Data-Driven Enterprise:
Strategies, Architectures, Platforms, and Practices

November 12, 2020
Moscow

DATA MANAGEMENT 2020 FORUM

Our forum brings together all those who define the enterprise data strategy throughout data lifecycle, as well as all those who implement that strategy using specific architectures, policies, and technologies.

DMITRY VOLKOV
program director of practice-oriented conferences held by
Open Systems Publications.
Nobody teaches to understand data these days despite the proven by the current crisis fact that putting data workflows into order affords more value than investment into the latest and greatest technologies. Digitalization is not about technology, but rather about data culture.
  • How, using raw data, can you get insights that would help building new business models for data monetization?
  • How do you organize your enterprise data management workflow while enabling real-time monitoring and quality audit?
  • What best practices are being used by enterprises that have already deployed their technology infrastructures for data management?
Attend our Data Management 2020 forum to learn the answers to all of those questions and more.
WE WILL DISCUSS:
Business models
  • Common data management workflows; enterprise data models
  • Building a digital team (CDO, CTO, CDTO, data owners and stewards, field experts, data scientists, and data engineers)
  • Tracking your information assets and analytical models
  • Data requirements management (both traditional and agile style), collecting data and creating a single version of truth for the entire organization
  • The secrets of metadata management (business glossary, asset and data model catalogs, fuzzy search, data provenance and dependency analysis)
  • Data quality incident monitoring, control, and management
  • Analytical processing, data-driven decision making, data monetization
Strategies
  • Data management strategy, policies, and procedures
  • Data talent; building the culture of data-driven decision making
  • Collaborative information asset management (data, documents, content, analytical models, metadata)
  • Self-service, data & analytics democratization
  • Missteps and issues in building a data management system
  • What to do to increase trust in data and business outcomes
  • Data access security
Architectures
  • Data integration templates (data lake, data warehouse, data factory, MDM, data hub, data mart templates, XBRL)
  • Intelligent data analysis technologies (BI, data science, prediction, AI, big data, visualization, augmented analytics)
  • The enterprise data model landscape
  • Supporting architecture for digital twins
  • Data quality management templates
  • Metadata management architecture
  • Document/content management styles and technologies (Data Room, Adaptive Content Management, NewSQL, NoSQL, HDFS, In Memory, HTAP)
Platforms and tools
  • Proprietary and open-source data management platforms
  • Data integration tools (Alteryx, Ataccama, IBM, Informatica, Pentaho, SAP, SAS, Syncsort Trillium, Talend, Teradata, Unidata, etc.)
  • Master data management tools (Ataccama, Informatica, IBM, Microsoft, SAS,TIBCO, Talend, Unidata, etc.)
  • Data quality management (Ataccama, Experian, IBM, Informatica, SAS, SAP, Talend, Unidata, etc.)
  • Data collection, storage, and processing tools; BI tools
  • Metadata management and data governance tools (Alation, Informatica, Collibra, Unidata, etc.)
  • Cloud-based solutions; centralized and distributed infrastructures
The practice of data management
  • Procurement
  • Manufacturing, IT industry, finance, retail, transportation, telecommunication, fuel & energy, e-government, healthcare, agriculture; 10+ industries in total
Вернуться
к докладчикам
Валерий Артемьев, консультант Департамента статистики и управления данными, Банк России
Окончил МВТУ имени Н.Э. Баумана, проходил стажировку в Великобритании по банковским системам (De Montfort University, Leicester), изучал методы и средства создания аналитических систем и хранилищ данных в лаборатории IBM Silicon Valley Lab. С 1993 года работает в Центральном Банке РФ, где планировал и руководил проектами по веб-приложениям, XML-форматам сбора отчетности, хранилищам данных и бизнес–аналитике. Руководил инновационными проектами и разрабатывал архитектуру решений централи­зованных прикладных систем. Участвовал в создании систем блока банковского надзора на основе технологий хранилищ данных и бизнес–аналитики, а также управления метаданными: ЕИСПД для монито­рин­га и анализа деятельности кредитных организаций; АКС для анализа платежной информации. Имеет 40-летний преподавательский стаж. Сейчас работает в Управлении методологического и организационного обеспечения, Департамент статистики и управления данными Банка России.
Зачем надо управлять информационными активами?

