mBank zmagał się z problemami typowymi dla dużych organizacji – dane rozproszone w systemach, silosy, brak spójnych definicji, a dostęp wymagał specjalistycznej wiedzy i czasu. Dane zlokalizowane w kilku hurtowniach różniły się. Aby to uporządkować wdrożony został framework data governance i centralna hurtownia danych, która zintegrowała rozproszone źródła i ustanowiła jedno źródło prawdy dla kluczowych informacji biznesowych. Nowe podejście rozwiązało wiele problemów, ale pojawiły się kolejne wyzwania: żeby z danych korzystać, trzeba było wiedzieć, gdzie są, jak je połączyć i jak napisać zapytanie, które da wartość.

I wtedy przyszedł czas na prawdziwą zmianę: GenAI. Rozwiązanie, które otwiera dane dla szerszego grona odbiorców. Teraz osoby korzystające z narzędzia mogą zadawać pytania biznesowe w naturalnym języku, a system zwróci gotowe zapytanie SQL, działające bezpośrednio na hurtowni danych. To kolejny etap dojrzewania naszego podejścia do danych – od chaosu, przez porządek i kontrolę, aż po prawdziwą demokratyzację dostępu do informacji.

Case study projektu zarządzania danymi referencyjnymi zrealizowanego w grupie Medicover. Od genezy (dlaczego temat danych referencyjnych stał się istotny i jakie były wyzwania przy identyfikacji ich źródeł w korporacyjnej platformie danych) poprzez architekturę rozwiązania, narzędzie zintegrowane z Microsoft Azure oraz współpracujące z platformą danych opartą na Databricks.

Przedstawione zostaną wdrożone słowniki referencyjne oraz ich powiązania z data governance – w tym mechanizm ownershipu, który pomógł uporządkować i ustandaryzować dane w organizacji.

Podsumowanie podróży od ręcznych przepływów pracy opartych na Excelu, do w pełni zintegrowanego rozwiązania data lakehouse w celu automatyzacji i usprawnienia analizy badań klinicznych. Kluczowe zagadnienia:

- osiągnięcie skoku dojrzałości danych: jak organizacja przeszła od niedojrzałości danych (poziom 1) do bardziej zaawansowanego stanu (poziom 3) w ciągu roku,

- koncentracja na wartości biznesowej ponad technologią: priorytetowe traktowanie wartości dla interesariuszy nad skalowalnością technologii,

- iteracyjne, zwinne podejście do sukcesu: regularne prezentowanie prototypów i uwzględnianie informacji zwrotnych,

- Zrozumienie potrzeb interesariuszy: uzyskanie kompleksowego zrozumienia różnorodnych wymagań interesariuszy, ich procesów danych i celu analiz.

Czy monitoring danych może być czymś więcej niż tylko technicznym obowiązkiem IT? Może - i powinien, ale zanim w Banku Gospodarstwa Krajowego tak się stało, dział odpowiedzialny za zarządzanie danymi musiał się zmierzyć z szeregiem wyzwań. Z jednej strony ogromne ilości przetwarzanych danych, rozproszone systemy i niespójność informacji, a z drugiej opór biznesu przed jakąkolwiek kontrolą. Case study z wdrożenia monitoringu jakości danych: co zadziałało, a co nie, jak udało się przełamać niechęć biznesu. Pokazana zostanie droga od pierwszych kroków, aż po moment, w którym właściciele danych zaczęli dostrzegać sens dbania o jakość danych. Praktyczna prezentacja na temat wyzwań zarządczych oraz praktycznego wykorzystania narzędzia do monitorowania danych CDO.tools DQM.

Jak zbudować fundamenty data governance w dużej organizacji? Od czego zacząć i jak określić kierunki działania? Case study z tworzenia roadmapy data governance w LOT: jak krok po kroku, z udziałem biznesu wypracować jasno określone ramy działania i plan wdrożenia - uwzględniając strategiczne cele firmy oraz potrzeby pracowników.

Ręczne definiowanie reguł kontrolnych jakości danych jest czasochłonne, a zakres badanych danych jest wciąż za wąski w stosunku do potrzeb. Case study ING Banku Śląskiego - jak stworzone przez zespół banku narzędzie ML, które automatycznie wykrywa potencjalne nieprawidłowości w danych zgormadzonych w hurtowni. Żadnych sztywnych reguł, żadnych przeoczeń. Machine learning oszczędza czas, redukuje ryzyko - algorytm może stać się partnerem w zarządzaniu danym.

Historia wdrożenia systemu predykcyjnego w Grupie Neuca, który miał prognozować potencjały zakupowe klientów na rynku. Niestety, nie osiągnął oczekiwanej skuteczności. Powodem były dane, na których trenowano model. Case study pokazujące czego zabrakło w obszarze danych, aby skutecznie wytrenować model predykcyjny.

