1. Does really MDM projects have positive ROI?**

Czy łatwo jest wyliczyć zwrot z inwestycji w projekty Master Data Management? Czy w ogóle jest to wskazane i warto to robić? Dlaczego tak wielu ekspertów ma wątpliwości dotyczące sensowności realizacji projektów MDM?

2. Współpraca zespołów data science z zespołami digital

Najnowsze globalne badanie CDO przeprowadzone przez Gartnera pokazuje, że 36% CDO twierdzi, że to kultura organizacji jest najbardziej krytycznym czynnikiem sukcesu zespołów zajmujących się danymi i analityką. Na drugim miejscu jako krytyczny czynnik sukcesu CDO wymieniają zaawansowane umiejętności analityczne. I to umiejętności analityczne różnych osób w organizacji, bo umożliwia to bardziej efektywną współpracę.

W jaki sposób rozwój marketingu cyfrowego wpłynął na ilość i jakość posiadanych przez firmy danych i na pracę zespołów data science? Czy i jak firmy są w stanie łączyć dane z różnych systemów wykorzystywanych przez zespoły digital i budować „single view of the customer”? Czy rozwiązania typu Customer Data Platform czy Data Management Platform są rozważane lub stosowane w Państwa firmach? Jak oceniacie współpracę między zespołami digital i zespołami data science? Co działa, co nie działa? Jak można lepiej ułożyć współpracę? Jaką rolę w polepszeniu tej współpracy odgrywa kultura organizacyjna, jasno określone, spójnie rozumiane KPI, wsparcie Zarządu, a jaką szkolenia (np. rozwijające umiejętności analityczne czy rozumienie specyfiki narzędzi digitalowych) lub wspólne wypracowywanie rozwiązań?

3. Agile w świecie Big Data – zwinne wytwarzanie modeli analitycznych a zarządzanie danymi w organizacji.

Czy w świecie prawnych i organizacyjnych ograniczeń możliwe jest zwinne wytwarzanie modeli analitycznych? Jak pogodzić potrzebę dostępu do danych w celu ich eksploracji z wymaganiami security i compliance? Czy zespoły Data Science powinny być angażowane w procesy zarządzania danymi, czy funkcjonować w wyizolowanym środowisku dla większej elastyczności?

4. Artificial Intelligence + Data Governance = Artificial Intelligence Governance

Czy Sztuczna Inteligencja bez Data Governance może mieć coś wspólnego z inteligencją ? W ramach round table przedyskutujemy jak DG może wspomóc AI. Zastanowimy się gdzie w danych czychają pułapki, które skutecznie umniejszają wartość zastosowań Machine Learning, doprowadzając do algorytmicznego uprzedzenia, które zdefiniujemy podczas dyskusji.
Wspólnymi siłami wypracujmy koncepcje holistycznego podejścia do Data Integration, Data Quality i Data Governance, które w kontekście Sztucznej Inteligencji jest jeszcze większym wyzwaniem niż dotychczas.

5. Blockchain dla CDO

6. Excel, motyka czy armata – rola narzędzi informatycznych przy wdrażaniu modelu Data Governance

Jakie klasy narzędzi informatycznych wykorzystywane są we wdrożeniach DG? Czy wdrażanie modelu DG w oparciu wyłącznie o MS Office ma sens? Na którym etapie projektu warto zacząć stosować bardziej dojrzałe rozwiązania? W czym narzędzia mogą pomóc, a gdzie przeszkadzają? Jak zbudować Business Case dla narzędzi DG?

7. Jak zautomatyzować zarządzanie informacją w dużej organizacji?

Dlaczego inwentaryzować zasoby informacyjne organizacji? – żeby czymś zarządzać, musimy wiedzieć, że to istnieje. Czy ponieść koszty na zautomatyzowanie procesu zarządzania informacją? Rola technologii. Kto jest głównym użytkownikiem i odbiorcą platformy zarządzania informacją? Wszyscy! Jakie zyski niesie ze sobą zautomatyzowana platforma do zarządzania informacją?

