaar af te stemmen en hun beslissingen te verbeteren.
Onze centrale vraag is: “Hoe kan TIBCO digitale transformatie initiatieven hierbij ondersteunen?” Data is het fundament voor operational excellence, customer intimacy en Business Reinvention. De rol van TIBCO’s Unify portfolio is de hoeksteen in een data-driven initiatief voor Operations, Data Governance en Analytics.

• Wat is de impact van data virtualisatie bij het gebruik van het data warehouse?
• Spelen API-led transformaties een rol bij het delen van informatie?
• Hoe kunnen gebruikers sneller inzicht krijgen in alle data van het bedrijf?
• Wat is de noodzaak van de standaardisatie van referentie data?
• Wat is de rol van streaming analytics voor een Data Science omgeving?

[Bekijk preview] In de afgelopen vijf jaar zijn cloud databasesystemen echt doorgebroken. De cloud maakt het mogelijk om kapitaal investeringen vooraf om te zetten in operationele kosten, zodat men alleen betaalt voor de capaciteit die echt is; en er nooit zorgen hoeven te zijn over capaciteitsproblemen. Daarbovenop “ontzorgen” cloud database systemen in de zin dat het beheer van de database systemen en onderliggende hardware bij de cloud provider ligt. In tijden van personele schaarste is dat een andere belangrijke factor achter het succes van cloud database systemen, die de eventuele nadelen op het gebied van lock-in en zorgen rond privacy en security vaak neutraliseert.

Maar, als eenmaal het besluit is genomen om de database naar de cloud te brengen, welke dan te kiezen? Er zijn op dit moment al een heleboel cloud systemen. Amazon heeft onder andere Aurora, Redshift, Neptune en Athena. Microsoft heeft SQLserver en Cosmos DB. Google heeft onder andere BigQuery. En dan zijn er nieuwe bedrijven bijgekomen, die zich specialiseren in cloud services, zoals Snowflake en Databricks.

Om beter te begrijpen wat de overeenkomsten en verschillen zijn tussen al die nieuwe cloud systemen, zal Peter Boncz ingaan op wat er zich onder de motorkap van deze nieuwe systemen bevindt. De verschillende alternatieven worden technisch ontleed en met elkaar vergeleken.

Enkele van de onderwerpen die aan bod zullen komen:

• Een introductie tot cloud data systemen met een actueel marktoverzicht van de belangrijkste kanshebbers
• Hoe ziet de architectuur van deze verschillende systemen eruit op het gebied van query-engine, data representatie, elasticiteit en data partitionering
• Welke diensten zijn “serverless” en wat is dat precies?
• Kunnen cloud database systemen automatisch data optimaliseren?
• Wat is het economische model, en verdere implicaties daarvan
• Welke ontwikkelingen zullen nog volgen in cloud database systemen in de komende jaren? Een voorbeeld is databases delen in de cloud.

This session will expose analytic practitioners, data scientists, and those looking to get started in predictive analytics to the critical importance of properly preparing data in advance of model building. The instructor will present the critical role of feature engineering, explaining both what it is and how to do it effectively. Emphasis will be given to those tasks that must be overseen by the modeler – and cannot be performed without the context of a specific modeling project. Data is carefully “crafted” by the modeler to improve the ability of modeling algorithms to find patterns of interest.

Data preparation is often associated with cleaning and formatting the data. While important, these tasks will not be our focus. Rather it is how the human modeler creates a dataset that is uniquely suited to the business problem.

You will learn:

• Construction methods for various data transformations
• The merits and limitations of automated data preparation technologies
• Which data prep tasks are best performed by data scientist, and which by IT
• Common types of constructed variables and why they are useful
• How to effectively utilize subject matter experts during data preparation

Wij ICT-ers moeten ook veranderen. Maar eerst een lekkere lunch serveren!

• Hoe goed is ons track record wat betreft ICT-projecten?
• Waarom adopteren we niet meer generatoren en self-driving technologie?
  • Bladiebla level 2
  • Bladiebladiebladiebla 
  • Derde regel dubbele indentatie
• Is datamodelleren eigenlijk wel veranderd de laatste 30 jaar?