Любая компания или организация рано или поздно сталкивается с задачей управления всеми своими информационными активами, решение которой невозможно без получения ответов на следующие вопросы: насколько эффективно в организован процесс обнаружения данных, требуемых для решения новой бизнес-задачи; каков их состав, периодичность наблюдения и историческая глубина; где в организации размещены данные и как обеспечен доступ к ним; какие исходные данные проанализированы, какие получены результаты, как они реально использовались и какой был получен эффект. Доклад посвящен обсуждению особенностей организации учета корпоративных информационных активов, требуемого для их эффективного управления. Дается обоснование необходимости ведения корпоративной модели данных, бизнес-глоссария и каталога данных – необходимых предпосылок для формирования архитектуры данных. Кроме того в докладе разбирается проблема качества данных: семантическая основа качества, ценность конкретных данных для аналитики и проверки бизнес-правил, выделение информационных активов, критичных и ценных для операционной деятельности, подготовки и принятия управленческих решений.
Вернуться
к докладчикам
Алена Дробышевская, Яндекс.Облако
Окончила факультет ВМиК МГУ им. М.В. Ломоносова. Более 20 лет опыта работы в ИТ-индустрии – специализация: хранение и анализ данных, искусственный интеллект и машинное обучение, облачные технологии. Работала в компании KPMG, где возглавляла практику «Данные и аналитика», оценивала и внедряла решения с применением методов машинного обучения в интересах крупных российских предприятий. В компании Microsoft отвечала за продвижение решений для хранения и анализа данных, а также решений класса «Artificial Intelligence», в том числе с применением облачных технологий. До прихода в Microsoft работала в Oracle, где отвечала за продвижение на российский рынок хранилищ данных, платформы управления данными и инструментов бизнес-анализа. Имеет опыт открытия в России дочерней компании венгерского производителя ПО для банков в области управления рисками и автоматизации процессов кредитования, управления залогами. Сейчас, в компании Яндекс.Облако руководит направлением развития платформы машинного обучения, принимает участие в проектах, связанных с анализом данных и построением моделей на основе технологий искусственного интеллекта.
Данные для глубинного обучения

Мир становится цифровым – все больше компаний и организаций во всем мире меняют свои бизнес-модели, стремясь максимально полно использовать все доступные им данные для учета текущих и прогнозирования будущих потребностей своих клиентов и заказчиков. Растет важность машинного обучения при анализе данных и построении прогнозных моделей. Доклад посвящен анализу особенностей каждого этапа обработки данных и инструментов, применяемых в течение жизненного цикла систем искусственного интеллекта. Особое внимание уделено обзору сервисов, используемых для сбора, хранения, обработки и первичного анализа данных для построения моделей глубинного обучения и визуализации результатов. На конкретных примерах раскрывается процесс решения прикладных задач с использованием сервисов Yandex DataSphere, DataLens, Data Proc и др.
AUDIENCE:
Chief strategy and innovation officers
Business development and digital transformation executives
CTOs, CIOs, Chief Data Officers
IT systems architects and engineers
Business analysts, data scientists, data analysts
Project/program/product managers
Speakers
Данные для глубинного обучения

Алена Дробышевская
Яндекс.Облако
Интегрированное планирование на основе данных
Сергей Степанов
Лев Зуев

«Газпром нефть»
DataGovernance своими силами

Наталья Мусорина
Александр Юрасов

«Ростелеком»



Алексей Карапузов
Минцифры России



Андрей Бадалов
НИИ «Восход»
Практика машинного
обучения в
Банке России
Николай Разин
Банк России
Основное – данные:
замена «коней»
на переправе
Максим Кокурин
«Интер РАО»
Инвентаризация данных


Александр Хайтин
«Mechanica AI»
Дмитрий Карбасов
Евразийская Группа
Как мгновенно
найти работу
и сотрудников
Александр Сидоров
HeadHunter
Управление
автомобильными
данными
Александр Гурко
НП «ГЛОНАСС»
Игорь Кравченко
«Рексофт»
Работа с мастер-данными и трансформациями в корпоративном хранилище
Роман Генис
«Ростелеком»
Обработка корпоративной информации на естественном языке
Сергей Горшков
Константин Кондратьев

«ТриниДата»
ViXtract – открытый инструмент загрузки и преобразования данных
Иван Вахмянин
Visiology
Premium partner
General partners
Partners
Information partners
Close
Close
Для связи с организаторами
conf@osp.ru
Подать заявку на доклад
Пожалуйста, укажите свои контакты,
тему и аннотацию доклада
Publications
For the first time ever, the event will be also webcast live, with the audience to increase to 250-350.