Konsolidovaná klientská data, kterým důvěřujete
|
|
- Ivana Jarošová
- před 8 lety
- Počet zobrazení:
Transkript
1 Konsolidovaná klientská data, kterým důvěřujete Michal Gürtner Client Technical Professional IBM Software Group Mobile:
2 Agenda Information Governance Definice a porozumění datovým zdrojům Standardizace a čištění dat Datové transformace Přenesení dat do cílového úložiště Správa terminologie a metadat Master Data Management (MDM) Co vlastně MDM znamená? Architektura Master data Funkcionalita Uživatelské prostředí IBM InfoSphere MDM v10 živá ukázka 2
3 Information governance Nemohu udělat strategické rozhodnutí, nemám dostatečné informace ředitel Rád bych pomohl zlepšit datovou kvalitu, neznám ale kontext správce dat Nemám kompletní přehled o nákupech zákazníků obchodník Množství datových zdrojů, systémů jak je efektivně propojit? architekt Potřebuji detailně porozumět a zmapovat datové zdroje datový analytik Cože to vlastně mám vyvinout, jak se co počítá? vývojář 3
4 Information governance Transakční aplikace Integrace Analýza Analytické aplikace Správa Ověřené data Big Data Kostky Data Datové sklady Streams Informace Připravenost Management Kvalita Životní cyklus Bezpečnost Standardy 4
5 Úplné porozumění Vašim datům a datovým zdrojům Před tím, než se začnete zabývat tím, co s daty dělat, je vhodné vědět Co za data máte skutečně k dispozici Jestli jsou tím, čím se zdají být nebo co o nich někdo tvrdí Proboha, kdo dal do té cukřenky SŮL!!!? 5 5
6 Úplné porozumění Vašim datům a datovým zdrojům Cíl: Analýza datových zdrojů sloupců, primárních klíčů cizích klíčů a domén jednotlivých sloupců zkoumání další závislostí mezi sloupci a tabulkami Zjištění překryvů dat Definice objektů pro archivování a testování Definice objektů se sensitivními údaji Unifikace datových modelů Konkurenční výhoda Pracuje napříč různými datovými zdroji Automatické provádění, detekce ale i návrhy Odhalení logiky transformací Analýza sloupců Discover Data Growth Privacy Consolidate Dat. tabulka n Dat. tabulka 2 Dat. tabulka 1 Analýza primárních klíčů Analýzy závislostí mezi tabulkami 6 6
7 Úplné porozumění Vašim datům a datovým zdrojům Krok 1: Analýza dat - na základě porovnání hodnot v řádcích objevujeme sloupce, které si v různých datových zdrojích odpovídají: Member (Tabulka 1) = ID (Tabulka 25) Tabulka 1 Row Member SS # Age Phone Sex (123) M (138) F (154) M (173) F (194) F (217) M Tabulka 25 ID Col , (243) F 987, (272) M
8 Úplné porozumění Vašim datům a datovým zdrojům Krok 2: Záznamy srovnány -> analýza datových hodnot automaticky odhalí komplexní business pravidla a transformace: Case: If age<18 and Sex=M then 0 If age<18 and Sex=F then 1 If age>=18 and Sex=M then 2 If age>=18 and Sex=F then 3 = Col1 Tabulka 1 Tabulka 25 Row Member SS # Age Phone Sex ID Col (123) M (138) F (154) M (173) F (194) F (217) M , (243) F 987, (272) M
9 Úplné porozumění Vašim datům a datovým zdrojům Krok 3: Díky již odhaleným business pravidlům provedeme další analýzu dat s cílem zjistit dosud neznáme nekonzistentní datové hodnoty Case: If age<18 and Sex=M then 0 If age<18 and Sex=F then 1 If age>=18 and Sex=M then 2 If age>=18 and Sex=F then 3 = Col1 Tabulka 1 Tabulka 25 Row Member SS # Age Phone Sex ID Col (123) M (138) F (154) M (173) F (194) F (217) M 987, (243) F 987, (272) M Hit Rate: 98% 9
10 Úplné porozumění Vašim datům a datovým zdrojům Krok 1 Profilování zdrojů C1 A001 A002 Mainframe C2 C3 56 Chris Petr 25 Jan C4 A1 H1 C5 302 V Krči Main 5 Street Pravá 10 C4 C6 A1 H0 Generování statistik o překryvech dat Chybějící kritické datové elementy C003 E Carol Michal Becky Lucka I2 A1 Modletická 1389 Lublinská 2 I1 A1 SEQ A001 A002 C003 E019 CRM_HOST FN ST_ADDR Gdr Age Age S Chris Petr Tim Honza 103 V Krči Main 5 Street Washington Pravá 10 Ave Carol Michal 8900 Modletická Ocean 1389 Drive Becky Lucie 622 Lublinská Cree Drive 2 56 M 125 M 72 F 36 F 56 A1 125 H1 72 I2 36 A1 Key Community DW Addr NM T YRs A V Krči Main Street Christopher Péťa A-1 56 A Pravá Washington 10 Ave Jan H-1 25 C Modletická Ocean 1389 Drive Carol Michal I I-2 72 E Lublinská Cree Drive Becky Lucie A
11 Úplné porozumění Vašim datům a datovým zdrojům Krok 2 Konsolidace atributů Krok 3 Nalezení podobných záznamů Krok 4 Stanovení důvěrných zdrojů Krok 5 Pravidla a dokumentace Source ID Name Address Age Status Mainframe A001 Petr V Krči 5 56 A1 Mainframe A002 Jan Pravá H1 Mainframe C003 Michal Modletická 1390/3 72 I2 Mainframe E019 Lucka Lublinská 2 16 A1 Community_DW A001 Petr V Krči 5 56 A-1 Community_DW A002 Honza Pravá H-1 Community_DW C003 Michal Modletická I-2 Community_DW E019 Lucie Lublinská 2 36 A-1 CRM_HOST A001 Péťa V Krči 56 A1 CRM_HOST A002 Jan Pravá Podolí 25 H1 CRM_HOST C003 Michal Modletická 72 I2 CRM_HOST E019 Lucie Lublincká 16 A1 11
