Data Warehouse Architecture: Private Offline Professional Training

Mulai:6 Nov’23
Selesai:10 Nov’23
Hari:Senin – Jumat
Pukul:09.00 – 17.00 WIB
Durasi:40 Hours
Biaya:Rp 6.900.000,-
Tempat:Brainmatics
Min. Peserta:6 Peserta
Category:

Saat ini banyak perusahaan yang bisnisnya ingin dikendalikan oleh data untuk mendapatkan keuntungan dari data tersebut seperti pemanfaatan penunjang penentuan keputusan eksekutif, smart application yang berbasis Artificial Intelligence dan sebagainya. Namun fakta menyatakan bahwa data yang tersedia di perusahaan masih banyak yang belum memberikan nilai atau keuntungan bagi perusahaan. Data-data tersebut justru menimbulkan biaya-biaya lain seperti upaya dalam pembersihan data dan perbaikan data. IBM memperkirakan biaya kualitas data yang buruk menghabiskan sebesar $3.1 triliun (Redman, 2016). Para Data Scientist menghabiskan usahanya sebesar 60% waktu yang dibutuhkan untuk pembersihan data dari total waktu dalam analisis data (Press, 2016).

Dalam upaya menurunkan biaya atas kualitas data yang buruk dan meningkatkan nilai data bagi perusahaan, diperlukan pengelolaan data yang baik. Pengelolaan memerlukan perencanaan, pelaksanaan, pengembangan dan seperangkat aturan atau tata kelola yang jelas. DAMA-International mengeluarkan sebuah framework atau panduan yang memungkinkan perusahaan atau organisasi melakukan pengelolaan data yang baik berbasis Body of Knowledge. DMBOK adalah panduan pengelolaan data yang dikeluarkan oleh Dama International dengan release terakhir pada tahun 2017. DMBOK memberikan panduan terkait serangkaian aktivitas untuk pengelolaan data yang meliputi perencanaan, pelaksanaan, pengembangan dan tata kelola.

Training ini mengenalkan bagaimana DMBOK dapat diadopsi untuk melakukan pengelolaan data di perusahaan atau organisasi. Peserta akan mempelajari bagaimana menyusun tata kelola data di beberapa knowledge area di data manajemen. Peserta juga akan mempelajari bagaimana melakukan sinkronisasi pengelolaan data dengan framework enterprise architecture. Setelah training selesai, peserta diharapkan memliki pemahaman terkait pengelolaan data sehingga mampu memaksimalkan nilai data bagi perusahaan atau organisasi.

OBJECTIVES

  1. Memahami framework yang digunakan sebagai best practice dalam pengelolaan data
  2. Mengetahui knowledge area pengelolaan data beserta tools, teknik, akvitias dan tata kelolanya
  3. Mengetahui tren teknologi terkini dalam meningkatkan nilai data bagi perusahaan

PREREQUISITES

Tidak ada training khusus yang dipersyaratkan

CONTENT

Tidak ada training khusus yang dipersyaratkan

CONTENT

1. Foundational & Governance

1.1. Introduction Of Data Management
1.2. Data Handling Ethics
1.3. Data Governance
1.4. Metadata Management
1.5. Data Quality
1.6. Data Security

2. Planning & Design

2.1. Data Architecture
2.2. Data Modeling & Design

3. Enable & Maintain

3.1. Data Storage & Operations
3.2. Reference & Master Data
3.3. Data Integration & Interoperability

4. Use & Enhance

4.1. Document & Content Management
4.2. Data Warehousing & Business Intelligence
4.3. Big Data & Data Science
4.4. Data Management Organization and Role Expectations

        5. Data Warehouse – Fundamentals

5.1. Introduction to Data Warehousing Concepts
5.2. Data Warehousing Logical Design
5.3. Data Warehousing Physical Design
5.4. Data Warehousing Optimizations and Techniques

       6. Optimizing Data Warehouses Use Case
           6.1. Basic Materialized Views
           6.2. Advanced Materialized Views
           6.3. Refreshing Materialized Views
           6.4. Synchronous Refresh
           6.5. Monitoring Materialized View Refresh Operations
           6.6. Dimensions
           6.7. Basic Query Rewrite for Materialized Views
           6.8. Advanced Query Rewrite for Materialized Views
           6.9. Attribute Clustering
           6.10. Using Zone Maps
       7. Data Movement/ETL Use Case
           7.1. Data Movement/ETL Overview
           7.2. Extraction in Data Warehouses
           7.3. Transportation in Data Warehouses
           7.4. Loading and Transformation in Data Warehouses

       8. Relational Analytics Use Case

           8.1. SQL for Analysis and Reporting
           8.2. SQL for Aggregation in Data Warehouses
           8.3. SQL for Pattern Matching
           8.4. SQL for Modeling
           8.5. Advanced Analytical SQL
           8.6. Overview of Analytic Views
           8.7. Attribute Dimension and Hierarchy Objects
           8.8. Analytic View Objects