Katalog danych nie jest jedynie technicznym repozytorium – stają się kluczowymi generatorami wartości biznesowej. Ale jak wybrać właściwy katalog, który sprosta zarówno potrzebom technologicznym, jak i strategicznym? Jak przekształcić go w narzędzie, które napędza decyzje, zwiększa efektywność i buduje przewagę konkurencyjną? Prezentacja będzie inspirującą podróżą od metadanych do realnej wartości biznesowej. Słuchacze dowiedzą się:

• Jak dopasować katalog danych do poziomu dojrzałości organizacji,
• Jakie są kluczowe kryteria wyboru katalogu, który stanie się fundamentem strategii zarządzania danymi,
• Jakie są praktyczne sposoby na transformację katalogu w aktywo biznesowe – od automatyzacji po maksymalizację ROI.

Zgodnie z nazwą Large Language Models powinny świetnie radzić sobie z przetwarzaniem tekstu, ale niekoniecznie z analizą liczb. Zespół Żabka Polska postanowił zweryfikować tę tezę i sprawdzić, czy Gen AI może wspierać analityków, a nawet częściowo zastąpić zadania młodszych specjalistów w pracy z danymi. Wnioski z budowy in-house rozwiązania, które pozwoliłoby botowi AI odpowiadać na pytania dotyczące danych biznesowych, takich jak wyniki sprzedażowe. Prezentacja ma na celu zainspirowanie do eksperymentowania z LLM w kontekście analityki oraz podzielenie się praktycznymi wskazówkami na podstawie realnego wdrożenia.

Poprawa jakości danych jest niezbędnym etapem przygotowania danych do użycia w zastosowaniach analitycznych oraz AI. Zespoły data governance mają dwie opcje: incydentalne testowanie i czyszczenie danych w trakcie projektów lub systemowe mierzenie i poprawianie błędów we wszystkich kluczowych zbiorach danych. To drugie podejście jest kosztowne bez właściwej priorytetyzacji, ponieważ żaden zespół nie jest w stanie przeanalizować tysięcy tabel.

Prezentacja o tym jak zastosować metodologię Agile do zarządzania zespołem jakości danych. Podejście zweryfikowane w bardzo dużym zespole, w trakcie ponad czteroletniego projektu poprawy jakości danych.

Zeszłoroczne laureatki głównych nagród – Projekt Roku oraz Lider Roku – podzielą się swoim przepisem na sukces. Widzowie poznaą sprawdzone praktyki oraz przykłady, jak działające data governance wspiera wdrażanie rozwiązań AI i zaawansowanej analityki.

Projekt Roku – Dane jasne jak słońce – wyróżnia się kompleksowym podejściem do tematu zarządzania danymi i codziennej aktywności CDO - od działań edukacyjnych oraz nieszablonowej, szerokiej komunikacji skierowanej do wszystkich pracowników firmy, budowaniu świadomości znaczenia danych i odpowiedzialności każdego pracownika za ich jakość, po konkretne procesy biznesowe i narzędzia pomagające mierzyć i monitorować dane i ich jakość.

Lider Roku – nagroda otrzymana za przywództwo nakierowane na skuteczne i bezpieczne wykorzystanie danych do uzyskiwania wartości biznesowej. Rozumienie potrzeb organizacji i umiejętność współpracy z CDO i innymi działami pozwoliło na zbudowanie efektywnego procesu wytwórczego modeli AI i zaawansowanej analityki, opartego na najlepszych praktykach zarządzania danymi, a w efekcie do osiągnięcia mierzalnych sukcesów biznesowych.

W drodze do bycia „data-driven” organizacje muszą odpowiedzieć na trudne pytanie: w jaki sposób korzystać z danych, aby korzyść biznesowa była jak największa. Odpowiedzią może być koncepcja Platformy Zarządzania Cechami Analitycznymi (Feature Engineering Platform). Prezentacja odpowie na kluczowe pytania: dlaczego zbudowanie takiego repozytorium jest potrzebne, jakie i ile tych danych warto w niej przechowywać, które funkcjonalności platformy są kluczowe oraz w jakich przypadkach potrzebujemy danych online, a kiedy niekoniecznie. A wszystko to na podstawie doświadczeń ze zrealizowanych projektów i wdrożeń o różnej skali i stopniu skomplikowania.

Hiszpańskie linie lotnicze AirEuropa skróciły czas dostarczenia danych o połowę. Jak? Z pomocą przyszła orkiestracja danych, która jest jednym z ważnych elementów DataOps Manifesto.  Zaprezentowane zostaną też inne przykłady zastosowania orkiestracji, która pozwoliła na utrzymanie SLA przy rosnącej skali.