12 Úplné porozumění Vašim datům a datovým zdrojům Source A001 ID Name Petr V krči 5 Address Age 56 Status A1 Group Petr Krok 6 Finální prototyp Hotová transformační logika pro MDM a jiné projekty A002 C003 Jan Pravá Michal Modletická 1389/3 72 H1 I2 Jan Michal Typy projektů MDM Migrace Testování Archivace Fraud Bezpečnost E019 Lucka Lublinská 2 36 A1 Lucie 12
13 Datová (ne)kvalita Před tím, než začnete data využívat zajistěte jejich kvalitu Existují duplikáty? Jsou k dispozici poslední nejaktuálnější záznamy? Proboha, proč já jsem u doktora veden 2x!!!? 13 13
14 Typičtí znečisťovatelé dat Nedostatek standardů Nikdo neříká kam co a jak zadávat A když už to říká, tak v každém systému jinak Za jakých podmínek má vznikat nový záznam Filip Dušek Krnov , nám. Bří Synků 1187/12 p. Ing. Dušek náměstí bratří Synků 12, Krnov pan Dušek Krnov, náměstí bří Synků 1187 Zadávání dat do špatných polí Adresy v polích pro jména Zneužívání polí k jiným účelům Jana Novotná Průběžná 2243/48, Praha 10 Petra Švrčková Opavská 32, Ostrava - Poruba Překlepy M: p.divný, Nové Strašecí, Hlavní 17 Jana Novotná Zázračná 6, Městec Králové Jana Nocotná Yáyračná 6, Městec Králové
15 Zajištění kvalitních a věrohodných dat Databáze Čistící proces Aplikace Soubory 1. Zkoumání volných textových polí 2. Standardizace dat 3. Párování duplicitních dat 4. Definice přeživších záznamů MDM DB Databáze s konsolidovanými a unifikovanými daty Další zdroje Porozumění datovým zdrojům 15 15
16 Zkoumání volných textových polí 100% přehled o hodnotách ve volných textových polích Ověření / zjištění pravidel a zákonitostí uvnitř datových polí Odhalení trendů a potenciálních anomálií v datech Identifikace neplatných nebo implicitních hodnot Přináší komplexní porozumění datům v daném kontextu 16 16
17 Co je výstupem zkoumání voných textových polí? Tzv. pattern report - neztotožněné osoby obsahuje frekvenční rozdělení jednotlivých formátů Formát Příklad Výskytů Podíl F? Markéta Lazarová ,48 %?F Polívka Bohuslav ,18 % PF? Ing. Petr Skoumal ,62 % F?G Jan Novák ml ,64 % F... First Name (křestní jméno) P... Name prefix (akadem. titul) G... Generation code (generace) 17 17
18 Standardizace dat Tato fáze má dva základní přínosy Normalizace hodnot v datových polích na standardní hodnoty; např.: Standardizace jmen = Pepa Josef Standardizace titulů = Inženýr Ing. Standardizace adres = náměstí bří Synků nám. bratří Synků Rozškatulkování hodnot z volných textových polí do polí více specifických Např. místo jednoho adresního pole vzniknou nová pole pro: Ulici Číslo popisné, číslo orientační Obec, PSČ,
19 Jak může vypadat fáze standardizace dat? Vstupní soubor : 1. Adresnířádek 2. Adresnířádek Mahenova 1952/9 Krnov, V Parku 4, Praha Trojmezní 1206, Šestajovice Náměstí bratří Synků 12 Praha 4, Lhota (u Přelouče), Slunečná 529 Náměstí Hrdinů 1 Lhota u Opavy, Výsledný soubor : Č. Popisné č.orien. Ulice Typ Obec číslo části PSČ Mahenova ulice Krnov V Parku ulice Praha Trojmezní ulice Šestajovice nám. bří Synků náměstí Praha Slunečná ulice Lhota nám. Hrdinů náměstí Lhota
20 Párování duplicitních dat Tato fáze je jádrem celého čistícího procesu Zde se rozhoduje, zda-li dva či více záznamů odpovídá jedné entitě Čím se toto rozhodovánířídí? Pravidly Vašimy daty Jsou Jsou některé některé hodnoty důležitějsí než nežjiné? A jak? jak? M FREEMAN ČESKÁ 9 M FREEMAN HEZKÁ 9 M FREEMAN ČESKÁ M FREEMAN HEZKÁ Vzroste důvěryhodnost srovnání, když kdyžpřidám více více sloupců? A jak? jak? MICHAL FREEMAN ČESKÁ /1116 MICHAEL FREEMAN HEZKÁ /
21 Párování duplicitních dat systém vah Nástroj IBM používá pro párování metodu tzv. Pravděpodobnostního párování Vychází ze systému vah MICHAL TOMAN ČESKÁ /1116 MICHAEL TOMAN HEZKÁ / = 37 Pro každý sloupec, který chcete zohlednit při párování je potřeba nastavit: Souhlasnou váhu kladný příspěvek v případě, že se hodnoty shodují Nesouhlasnou váhu záporný příspěvek v případě, že se hodnoty neshodují Je možné zvolit jednu z 21 metod porovnání s různou tolerancí 21 21
22 Párování duplicitních dat rozdělení do bloků Často hledáme duplicitní záznamy mezi velkým objemem dat (miliony záznamů) Porovnání systémem každý s každým je výkonostně neefektivní Taky máte tak rádi párování ponožek? Jak hledáte k levé tu pravou? 22 22
23 Párování duplicitních dat grafické prostředí 23 23
24 Definice přeživších záznamů Volitelná fáze čistícího procesu Co je to přeživší záznam? Jedná se o nový záznam, který bude reprezentovat entitu s duplicitními záznamy Bude obsahovat maximální možnou množinu informací o dané entitě tyto informace budou odvozeny z odpovídajících existujících duplicitních záznamů 24 24
25 Typický příklad fáze specifikování přeživších záznamů Vstupní data (výstup z párování) Skup. Křestní jméno Příjmení Ulice č.p. č.o. Obec Číslo části PSČ 1 Martin Minařík Moskevská Kladno 2 1 M. Minařík Moskevská 1 Kladno Jan Malý V Parku 2294 Praha Honza Malý V Parku 4 Praha 13 J. Malý V Parku 4 Praha Zkonsolidovaný výstup Skup. Křestní jméno Příjmení Ulice č.p. č.o. Obec Číslo části PSČ 1 Martin Minařík Moskevská Kladno Jan Malý V Parku Praha
