…czyli co warto robić, a czego unikać i na czym budować autorytet… a na czym nie. Jak dobrze ustawić priorytety między dostarczaniem wartości biznesowej, a data goverance, doskonałą architekturą. Jak zorganizować zespoły Data&AI, żeby utrzymać momentum i zaangażowanie ekip biznesowych. Jak zmotywować biznes i ekipy data do efektywnej pracy nad data governance - na ile to jest możliwe? Jak określić zakres odpowiedzialności obszaru data, tak, żeby był prawdziwie biznesowym i jednocześnie efektywnym partnerem w organizacji. Kluczowe pułapki w komunikacji dot. danych, o czym mówić i gdzie, co mierzyć, co zrobić, żeby firma chciała inwestować w dane… i jak to wszystko odpowiada na postawione pytanie?

Analityka jest potrzebna w wielu obszarach biznesu. Jest istotnym czynnikiem podnoszenia efektywności procesów biznesowych. Technologicznie jesteśmy w stanie już zautomatyzować proces tworzenia modeli analitycznych, ich operacjonalizacji do aplikacji biznesowych i potem zarządzania nimi. To co nadal może być wąskim gardłem całego procesu to dane. Inżynieria cech do budowy modeli analitycznych nadal jest etapem, który w procesie implementacji analityki do biznesu zajmuje najwięcej czasu, a brak danych analitycznych, na których bazują modele w obszarze operacyjnym znacznie spowalnia proces ich wdrażania i wydłuża czas oczekiwania na spodziewane korzyści.

SAS Feature Manager jest rozwiązaniem, którego zadaniem jest ułatwienie i przyspieszenie procesu inżynierii cech – a jednocześnie zapewnienie ich operacjonalizacji wraz z modelami, które będą z nich korzystać. Ważne jest tutaj uniknięcie ryzyka spowolnienia procesu wprowadzenia analityki do procesów biznesowych, a tym samym planowe osiągnięcie planowanych korzyści.

IDC reports that 83% of CEOs want their organizations to be more data-driven, yet only 27% of practitioners trust the data they work with. Organizations struggle with siloed data, low data quality, lack of governance around data usage, and enriching data at scale with third-party information and location insights. If you struggle with any (or all) of these challenges, join us to hear how Precisely and the Precisely Data Integrity Suite help over 12,000 global customers, including 99 of the Fortune 100, trust their data for fast, confident business decisions that grow revenue, drive down costs, and manage risk and compliance.

Jak przekonać biznes w firmie do konieczności inwestowania w dane? I jak uzasadnić wielkość potrzebnych nakładów i plan realizacji? Strategia w kontekście danych i powiązania ze strategią biznesową firmy – czyli jak rozmawiać o danych językiem biznesu. Znaczenie jakości danych i zaufania, które do nich mamy – jak długofalowo je umacniać? Waga wyboru właściwych platform technologicznych oraz sposobu organizacji zarządzania danymi dla realizacji tych celów. Parę ciekawych faktów i obserwacji z badania „Data-powered enterprises survey”. Na koniec kilka słów o „AI for good” – czyli czemu dobrze jest użyć danych do czynienia dobra.

Inicjatywy Data Management / Data Governance, czy centra kompetencji Data & Analytics stały się standardem w dojrzałych firmach. Kluczowe wyzwanie w tym momencie, to jak sprawić, aby organizacja czerpała z nich maksymalną wartość. Jak zapewnić, aby procesy decyzyjne były prawdziwie data-driven, a traktowanie danych jako kapitału stało się częścią kultury organizacji? W moim wystąpieniu opowiem o tym, jak w TVN Warner Bros Discovery podchodzimy do tego tego wyzwania i jak zmieniamy organizację poprzez program Data Culture i jego inicjatywy składowe, takie jak m. in. Data Literacy, Data Driven Approach czy Data Monetization.

W Twojej organizacji każdego dnia wielu pracowników tworzy, analizuje lub przetwarza dane. Jednak kiedy pojawia się problem z ich jakością, to często nie wiadomo, kto powinien go rozwiązać. Zdarza się również, że brakuje niektórych danych, a raporty nie są wystarczającym narzędziem do podejmowania decyzji. To mogą być sygnały wskazujące na potrzebę podniesienia poziomu kultury danych. Podczas prezentacji opowiemy, dlaczego kultura danych wpływa na ich użyteczność i jak przekłada się na zadowolenie pracowników i klientów - a w efekcie na zysk całego przedsiębiorstwa. W szczególności:

• Kultura i użyteczność danych - jak to rozumieć
• Jak badać poziom kultury i użyteczności danych
• Jaka jest zależność między kulturą a jakością danych
• Co robić, kiedy kultura danych jest za niska

Czy metadane to zbędny luksus na potrzeby raportów i audytów regulatora? Czy metadane mogą zwiększyć produktywność osób pracujących z danymi? W jaki sposób gromadzone metadane pozwalają automatyzować procesy przetwarzania danych?  Prezentacja odpowie na te i inne pytanie. Zagadnienie zostanie wsparte przykładami z obszaru maskowaniu danych, budowy zasilań, atomatycznego generowania reguł jakości danych.

Rozwiązania Self-Service BI pozwalają na szybsze podejmowanie trafniejszych decyzji na każdym szczeblu organizacji. Jednak, by w pełni wykorzystać ich potencjał potrzeba czegoś więcej niż nowych narzędzi i systemów IT oraz kolorowych ulotek mówiących o byciu Data-Driven. Organizacja, chcąc skorzystać z możliwości jakie daje demokratyzacja danych musi zbudować odpowiednią kulturę danych, wprowadzić odpowiednie systemy i metodologię, a także pokazać pracownikom na każdym szczeblu jak z nich korzystać oraz dlaczego warto to robić. Na prelekcji Adrian pokaże wam jak to osiągnąć przeistaczając Self-Service Bi z pustego hasła i trendu w realną, płynącą z danych wartość.