1. Data lineage czyli o przepływach danych

Jaki data lineage jest naszej organizacji potrzebny? Czy jest to narzędzie tylko dla IT? Czy przy planowaniu wdrożenia należy rozróżnić warstwę techniczną i biznesową data lineage? Na jakim  poziomie szczegółowości możliwe jest narysowanie mapy przepływu danych w dużej organizacji? Czy  możliwe jest wykonanie tej pracy bez wdrożenia narzędzi DG?

2. Odpowiedzialność za dane

Kto w firmie powinien odpowiadać za dane (ich jakość, spójność, aktualność, ład w danych, bezpieczeństwo, rozwój, itd)? Czy to powinno być skupione w jednym rękach czy zdecentralizowane? Jeśli scentralizowane to w jaki sposób? Jeśli rozproszone to jak uniknąć rozmywania odpowiedzialności i „rozjeżdżania” się zasobów danych w firmie?

3. Co odróżnia organizację, o której można powiedzieć, ze jest prawdziwie „data driven company”, od takiej, która tylko tak mówi?

Co oznacza “data-driven company”? Kiedy opłaca się oprzeć organizację o dane? Kogo w organizacji należy przekonać do podejścia data-driven? Kiedy jest utrzymywana fikcja podejścia data-driven?

4. Współpraca zespołów data science z zespołami digital/e-marketingowymi

Obszary prostej i zaawansowanej analityki na danych i szeroko rozumianego digital’u przenikają się i wzajemnie sobie służą. Przy stoliku poruszymy kwestie dotyczące aspektów technicznych, organizacyjnych i zależności między tymi tematami.
Zdefiniujmy pojęcia i określmy cele obszarów: digital i analityka: Jak te pojęcia rozumiane są w Państwa firmach? Jakie cele są im stawiane? Jakie są zależności, w jaki sposób obszary analityki i data governance mogą wspierać cele kampanii digitalowych? Możliwości. Praktyczne doświadczenia i kierunki wynikające z porządku w danych i Data Governance: analityki zaawansowanej oraz trendów adTechowych i marTechowych. Aspekty organizacyjne: W jaki sposób prowadzić projekty? Jaka struktura najlepiej odpowiada celom biznesowym stawianym tym obszarom?

5. (re)wdrożenie Data Governance w Eurobanku

Jak określić cele i zakres Data Governance tak, żeby management chciał posłuchać o jego wdrożeniu? Jak wdrożyć DG szybko, lekko i przyjemnie bez utrudniania życia biznesowi? Jakie są najlepsze sposoby na utrzymanie zainteresowanie Data Governance’m w organizacji, aby po sukcesie pierwszego etapu nie wrócić do dawnych nawyków?

6. Rozumienie zaawansowanej analityki – jak mówić, żeby biznes to rozumiał?

Jak biznes chce, żeby do niego mówiono? Jakie najczęściej uwagi zgłasza biznes? Z jakimi tematami najtrudniej dotrzeć do biznesu? – czy nie brakuje wspólnego celu? Jakie możemy zastosować strategie komunikacji? Czy biznes musi znać szczegóły?

7. Dane, ich analiza i business insights – jakich narzędzi, możliwości i pomysłów od ekspertów od danych oczekują użytkownicy biznesowi

System zindywidualizowanych raportów czy może dopasowana pod odbiorcę warstwa danych – co daje większe możliwości i satysfakcję użytkownika biznesowego? Co jest potrzebne, żeby użytkownik biznesowy efektywnie korzystał z dostępnych struktur danych, a nie odczuwał potrzeby budowania własnych, alternatywnych rozwiązań bazodanowych? Co to znaczy kultura danych? Jak efektywnie wymieniać się wiedzą w dużej organizacji, dbać o metadane?