26 Zpřístupnění a transformace dat Nemanipulujte s daty ručně, využijte nástroj Zvládněte efektivně komplexnost a různorodost zdrojů Propojte Vaše systémy s partnery a registry Proboha, proč já mám jen lžíci a ne bagr!!!? 26 26
27 Zpřístupnění a transformace dat Zdroje Cíle Uživatel má k dispozici komfortní ETL nástroj CRM SCM ERP Business Intelligence SAS Co je to ETL? Extract Extrakce dat z nejrůznějších datových zdrojů Externí seznamy Distribuce HR Kontakty CRM Datový sklad Datové tržiště Datové tržiště Transform Transformace a obohacení dat Load Uložení dat do nejrůznějších datových zdrojů Účetnictví 27 27
28 Intuitivní grafické prostředí pro vytváření jobů 28 28
29 Data Partitioning A-F Transform Processor 1 Zdrojová data G-M N-T Transform Processor 2 U-Z Transform Processor 3 Transform Processor 4 Automatické rozložení dat na více částí Podpora partitioningu 4X rychlejší na 4 procesorech; 8X na 8 procesorech... 29
30 Ladění, debugging průběh 30
31 Agenda Information Governance Definice a porozumění datovým zdrojům Standardizace a čištění dat Datové transformace Přenesení dat do cílového úložiště Správa terminologie a metadat Master Data Management (MDM) Co vlastně MDM znamená? Architektura Master data Funkcionalita Uživatelské prostředí IBM InfoSphere MDM v10 živá ukázka 31
32 Master Data Management Pravidla a postupy pro vytvoření důvěryhodných informací Procesy a nástroje které definují a spravují master data Přístup, který pomáhá jednoznačně identifikovat a integrovat klíčová data Správa hlavních podnikových dat co umožňuje udržovat úplná a přesná data Master Data Management helps organizations perform better by creating a single coherent version of customers, products and suppliers Gartner InfoSphere MDM creates trusted views of master data customers, citizens, suppliers, locations, products, accounts & more for improving applications & business processes IBM 32 32
33 Master Data Management - předpoklady MDM systém ukládání a propagování správa, unifikace náhledy Zvládnout proces integrace a správy dat (Information governance) Porozumění datů Standardizace, čištění Transformace a doručení dat Dohody, dokumentaci Plán Dohody nad způsobem správy dat Dokumentace o zdrojích a jejich důvěryhodnosti, relevanci Nástroje a technologie pro Information governance 33 33
34 Co pro Vás MDM může znamenat? Výhody Nové obchodní příležitosti Úspěšnější cross-sell/up-sell Agilita rychlejší adaptace změnám Zvýšení efektivity Dodržení pravidel, zákona Cílené marketingové kampaně Nevýhody Neúplnéči nesprávné informace Špatná rozhodnutí z důvodu nepřesnho reportingu Problémy s nespokojeností zákazníků Zneužitíči ztráta dat Reputace na trhu 34 34
35 Master Data Osoby, role a vztahy Fyzické a právnické Dlužník, obchodník, poradce, externisté Rodiny, zaměstnavatelé, zájmové a jiné skupiny Lokace Adresy, obchodní místa, , telefon Účty a transakce Účty, smlouvy Produkty a služby Produkty a služby Balíčky produktů, časově omezené nabídky Ostatní entity a relace Black list Provize Poradenství Dokumenty Produkty & služby Co Jak Účty & transakce Lokace Osoba & role Kdo 35 35
36 Master Data Management pohled na zákazníka Risk Profile Party Values Note / Alert Financial Account Profile Branch Manager - Jim Hughes Customer relationship manager Income Source Party Names Mrs. Jane Smith Employee Organization XYZ Co. Contact Method Home Phone Mass Affluent Segment Segmentation or Grouping Jane F. Smith Duplicate Suspect Solicitation Opt in/out Privacy Profile 123 Main Street Primary Residence Source Value Acxiom for household ID Mr. John Smith Husband Child, Daughter Household Member Jenny Smith Household Group
37 Implementační architektura Consolidation Registry Co-existence Transaction Předpoklady Jasně definovaný účel Vytvoření centrálního referenčního úložiště nebo databáze Zajištění data governance Rozdíly mezi typy architektury Úrovní fyzického řešení master dat vs. virtuálně = odkazy Stupněm kdy lze pracovat transakčně s jinými systémy Jakým způsobem je řešeno párování dat 37
38 Implementační architektura tzv. Consolidation style MDM Implementation Style Consolidation Registry Co-existence Transaction Účel, použití Startovní bod Jednotný reporting Centralizovaná unifikovaná databáze Dávkový import MDM Datový Model Matching Governance Dávkový export 38
39 Implementační architektura tzv. Registry style MDM Implementation Style Consolidation Registry Co-existence Transaction Účel, použití Pohled na data z různých zdrojů v reálném čase Federace Neovlivňuje stávající aplikace Zdroj A MDM DB Reference Linky Zdroj B Virtuální pohled 39
40 Implementační architektura tzv. Co-existence style MDM Implementation Style Consolidation Registry Co-existence Transaction Dávkový import Účel, použití Propagace unifikovaných dat do klíčových systémů Částečné užití webových služeb Udržování všech cizích klíčů MDM Datový Model Matching Governance Application Aplikace B Aplikace C 40