Ilość danych przetwarzanych w przedsiębiorstwach rośnie w niesamowitym tempie. Nie dziwi zatem fakt, że rozwiązania Data Observability szybko stają się kluczowymi narzędziami wspierającymi  zespoły odpowiedzialne za dane. Pozwalają lepiej zrozumieć stan danych w systemach oraz automatycznie identyfikować i rozwiązywać problemy, takie jak anomalie, nieprawidłowe zmiany danych lub awarie przepływów danych w czasie zbliżonym do rzeczywistego. Podczas prezentacji omówimy kluczowe cechy narzędzi Data Observability, ich rolę w procesach Data Governance oraz zmiany organizacyjne i technologiczne towarzyszące ich wdrożeniom.

W jakim stopniu decyzję o otwarciu nowego sklepu opieramy o dane? Jaką rolę we wsparciu naszej Strategii Odpowiedzialności i celu dekarbonizacji odgrywa analityka? Jak wykorzystujemy dane, aby zwiększać atrakcyjność naszej aplikacji mobilnej? W mojej prezentacji opowiem, jak projekty analityczne wspierają kluczowe zmiany w naszej organizacji i z jakimi wyzwaniami mierzymy się w zakresie praktycznego wykorzystania danych.

Technologie zaawansowanej analizy danych pozwalają na badanie śladu cyfrowego i poznawanie naszych preferencji w celu przedstawiania nam ofert lepiej dostosowanych do naszych potrzeb i upodobań. Ale takie same analizy danych mogą skutkować decyzją o nieudzieleniu nam kredytu lub pominięciem w procesie rekrutacyjnym. Legislatorzy próbują chronić nas przed zagrożeniami związanymi ze zbyt szerokim wykorzystaniem technologii w kontekście dotyczących nas informacji, ale nowe regulacje są tutaj zawsze o krok za technologią.

Jak (każda) nowa technologia jest postrzegana przez regulatorów?  Co to jest prywatność, na czym polegają zagrożenia dla prywatności związane z Data Analytics i AI? Rzeczywiste problemy z regulacjami: przepisy prawne i ich interpretacja, a praktyka wdrożeniowa. Perspektywa audytora: audytowanie decyzji podjętych przez AI. Krajobraz regulacji: jakie nowe rozwiązania dotyczące technologii i prywatności szykuje nam UE.

Jakub Bojanowski, wykładowca, doświadczony menedżer i doradca

Do czego jest nam potrzebna architektura danych państwa. Architektura danych – warstwa semantyczna Architektury Informacyjnej Państwa wdrażanej w Departamencie AIP KPRM. Metoda i zakres działań architektury danych AIP. Produkty - przykłady modeli i rekomendacji architektury danych AIP. Koncepcja efektywnego udostępniania danych referencyjnych z rejestrów publicznych w oparciu o formalną referencyjność rejestrów i wdrożenie krajowej platformy udostępniania danych – wizja realizacji.

Organizacje tworzą i kolekcjonują coraz większe ilości danych, co wymaga co raz to większej ilości zasobów ludzkich, procedur i procesów wspierających poruszanie się miedzy nimi. W przypadku wielu firm, zwłaszcza tych, które obsługują masowego klienta, dynamicznie rosnącym aktywem są dane pochodzące z różnego rodzaju interakcji elektronicznych – które wraz ogromnym spektrum różnorodnych systemów tworzą złożone stosy danych martechowych. Ten obszar bardzo dobrze pokazuje potrzebę wypracowania nowego podejścia do organizowania stosów danych, z których faktycznie będzie chciał korzystać biznes.

 Jak budować produkt, którego fundamentem są dane, tak aby wewnętrznie został "kupiony" i był chętnie rozwijany? By wspomagał realizację celów biznesowych, budował przewagi konkurencyjne, wspomagał działania marketingowe w obrębie każdego z elementów lejka marketingowego? By ułatwiał dobór narzędzi marketingowych oraz kanałów dotarcia, języka, styl, itd? Czy wreszcie, był narzędziem codziennej pracy marketerów na każdym etapie planowania i egzekwowania strategii i kampanii?

Wnioski z realizacji projektu PKO BP - Politechnika Poznańska w obszarze zarządzania jakością danych.

Z technicznego punktu widzenia prezentacja adresuje problematykę zarządzania jakością danych w dużej organizacji finansowej, w szczególności w zakresie czyszczenia danych i wykrywania rekordów powielonych. Omówione zostanie rozwiązanie wypracowane w ramach wspólnego projektu PKO BP - Politechnika Poznańska. Rozwiązanie to bazuje na modelach statystycznych i algorytmach uczenia maszynowego. Omawiany projekt i doświadczenia z innych projektów posłużą także do zaprezentowania ogólnych doświadczeń ze współpracy nauki z przemysłem, w szczególności w obszarze danych.

Najlepsze praktyki sektora energetycznego w Niemczech – jak skalować Data Governance (procesy i framework-i w obszarze modeli organizacyjnych, narzędzi skalowania, modeli implementacyjnych oraz operacyjnych). Znaczenie domen danych (Data Domains).

Co robimy z danymi i w jaki sposób je analizujemy oraz profilujemy? Przedstawienie szerokich możliwości wynikających z analizy danych – zastosowanie własnych rozwiązań i ich potencjał. Dane mobilne jako element planowania i długofalowej strategii biznesowej. Znaczenie danych w sektorze publicznym - na przykładzie administracji samorządowej (Miasto Łódź).