In dieser Lektion lernen Sie die Grundlagen eines DataOps-Ansatzes kennen. Sie erfahren, wie das DataOps-Team bei der Definition des geschäftlichen Nutzens seiner Arbeit zusammenarbeitet, um den Wert, den es für das gesamte Unternehmen erbringt, klar zu formulieren:

In dieser Lektion lernen Sie die Funktionen kennen, die Sie benötigen, um die Daten in den Repositories eines Unternehmens zu verstehen. Data Discovery wird vor allem dann eingesetzt, wenn der Umfang der verfügbaren Daten zu groß ist, um einen manuellen Ansatz zu entwickeln, oder wenn die Katalogisierung der Daten auf institutioneller Ebene verloren gegangen ist. Dabei werden verschiedene Techniken eingesetzt, um Semantik und Muster in Daten programmatisch zu erkennen. Sie ist ein wichtiger Aspekt bei der Identifizierung und Lokalisierung sensibler oder regulierter Daten, um diese angemessen zu schützen. Generell gilt jedoch, dass das Wissen um die Bedeutung gespeicherter Daten deren Potenzial für Analysen freisetzt. Die Datenklassifizierung bietet eine höhere Ebene der semantischen Anreicherung, die es dem Unternehmen ermöglicht, das Verständnis der Daten von technischen Metadaten auf ein geschäftliches Verständnis anzuheben und die Überschneidungen zwischen verschiedenen Datenquellen anhand der in ihnen enthaltenen Informationen zu erkennen:

In dieser Lektion lernen Sie, dass das Verständnis der Datensemantik den Datenkonsumenten hilft, zu wissen, welche Daten zur Verfügung stehen, aber es gibt keinen Hinweis darauf, wie gut diese Daten sind. In diesem Modul dreht sich alles um Vertrauen, darum, wie zuverlässig eine Datenquelle sein kann, wenn es darum geht, zuverlässige Daten zu liefern, die für wichtige strategische Entscheidungen verwendet werden können, und darum, ob diese Daten für diejenigen, die sie nutzen möchten, zugänglich sein sollten; ob der Datenkonsument sie sehen und nutzen darf. Dieses Modul befasst sich mit den allgemeinen Dimensionen der Datenqualität und mit der Frage, wie Sie schlechte Datenqualität erkennen und beheben können. Und es wird sich mit der Durchsetzung der vielen Richtlinien befassen, die im Zusammenhang mit der Datenqualität erforderlich sind, nicht zuletzt mit der Notwendigkeit, die Wünsche und Rechte des Einzelnen in Bezug auf die Verwendung seiner Daten zu respektieren:

In dieser Lektion lernen Sie, dass die Bereitstellung nützlicher Daten in einem Katalog oft eine Transformation dieser Daten erfordert. Die Modifizierung von Originaldaten kann die Datenaufnahme in verschiedenen Anwendungsfällen optimieren, z.B. bei der Kombination mehrerer Datensätze, der Konsolidierung mehrerer Transaktionszusammenfassungen oder der Manipulation von nicht standardisierten Daten, um internationalen Standards zu entsprechen. In diesem Modul wird untersucht, welche Möglichkeiten der Datenaufbereitung es gibt, wie die Visualisierung genutzt werden kann, um das menschliche Verständnis der Daten und der zu ändernden Daten zu erleichtern, und welche Optionen für die einmalige Nutzung, die Optimierung von Daten-Workflows und die Sicherstellung der regelmäßigen Produktion von Transformationen für die betriebliche Nutzung bestehen. Darüber hinaus zeigt Ihnen dieses Modul, wie Sie die Datenbewegungen und Integrationsaufgaben planen und umsetzen, die zur Unterstützung eines geschäftlichen Anwendungsfalls erforderlich sind. Das Modul basiert auf einem realen Datenverschiebungs- und Integrationsprojekt, das zur Unterstützung der Implementierung eines KI-basierten SaaS-Analysesystems für das Lieferkettenmanagement in der Google Cloud erforderlich ist. Das Modul behandelt die wichtigsten Themen, die für den erfolgreichen Abschluss eines Datenverschiebungs- und -integrationsprojekts erforderlich sind:

In dieser Lektion lernen Sie, wie Sie den letzten Data Sprint auswerten, beobachten, was funktioniert hat und was nicht, und Empfehlungen abgeben, wie die nächste Iteration verbessert werden kann.