41 Implementační architektura tzv. Transactional style MDM Implementation Style Application Consolidation Registry Co-existence Transaction Application Application Účel, použití Komplexní MDM systém běžící v reálném čase insert/update/delete pomocí webových služeb Práce se záznamy na úrovni atributů práva Plná podpora transakcí napříč systémy MDM Datový Model Matching Governance Application Aplikace B Aplikace C 41
42 IBM InfoSphere Master Data Management - živá ukázka 42
43 Master Data Management od IBM Podpora všech typů architektury ukládání a propagování správa, unifikace náhledy Kombinace architektur pro určité Domény Datové zdroje Aplikace Plná podpora Information Governance Integrace s ostatními produkty řady IBM InfoSphere Nadstandardní funkcionalita Správa terminologie a metadat Generátor uživatelských prostředí Out of box podpora produktového MDM Vizualizace Master Dat včetně vztahů, rolí aj. Global Name Recognition 43 43
44 Master Data Management správa terminologie a metadat Business Glossary Anywhere Vendor Management Vendor An organization with products to sell Vendor Registration Form An application form to become a registered vendor Vendor Questionnaire Vendor background and interest Vendor Status Description of the state of the relationship to the Vendor: Accepted Preferred Declined Discontinued 44 44
45 Shrnutí 45
46 IBM InfoSphere kompletní data governance a MDM řešení Testování Konsolidace aplikací Zvládněte Vaše IT Archivování dat Maskování dat Datová kvalita Integrace dat Master Data Management Datové sklady Business Glossary Metadata Workbench Discovery Analyzer Data Architect FastTrack DataStage QualityStage Optim Guardium MDM Identity Insight 46
47 Konsolidovaná klientská data, kterým důvěřujete Vaše otázky a komentáře Michal Gürtner Client Technical Professional IBM Software Group michal_gurtner@cz.ibm.com Mobile: InfoSphere Information Server & MDM Discovery, DataStage, QualityStage, MDM
Infor Performance management. Jakub Urbášek
Infor Performance management Jakub Urbášek Agenda prezentace Stručně o produktu Infor PM 10 Komponenty Infor PM - PM OLAP a PM Office Plus Reporting Analýza Plánování / operativní plánování Infor Performance
VíceČÍM TO VŠECHNO ZAČÍNÁ NA DATECH ZÁLEŽÍ, ALE NEJSOU DATA JAKO DATA
ČÍM TO VŠECHNO ZAČÍNÁ NA DATECH ZÁLEŽÍ, ALE NEJSOU DATA JAKO DATA ŘEŠENÍ SAS JAK TO FUNGUJE Podvody a risika Prevence a detekce podvodů, Vyhodnocování a ošetřování risik Detekce anomálií Podpora vyšetřování,
VíceThe following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into
The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material,
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9
Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................
VíceVazby mezi námi. Bisnode Petr Krejčí
Vazby mezi námi Bisnode Petr Krejčí Sídlo na anonymních adresách Zde sídlí 2 062 firem Výběr z tisku ve kterém se nechceme objevit ani náhodou prokurátoři uvedli, že společnost selhala ve svých povinnostech,
VíceDatabázové patterny. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu
Databázové patterny MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Obsah o Co je databázový pattern o Pattern: Přiřazení rolí o Pattern: Klasifikace Databázové patterny o Odzkoušené a doporučené
VíceAnalýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery
Analýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery Petr Podbraný Oracle Business Intelligence Sales Consultant 1 2012 Oracle Corporation Co znamená Information Discovery? Zjednodušeně
VíceIntegrace dat. RNDr. Ondřej Zýka
Integrace dat RNDr. Ondřej Zýka 1 Obsah Kategorizace integračních přístupů Kroky integrace a řešení problematických stavů Master Data Management 2 2 Datová integrace Synchronní Akceptovaný požadavek na
VíceDatabázové patterny. RNDr. Ondřej Zýka
Databázové patterny RNDr. Ondřej Zýka 1 Co to je databázový pettern 2 Databázové patterny Odzkoušené a doporučené způsoby, jak řešit často se vyskytující požadavky Jednoduché N-ární relace Dědičnost Katalog
VíceZákladní registry. Kvalita dat a jejich čištění v základních registrech veřejné správy. Připraveno pro konferenci ISSS. Ing.
Základní registry Kvalita dat a jejich čištění v základních registrech veřejné správy Připraveno pro konferenci ISSS Ing. Jiří Vácha Hradec Králové, 6.4.2009 Adastra Group Agenda Základní teze datové kvality
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
VíceJak chytře čistit data
Jak chytře čistit data Případová studie řešení v České pojišťovně Data Quality at a Glance 20.4.2010 vladimir.kyjonka@cze.sas.com O co šlo Česká pojišťovna Hodně historických dat Data v historickém stavu
VíceSnadný a efektivní přístup k informacím
Snadný a efektivní přístup k informacím 12. 4. 2010 Hradec Králové Petr Mlejnský Siemens Protection IT Solutions and Services, notice s.r.o.2010. / Copyright All rights notice reserved. Agenda Přístup
VíceŘešení datové kvality prostřednictvím Master Data Managementu v prostředí České pošty s.p.
