Seminar Collibra Data Intelligence Platform Kompakt

Das Format richtet sich an Personen, die schnell ein belastbares Gesamtverständnis benötigen, ohne bereits eine Spezialisierung festzulegen.

Alle Inhalte werden an einem durchgängigen Unternehmensszenario erklärt. Dadurch werden Abhängigkeiten zwischen fachlicher Steuerung, Metadaten, technischen Integrationen und operativem Betrieb sichtbar.

Inhaltsübersicht

1. Tag 1: Plattform, Governance und Operating Model
2. Tag 2: Catalog, Integration, Lineage und Data Quality
3. Tag 3: Privacy, Access, Data Products, AI und Automatisierung

Zielsetzung

Nach dem Seminar können die zentralen Plattformbausteine eingeordnet, geeignete Vertiefungsseminare ausgewählt und ein erstes Umsetzungsszenario mit Rollen, Datenobjekten, Kontrollen und technischen Anschlussstellen beschrieben werden.

Zielgruppe

Projektleitungen, Data-Governance-Teams, Data Stewards, Architekten, Administratoren, Datenschutz- und Qualitätsverantwortliche, Entscheidungsträger

Voraussetzungen

Allgemeines Verständnis von Datenmanagement; keine Vorkenntnisse in Collibra erforderlich

Seminarinhalte

Tag 1: Plattform, Governance und Operating Model

1. Schritt 1: Plattformbausteine, Nutzerrollen und typische Anwendungsfälle in einer Gesamtarchitektur einordnen.
2. Schritt 2: Communities, Domains, Assets, Attribute, Beziehungen und Status als Intelligence Graph verstehen.
3. Schritt 3: Governance-Rollen, Entscheidungswege und einen ersten fachlichen Anwendungsfall definieren.
4. Schritt 4: Business Glossary und technische Datenobjekte miteinander verbinden.
5. Schritt 5: Suche, Asset-Seiten, Ansichten und Stewardship-Aufgaben praktisch nutzen.
6. Schritt 6: Ein kleines Operating Model für einen priorisierten Datenbereich aufbauen.

Tag 2: Catalog, Integration, Lineage und Data Quality

1. Schritt 1: Metadatenaufnahme über Edge beziehungsweise Cloud-Ressourcen konzeptionell vorbereiten.
2. Schritt 2: Quellsysteme, Domänenzuordnung und Synchronisationslogik für Katalogdaten festlegen.
3. Schritt 3: Klassifizierung, Profiling und Samples zur Anreicherung und Prüfung einsetzen.
4. Schritt 4: Business und Technical Lineage für Herkunft, Transformation und Auswirkung auswerten.
5. Schritt 5: Qualitätsregeln, Beobachtungen, Warnungen und Bearbeitungsprozesse strukturieren.
6. Schritt 6: Einen Fehlerfall vom Qualitätsindikator über Lineage bis zur Ursache nachvollziehen.

Tag 3: Privacy, Access, Data Products, AI und Automatisierung

1. Schritt 1: Sensible Daten, Verarbeitungskontext, Assessments und Governance-Kontrollen verbinden.
2. Schritt 2: Zugriffsstandards und Schutzregeln für ausgewählte Datenobjekte entwerfen.
3. Schritt 3: Data Marketplace, Data Products und Data Contracts für Datenkonsumenten strukturieren.
4. Schritt 4: KI-Anwendungsfälle, Modelle, Daten und Risiken in ein Governance-Inventar einordnen.
5. Schritt 5: Workflows und APIs als Automatisierungsbausteine unterscheiden und sinnvoll kombinieren.
6. Schritt 6: Eine persönliche beziehungsweise rollenbezogene Vertiefungsreihenfolge festlegen.

Praxisanteil

Ein durchgängiger Fall führt von Governance-Ziel und Operating Model über Metadatenaufnahme und Lineage bis zu Qualität, Datenschutz, Zugriffsregel, Data Product und KI-Anwendungsfall.