Case study z zastosowania automatyzacji i generatywnej sztucznej inteligencji (GenAI) do wsparcia zespołów odpowiedzialnych za zarządzanie jakością danych oraz data governance w firmie windykacyjnej BEST S.A. Prezentacja o tym jak:

- automatyzacja reguł jakości danych redukuję liczbę błędów, przyspiesza pracę, a także poszerza zakres badanych danych i pozwala je utrzymać w standardzie DAMA;

- dzięki poprawie jakości danych kontaktowych firma skuteczniej odzyskuje należności;

- tworzenie złożonych zapytań SQL eliminuje braki w wiedzy technicznej użytkowników i wspomaga demokratyzację danych;

- GenAI umożliwia szybką analizę i profilowania danych w procesach migracji oraz automatyczne wykrywa anomalie i niespójności w danych;

- automatyzacja śledzenia pochodzenia danych (data lineage) również wspiera szybkie wykrywanie błędów i lepsze rozumienie procesów.

Implementacja procesów architektury korporacyjnej w banku obejmuje podział na odrębne domeny, takie jak biznes, dane, IT i bezpieczeństwo. Na dużym obrazie architekci danych odgrywają kluczową rolę w budowaniu modelu danych przedsiębiorstwa, zapewniając dokładne odwzorowanie i integrację danych w całej organizacji. Budowa repozytorium architektury jest niezbędna do powiązania informacji między elementami dostarczanymi przez każdą z domen, co ułatwia kompleksowe zarządzanie danymi. Ostatecznym celem jest uzyskanie pełnego pokrycia ścieżki danych, wykorzystującrRepozytorium do śledzenia i zarządzania przepływem oraz transformacjami danych w całym przedsiębiorstwie.

Dane o idealnej jakości? Nawet jeżeli Chief Data Officer skutecznie wdroży data governance i będzie zbierał bezbłędne dane, to pozostaje kwestia gigabajtów, a nawet terabajtów danych z przeszłości. Błędy mogą być najróżniejsze: błąd pomiaru czujników, literówki, wielkość liter, itd. Ręczna weryfikacja w przypadku dziesiątek milionów rekordów jest niemożliwa i nieopłacalna.

Sztuczna inteligencja nie tylko potrzebuje wysokiej jakości danych, ale może też… pomóc poprawić jakość danych w organizacji. Prezentacja na temat różnych rodzajów błędów oraz o autorskich metodach ich wykrywania z wykorzystaniem modeli językowych (LLM), klasycznych narzędzi NLP, modeli typu BERT oraz narzędzi wizji komputerowej (VLM) na przykładzie danych dużego katalogu produktów.

Prezentacje danych nie trafiają w cel? Cóż… Jak mawia Edward Tufte, „coś jest nie tak albo z danymi, albo ze słuchaczami”. Dashboardy i wykresy stały się obowiązkowym elementem spotkań, ale niestety coraz rzadziej prowadzą do prawdziwych insightów. Podoba nam się to czy nie, potrzebna jest historia, czyli ustrukturyzowane podejście do spostrzeżeń, które wynieśliśmy z analizy danych. Historie bardziej zapadają w pamięć i lepiej przekonują niż same statystyki. Jednak potrafią też uśpić czujność odbiorców. Celem komunikacji danych nie jest ich zaraportowanie, jest nim wpływanie na działania, czyli w dłuższej perspektywie powodowanie zmiany. To wystąpienie pozwoli zrozumieć jak data storytelling łączy logikę (czyli dane) z emocją (czyli narracja), co jest kluczowe w procesie decyzyjnym. I pokaże przykłady nadawania kontekstu i znaczenia danym przez narrację.

Historia budowy platformy danych w Autopay: jakie niekonwencjonalne decyzje podjęto, aby utrzymać prostotę rozwiązania, budować zaufanie do danych i budować środowisko, w którym informacje są przekuwane w wiedzę, decyzję i działania. Podstawowym kryterium budowania rozwiązań w tym projekcie była prostota, która ma to do siebie, że… działa!

Główny Urząd Statystyczny to instytucja, w której dane odgrywają kluczową rolę. W celu zwiększenia wykorzystania pozastatystycznych źródeł danych w badaniach GUS, w 2023 r. uruchomiono program rozwojowy Akademia Data Science (ADS). Po dwóch latach jego działania można podsumować, jak Akademia rozwija kompetencje pracowników, przekształcając analityków w data scientistów, oraz jakie nowe źródła danych wykorzystują w swojej pracy.

W szybko zmieniającym się krajobrazie zarządzania danymi EU Data Act oraz EU AI Act stanowią dwie z najważniejszych ram regulacyjnych wpływających na sposób, w jaki organizacje przetwarzają i wykorzystują dane Projekt zbada ramy prawne unijnej ustawy o danych i ustawy o sztucznej inteligencji, koncentrując się na ich wpływie na praktyki zarządzania danymi. Omówione zostaną wymagania dotyczące zgodności, potencjalne wyzwania prawne i strategie dla organizacji w celu dostosowania ich strategii zarządzania danymi w celu zachowania zgodności.