Řešení datové kvality prostřednictvím Master Data Managementu v prostředí České pošty s.p. Ing. Jiří Barták Vedoucí odboru BI SAS Roadshows 2017 Ovládejte a chraňte svá data v době digitální transformace
VíceObsah Úvod 11 Jak být úspěšný Základy IT
Obsah Úvod 11 Jak být úspěšný 13 Krok 0: Než začneme 13 Krok 1: Vybrat si dobře placenou oblast 14 Krok 2: Vytvořit si plán osobního rozvoje 15 Krok 3: Naplnit osobní rozvoj 16 Krok 4: Osvojit si důležité
VíceInformation and Data Management. RNDr. Ondřej Zýka
Information and Data Management RNDr. Ondřej Zýka 1 Informační a datový management Disciplína zaměřená na správu informací (z mnoha zdrojů) a spřístupnění informací různým typům uživatelů podle jejich
VíceQAD Business Intelligence
QAD Business Intelligence Vladimír Bartoš, Pavel Němec Konzultanti 13.6.2012 Komponenty QAD BI Analytické tabule pro podporu rozhodování Spolupráce uživatelů nad analyzovanými daty Reporty Generátor analytických
VíceIntegrace dat. RNDr. Ondřej Zýka
Integrace dat RNDr. Ondřej Zýka 1 Obsah Kategorizace integračních přístupů Kroky integrace a řešení problematických stavů Master Data Management 2 2 Datová integrace Synchronní Akceptovaný požadavek na
Více1. Integrační koncept
Příloha č. 2: Technický popis integrace 1. Integrační koncept Z hlediska koncepčního budování Smart Administration na Magistrátu města Mostu je možno hovořit o potřebě integrace tří úrovní systémové architektury
Více<Insert Picture Here> Na co se můžete s Oracle BI těšit
Na co se můžete s Oracle BI těšit Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Oracle BI Ukázka Oracle BI Možnosti platformy Oracle Business
VíceGDPR co nastane po květnovém dni D? Martin Hladík 8. března 2018
GDPR co nastane po květnovém dni D? Martin Hladík martinhladik@kpmg.cz 8. března 2018 Obsah 1. Best Practice postup pro velké organizace 2. Komponenty řešení GDPR Procesy, metodiky, právní aspekty IT 3.
VíceANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ
ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel
VíceMBI - technologická realizace modelu
MBI - technologická realizace modelu 22.1.2015 MBI, Management byznys informatiky Snímek 1 Agenda Technická realizace portálu MBI. Cíle a principy technického řešení. 1.Obsah portálu - objekty v hierarchiích,
VíceDMS - řízená dokumentace, archiv a co dále? ICT ve zdravotnictví 2014
DMS - řízená dokumentace, archiv a co dále? ICT ve zdravotnictví 2014 Praha 17.09.2014 Jiří Voves Proč otazník v názvu přednášky? Nové technologie Nové přístrojové vybavení Nové postupy Nová data Data
VíceGTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER. váš partner na cestě od dat k informacím
GTL GENERATOR NÁSTROJ PRO GENEROVÁNÍ OBJEKTŮ OBJEKTY PRO INFORMATICA POWERCENTER váš partner na cestě od dat k informacím globtech spol. s r.o. karlovo náměstí 17 c, praha 2 tel.: +420 221 986 390 info@globtech.cz
VíceCustom Code Management. Přechod na S/4HANA
Custom Code Management Přechod na S/4HANA Úvodem Vývoj vlastního kódu (Custom Code) používá většina zákazníku. Zákaznický vývoj značně ovlivňuje TCO podnikového řešení, což znamená, že je třeba efektivní
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci Taktická Operativní Kategorie ERP - zaměřeno na řízení
VíceCONNECTING GOVERNMENT AND CITIZENS Creating a Single Citizen View Konference ISSS, Jaroslav Novotný Sun Microsystems Czech
CONNECTING GOVERNMENT AND CITIZENS Creating a Single Citizen View Konference ISSS, 6.4. 2009 Jaroslav Novotný Sun Microsystems Czech 1 Jednotný pohled na občana Definice Suma všech interakcí mezi občanem
VíceGORDIC + CA = vaše cesta ke zvýšení kvality a efektivity služeb
4.4.2011 GORDIC + CA = vaše cesta ke zvýšení kvality a efektivity služeb Pomáháme modernizovat veřejnou správu GORDIC + CA, Ing. Jakub Fiala, www.gordic.cz Platinový partner CA Technologies P L A T I N
VíceProjekt IS Statutárního města Ostrava. Kladno 10. června 2011
Projekt IS Statutárního města Ostrava Kladno 10. června 2011 Ing. Libor Daněk Obchodní ředitel VERA Agenda Úvodní informace Východiska Cíle projektu Realizace Přínosy Projekt IS Statutárního města Ostrava
VíceModerní metody automatizace a hodnocení marketingových kampaní
Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer
VíceBusiness Intelligence nástroje a plánování
Business Intelligence nástroje a plánování pro snadné reportování a vizualizaci Petr Mlejnský Business Intelligence pro reporting, analýzy a vizualizaci Business Intelligence eporting Dashboardy a vizualizace
VíceŘešení Quest pro správu Windows Martin Malý, ředitel divize Solutio
Řešení Quest pro správu Windows Martin Malý, ředitel divize Solutio 1 Kdo jsme Servodata ICT Solutions European Distribution Company Servodata působí na IT trhu v oblasti EMEA již od roku 1991, centrála
VíceBIG DATA. Nové úlohy pro nástroje v oblasti BI. 27. listopadu 2012
BIG DATA Nové úlohy pro nástroje v oblasti BI 27. listopadu 2012 AGENDA 1. Úvod 2. Jaké jsou potřeby? 3. Možné řešení 2 Jaké jsou potřeby? Dopady Analýza dat potřeba nového přístupu Jak na nestrukturovaná
VíceArchitektury Informačních systémů. Jaroslav Žáček
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceNovell Identity Management. Jaromír Látal Datron, a.s.