Dit is Koptekst 2

Met daaronder weer broodtekst

Dit is gewoon vet in plaats van stijlkop.

En ook daaronder weer gewone bladiebladiebla tekst.

Het vergrendelen van alle gegevens is niet het antwoord aangezien we daarbij teveel van het potentieel van de data zouden verliezen. Data Governance 1.0-top-down en watervalachtige modellen zijn niet langer geschikt voor de nieuwe data paradigma’s.
De presentatie richt zich op de stappen die u moet nemen om uit uw big data duurzame en met de regelgeving conforme waarde te krijgen via (Self-service) Analytics.

U leert:

• Hoe past u data governance aan voor de nieuwe manieren van werken
• Wat is het onderscheid tussen Informatie en Big Data Governance
• Wat is er nodig voor een goed beheer van self-service analytics
• Hoe laat ik de “data literacy” van mijn medewerkers toenemen
• Omgaan met de dynamiek van data on-boarding en datastromen
• Naar policy gebaseerde classificatie en toegang
• Use Case governance t.o.v. Kritieke gegevenselementen

When it comes to data analytics, you don’t want to know “how the sausage is made.” The state of most data analytics pipelines is deplorable. There are too many steps; too little automation and orchestration; minimal reuse of code and data; and a lack of coordination between stakeholders in business, IT, and operations. The result is poor quality data delivered too late to meet business needs.

DataOps is an emerging approach for building data pipelines and solutions. This session will explore trends in DataOps adoption, challenges that organizations face in implementing DataOps, and best practices in building modern data pipelines. It will examine how leading-edge organizations are using DataOps to increase agility, reduce cycle times, and minimize data defects, giving developers and business users greater confidence in analytic output.

You will learn:

• What is DataOps and why you need it
• The dimensions of DataOps
• The state of DataOps adoption
• DataOps best practices and challenges

In de complexe wereld van halfgeleider productie worden dagelijks enorme hoeveelheden zeer gevarieerde data gegenereerd. ASML, wereldleider op het gebied van machines voor de productie van halfgeleiders, implementeert een central data lake waarin data verzameld wordt in een centrale omgeving en die vanuit daar beschikbaar gesteld wordt voor rapportage en analyse. Dit central data lake bevat ook een zogenaamd analytics lab voor gedetailleerde exploratie van data en het faciliteren van data science toepassingen. Het beheersen van deze snel veranderende data is een enorme uitdaging. In deze sessie bespreken we aan de hand van een aantal voorbeelden ASML’s aanpak voor de volgende uitdagingen:

• Hoe kunnen gebruikers, analisten en data scientists informatie in het central data lake ontdekken en vinden zonder te verdrinken in de hoeveelheid en complexiteit van gegevens?
• Hoe borgen we dat gebruikers van het central data lake de data begrijpen en weten waar de data vandaan komt (data lineage)?
• Hoe zorgen we er voor dat de data in het central data lake vertrouwd kan worden (data kwaliteit)?
• Hoe kunnen we als ASML borgen dat toegang tot data in lijn is met eisen van klanten en andere belanghebbenden?
• Welke toegevoegde waarde kan het analytics lab (nog meer) brengen?

Veel organisaties zijn hierdoor tot de conclusie gekomen dat het tijd is voor een nieuwe, toekomstbestendige data-architectuur. Dit is echter gemakkelijker gezegd dan gedaan. Een nieuwe data-architectuur ontwerpen doe je immers niet elke dag. In deze sessie worden tien essentiële richtlijnen gegeven voor het ontwerpen van moderne data-architecturen. Deze richtlijnen zijn gebaseerd op ervaringen met het uitdenken en implementeren van menig nieuwe data-architectuur.

• Welke nieuwe technologieën zijn er momenteel beschikbaar?
• Wat is de invloed op de architectuur van o.a. Hadoop, NoSQL, big data, datawarehouse automation en data-streaming?
• Welke nieuwe architectuurprincipes worden tegenwoordig toegepast?
• Hoe gaan we om met de steeds strengere regels voor data-opslag en analyse?
• Wat is de invloed van cloud platformen?