Dans cette leçon, vous apprendrez les principes fondamentaux d'une approche DataOps. Vous apprendrez comment l'équipe DataOps travaille ensemble pour définir la valeur commerciale du travail qu'elle entreprend afin d'être en mesure d'articuler clairement la valeur qu'elle apporte à l'ensemble de l'organisation :

Dans cette leçon, vous découvrirez les capacités que vous devrez utiliser pour comprendre les données contenues dans les référentiels d'une organisation. La découverte de données est la méthode la plus appropriée lorsque l'échelle des données disponibles est trop vaste pour concevoir une approche manuelle ou lorsqu'il y a eu une perte institutionnelle de catalogage des données. Elle utilise diverses techniques pour reconnaître de manière programmatique la sémantique et les modèles dans les données. Il s'agit d'un aspect essentiel de l'identification et de la localisation des données sensibles ou réglementées afin de les protéger de manière adéquate, bien qu'en général, le fait de savoir ce que signifient les données stockées débloque leur potentiel d'utilisation dans l'analyse. La classification des données offre un niveau supérieur d'enrichissement sémantique, permettant à l'organisation de faire passer la compréhension des données des métadonnées techniques à une compréhension commerciale, aidant ainsi à découvrir le chevauchement entre plusieurs sources de données en fonction des informations qu'elles contiennent :

Dans cette leçon, vous apprendrez que la compréhension de la sémantique des données aide les consommateurs de données à savoir ce qui est disponible pour la consommation, mais qu'elle ne fournit aucune indication sur la qualité de ces données. Ce module traite de la confiance, de la fiabilité d'une source de données à fournir des données de haute fidélité qui peuvent être utilisées pour prendre des décisions stratégiques clés, et de la question de savoir si ces données doivent être accessibles à ceux qui veulent les utiliser ; si le consommateur de données est autorisé à les voir et à les utiliser. Ce module aborde les dimensions communes de la qualité des données, la manière de détecter et de remédier à la mauvaise qualité des données. Il abordera également l'application des nombreuses politiques nécessaires à la qualité des données, notamment la nécessité de respecter les souhaits et les droits des personnes quant à l'utilisation de leurs données :

Dans cette leçon, vous apprendrez que la fourniture de données utiles dans un catalogue peut souvent nécessiter une transformation de ces données. La modification des données d'origine peut optimiser l'ingestion des données dans divers cas d'utilisation, tels que la combinaison de plusieurs ensembles de données, la consolidation de plusieurs résumés de transactions ou la manipulation de données non standard pour se conformer aux normes internationales. Ce module examinera les choix de préparation des données, la manière dont la visualisation peut être utilisée pour faciliter la compréhension humaine des données et ce qui doit être modifié, ainsi que les différentes options pour l'utilisation unique, l'optimisation des flux de données et la garantie de la production régulière de transformations pour l'utilisation opérationnelle. En outre, ce module vous montrera comment planifier et mettre en œuvre les mouvements de données et les tâches d'intégration qui sont nécessaires pour soutenir un cas d'utilisation professionnelle. Le module est basé sur un projet réel de mouvement et d'intégration de données nécessaire pour soutenir la mise en œuvre d'un système analytique SaaS basé sur l'IA pour la gestion de la chaîne d'approvisionnement fonctionnant dans le nuage Google. Le module couvrira les principaux sujets qui doivent être abordés pour mener à bien un projet de déplacement et d'intégration de données :

Dans cette leçon, vous apprendrez à évaluer le dernier data sprint, à observer ce qui a fonctionné et ce qui n'a pas fonctionné, et à formuler des recommandations sur la manière d'améliorer la prochaine itération.