Novell Identity Management Jaromír Látal Datron, a.s. 19.4.2012 1 Identity management základní vlastnosti Jednoduché a rychlé poskytování uživatelských účtů Samoobslužné funkce pro uživatele Snadný návrh
VíceDatová kvalita. RNDr. Ondřej Zýka
Datová kvalita RNDr. Ondřej Zýka 1 Datová kvalita Jedna z kompetencí Data managementu Cíl: Zajistit uživatelům data v kvalitě potřebné k jejich činnosti Kvalita dat: Subjektivní pojem závislý na požadavcích
VíceNasazení jednotné správy identit a řízení přístupu na Masarykově univerzitě s využitím systému Perun. Slávek Licehammer
Nasazení jednotné správy identit a řízení přístupu na Masarykově univerzitě s využitím systému Perun Slávek Licehammer 16. 5. 2016 IdM na MU Na MU právě vzniká nová koncepce správy identit a řízení přístupu
VíceDatová kvalita. RNDr. Ondřej Zýka
Datová kvalita RNDr. Ondřej Zýka 1 Datová kvalita Jedna z kompetencí Data managementu Cíl: Zajistit uživatelům data v kvalitě potřebné k jejich činnosti Kvalita dat: Subjektivní pojem závislý na požadavcích
VíceRDF DSPS ROZVOJ PORTÁLU
RDF DSPS ROZVOJ PORTÁLU ČEZ Distribuce, a.s. HSI, spol. s r.o. Zbyněk Businský Miroslav Kaňka ZÁKAZNÍK A DODAVATEL ČEZ DISTRIBUCE, A.S. ČEZ distribuční síť Od r. 2012 implementován GEOPORTÁL (1. ETAPA),
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
VíceBusiness Intelligence
Business Intelligence Josef Mlnařík ISSS Hradec Králové 7.4.2008 Obsah Co je Oracle Business Intelligence? Definice, Od dat k informacím, Nástroj pro operativní řízení, Integrace informací, Jednotná platforma
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceKvalitní data kvalitní agendy
Kvalitní data kvalitní agendy Kvalita dat a její zajišťování v agendových systémech veřejné správy Připraveno pro konferenci ISSS 2010 Ing. Jiří Vácha Hradec Králové, 13.4.2010 Adastra Group Agenda Základní
VíceNová dimenze rozhodovacího procesu
Nová dimenze rozhodovacího procesu Marek Matoušek Pavel Mašek Data, nebo INFORMACE Využití dostupných firemních dat Několik systémů, mnoho různých dat Různé divize, různé potřeby Potřeba integrace dat
VíceDatabázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
VíceŘešení ochrany databázových dat
Řešení ochrany databázových dat Projekt Raiffeisenbank CZ Aleš Tumpach CISA April 25, 2016 Pokud dojde k bezpečnostnímu incidentu, informace v databázi jsou nejčastějším cílem útoku WHY? % of Records Breached
VíceMarketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
VíceCPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný
CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování
VíceVše co potřebujete vědět o SAP Business One. 1 Vysvětlení základních pojmů. Sumář odpovědí na základní otázky. Kdo je SAP?
Vše co potřebujete vědět o SAP Business One Sumář odpovědí na základní otázky 1 Vysvětlení základních pojmů Kdo je SAP? SAP (Systems, Applications, and Products in Data Processing) je celosvětový leader
VíceŘešení potřeb veřejné správy pomocí velkých i malých BI systémů. Tomáš Jindřich Pavel Bobkov 19.9.2013
Řešení potřeb veřejné správy pomocí velkých i malých BI systémů Tomáš Jindřich Pavel Bobkov 19.9.2013 Agenda 1) Požadavky organizací veřejného sektoru 2) Porovnání standardních a specializovaných BI 3)
Více<Insert Picture Here> Jak garantovat bezpečnost systémů ve státní správě
1 Jak garantovat bezpečnost systémů ve státní správě Tomáš Dvořáček Oracle Consulting Kvíz na začátek Čím se proslavil tento muž: Jménem Herve Falciani Autor bezpečnostního SW pro
VíceAplikace pro srovna ní cen povinne ho ruc ení
Aplikace pro srovna ní cen povinne ho ruc ení Ukázkový přiklad mikroaplikace systému Formcrates 2010 Naucrates s.r.o. Veškerá práva vyhrazena. Vyskočilova 741/3, 140 00 Praha 4 Czech Republic tel.: +420
VíceINFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005
INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 AGENDA definice IS, zavedení pojmů možnosti a rozdělení typická struktura technologie nasazení praktická ukázka
VícePerformance Management What if?
Performance Management What if? Ondřej Bothe, IT Specialist ondrej_bothe@cz.ibm.com Agenda: Koncept PM s What if nástroji Ukázka tvorby What if modelu (Ukázka pokročilejší What if aplikace) Performance
VíceŘízení správy rolí v rozsáhlých organizacích. Michal Opatřil Corinex Group
Řízení správy rolí v rozsáhlých organizacích Michal Opatřil Corinex Group Agenda Popis typické situace v rozsáhlých organizacích Řešení Identity Lifecycle Management Úrovně vyspělosti integrace ILM Požadavky
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
VíceHynek Cihlář Podnikový architekt 7.11..2013. Od Indoše ke Cloudu
Hynek Cihlář Podnikový architekt 7.11..2013 Od Indoše ke Cloudu Jediná jistota je změna Rychlost vstupu na trh, zvyšování efektivity, zjednodušení funkčnosti, snižování nákladů Obtížnost řízení a kontroly
VíceLeady & MERK Integrace Microsoft Dynamics CRM s aplikacemi Leady a MERK
Integrace Microsoft Dynamics CRM s aplikacemi Leady a MERK Strana 1 z 12 Obsah 1. Leady... 3 a. Shrnutí... 3 b. Popis modulu... 3 c. Technické podrobnosti o modulu... 5 2. MERK... 6 a. Shrnutí... 6 b.
VíceJak efektivně ochránit Informix?
Jak efektivně ochránit Informix? Jan Musil jan_musil@cz.ibm.com Informix CEE Technical Sales Information Management Jsou Vaše data chráněna proti zneužití? 2 Ano, pokud... 3 Nepoužitelné Steve Mandel,
VíceEKONOMICKÝ A LOGISTICKÝ SOFTWARE. Luhačovice 24.10.2013
EKONOMICKÝ A LOGISTICKÝ SOFTWARE Luhačovice 24.10.2013 CRM řízení vztahů se zákazníky CRM - je zkratka z anglického Customer Relationship Management a označují se tak systémy pro řízení vztahů se zákazníky.crm
VíceMetadata. RNDr. Ondřej Zýka
Metadata RNDr. Ondřej Zýka 1 Metadata Jedna z kompetencí Data managementu Cíle kompetence: Zajistit jednotné porozumění a užití termínů Provázat informace na různých úrovních (byznys, aplikační, technické)
VíceProcesní dokumentace Process Management. Pavel Čejka
Procesní dokumentace Process Management Pavel Čejka SAP Solution Manager 7.2 SAP Solution Manager 7.2 nabízí dramatické zlepšení možností dokumentace Solution dokumentace Jednotné webové prostředí Integrovaný
VíceFINANČNÍ KONSOLIDACE TEORIE A PRAKTICKÁ REALIZACE PROSTŘEDNICTVÍM INFORMAČNÍCH SYSTÉMŮ
FINANČNÍ KONSOLIDACE TEORIE A PRAKTICKÁ REALIZACE PROSTŘEDNICTVÍM INFORMAČNÍCH SYSTÉMŮ Ing. Milan Bartoš Capgemini Sophia s.r.o. member of the Capgemini Group Abstrakt Cílem článku je představit teoreticky
VíceBusiness Intelligence
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
VíceSoftware a související služby
Software a související služby Webové technologie, přístup uživatele do systému přes webový prohlížeč Software na zakázku Webové stránky a e-shopy s plnou administrací Intranet, webové aplikace, informační
VíceCíle a metodika průzkumu
Cíle a metodika průzkumu Prof. Ing. Jiří Voříšek, CSc. Ing. Ota Novotný, Ph.D. Seminář ČSSI SPIS CACIO 15.5.2007 Konkurenceschopnost absolventů IT oborů VŠ a VOŠ na trhu práce v ČR Společný projekt ČSSI,
VíceSAP S/4HANA & Analytika Jiří Přibyslavský, SAP Analytics Business Consultant. SAP Forum Slovensko
SAP S/4HANA & Analytika Jiří Přibyslavský, SAP Analytics Business Consultant SAP Forum Slovensko 28.5. 2015 Inovace SAP v oblasti in-memory computing SAP HANA SAP Business Warehouse powered by SAP HANA
VíceOracle Sales Cloud. moderní řízení obchodu
Oracle Sales Cloud moderní řízení obchodu Úvod Oracle Sales Cloud je nástroj moderního obchodování, který lze snadno nasadit a rychle užívat. Je to zcela mobilní řešení s analytickou výbavou, stavěné pro
VícePřevod 4GL aplikací do webového prostředí. Ing. Jan Musil, IBM ČR Community of Practice for
Převod 4GL aplikací do webového prostředí Ing. Jan Musil, IBM ČR Community of Practice for CEEMEA Co je to EGL? -4GL a EGL Agenda Popis převodu z -4GL do EGL krok za krokem Obecný postup převodu Závěrečný
VíceDatová kvalita základ úspěšného BI. RNDr. Ondřej Zýka, Profinit
Datová kvalita základ úspěšného BI RNDr. Ondřej Zýka, Profinit 1.6.2012 Datová exploze Snižování nákladů o Zdvojnásobení objemu podnikových dat každé dva roky o Konkurenční tlak o Ekonomická krize o V
VíceSAP PROCUREMENT DAY 2013
SAP PROCUREMENT DAY 2013 Portfolio řešení SAP pro oblast nákupu Vladimír Heřt, SAP ČR Agenda Stručný úvod Portfolio řešení SAP Řešení SAP pro oblast nákupu On Premise & On Demand Nadstavbová řešení SAP
VíceElektronické dokumenty - jak efektivně na jejich správu a bezpečnost?
2008 aplis.cz, a.s. All rights reserved. 6.11.2007 Elektronické dokumenty - jak efektivně na jejich správu a bezpečnost? Ing. Jiří Bříza, CSc. 9.4.2008 str. 2 Informace pro úřad Informace a jejich zhmotnění
VíceTzv. životní cyklus dokumentů u původce (Tematický blok č. 4) 1. Správa podnikového obsahu 2. Spisová služba
Tzv. životní cyklus dokumentů u původce (Tematický blok č. 4) 1. Správa podnikového obsahu 2. Spisová služba 1. 1. Správa podnikového obsahu (Enterprise Content Management ECM) Strategie, metody a nástroje
VíceMetadata. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu
Metadata MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Co to jsou metadata Chybějící metadata Doplněná metadata Co o metadatech říkají autority Řízení metadata je nepochybně nejdůležitější
VíceNabízíme řešení. v oblastech: integrací zdrojů dat:
v oblastech: Nabízíme řešení integrací zdrojů dat: statutární a manažerský finanční reporting finanční plánování a forecasting rekonciliace, finanční konsolidace prodejní reporting, podpora obchodních
VíceBIG DATA je oveľa viac ako Hadoop. Martin Pavlík
BIG DATA je oveľa viac ako Hadoop Martin Pavlík Analýza všech dostupných dat? Big data =? = Buzzword? = Hadoop? Hadoop Jen ke zpracování nestrukturovaných dat? Mentální posun něco za něco 2 Big data =
VíceE-mailové kampaně. 2013 Byznys CRM s.r.o.
E-mailové kampaně 2013 Byznys CRM s.r.o. Zákazník: Dne: 31. 5. 2015 Vytvořil: Pavel Šlesingr Schválil: Petr Hampejs Verze: 5.0 Emailové kampaně v CRM 2011 Strana 2 z 15 Obsah Obsah... 3 1. Popis... 4 1.1.
VíceNasazení CA Role & Compliance Manager
Nasazení CA Role & Compliance Manager Michal Opatřil Junior Solution Architect Agenda Popis typické situace v rozsáhlých organizacích Řešení Identity Lifecycle Management Úrovně vyspělosti integrace ILM
VíceELEKTRONICKÝ MARKETING. Pavel Kotyza, B_EM 2. října 2014
ELEKTRONICKÝ MARKETING Pavel Kotyza, B_EM 2. října 2014 Rozcvička než začnem http://bit.ly/b_em14 Obsah kurzu I. 1/ Marketingový koncept IT CRM (Information Technology Customer Relationship Management)
VíceIntegrace podnikových Open Source aplikací v praxi. RNDr. Petr Novák, Open Source Conference Praha, 19. duben 2011
Integrace podnikových Open Source aplikací v praxi RNDr. Petr Novák, Open Source Conference Praha, 19. duben 2011 Partneři řešení Business Systems, a.s. www.bsys.cz MULTIMAGE, s.r.o. www.multimageweb.com
VíceHelios Easy. integrované řešení pro řízení
integrované řešení pro řízení Skupina ASSECO je jedním z nejvýznamnějších softwarových domů ve střední Evropě. Chcete držet své náklady více pod kontrolou? Potřebujete, aby vaše investice měly rychlou
VíceObsah přednášky. Databázové systémy RDBMS. Fáze návrhu RDBMS. Coddových 12 pravidel. Coddových 12 pravidel
Obsah přednášky Databázové systémy Konceptuální model databáze Codd a návrh relační databáze fáze návrhu pojem konceptuální model základní pojmy entity, relace, atributy, IO kardinalita, 2 historie: RDBMS
VíceInteligentní NetFlow analyzátor
Inteligentní NetFlow analyzátor Jan Nejman 8.11.2004 Umístění NetFlow Collectoru Internet External NFC DMZ 10.11.2004 NetFlow statistiky 2 Zpracování NetFlow statistik NetFlow exporty z směrovačů a přepínačů
VíceTM1 vs Planning & Reporting
R TM1 vs Planning & Reporting AUDITOVATELNOST? ZABEZPEČENÍ? SDÍLENÍ? KONSOLIDACE? PROPOJITELNOST???? TM1?? COGNOS PLANNING IBM COGNOS 8 PLANNING Cognos Planning Podpora plánovacího cyklu Jednoduchá tvorba
VíceVnořený Ensemble nové integrované aplikace. Martin Zubek, Account manager
Vnořený Ensemble nové integrované aplikace Martin Zubek, Account manager Nové užití známých technologií Vnořená integrace? Vnořená integrace a její typy Příklady Jak na to obchodně? Kdy použít? Spolupráce
VícePříprava dat v softwaru Statistica
Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,
VíceReportingová platforma v České spořitelně
Reportingová platforma v České spořitelně Agenda Implementované prostředí Cognos 8 v ČS Marek Varga, Česká spořitelna, a.s. Využití platformy Cognos z pohledu businessu Petr Kozák, Česká spořitelna, a.s.
VíceZhodnocení architektury podniku. Jiří Mach 28. 8. 2014
Zhodnocení architektury podniku Jiří Mach 28. 8. 2014 Obsah Zhodnocení architektury podniku Zahájení projektu Metodika/framework Harmonogram projektu 1. fáze: vytvoření popisu AS-IS stavu 2. fáze: analýza
VíceProdukty třídy BYZNYS
Produkty třídy BYZNYS - jistota, spolehlivost a dynamika ve Vašich datech Jiří Rákosník, obchodní ředitel ing. Vlastimil Fousek, vedoucí analytického a vývojového oddělení Produkty třídy BYZNYS informační
VíceIBM Analytics Professional Services
Popis služby IBM Analytics Professional Services Tento Popis služby stanovuje podmínky služby Cloud Service, kterou IBM poskytuje Zákazníkovi. Zákazník znamená smluvní stranu a její oprávněné uživatele
Vícev praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání
Podpora rozhodování v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání HanušRais Business DevelopmentManager SAS Institute ČR s.r.o. Agenda Úvod - Profil SAS Institute Pojem Business
VíceMarketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
VíceCloud projekt v praxi Zkušenosti a rizika s nasazením řešení v Cloudu
smooth business flow Cloud projekt v praxi Zkušenosti a rizika s nasazením řešení v Cloudu con4pas, a.s. Novodvorská 1062/12, 142 00 Praha 4 tel.: +420 261 393 211, fax: +420 261 393 212 www.con4pas.cz
VíceMĚSTSKÝ ROK INFORMATIKY KLADNO
Roman Hlaváč - IBM Local Government Manager Miloš Hurdálek - SW specialist 9. června 2011 Chytrá řešení pro města a obce Identity pod kontrolou Identity & Access Management (nejen) pro integraci úřadu
VíceJednoznačná identifikace jako předpoklad funkčního e-health. Martin Pavlík
Jednoznačná identifikace jako předpoklad funkčního e-health Martin Pavlík Růst nároků na IT Stárnoucí populace Rostoucí náklady Nedostatek pracovníků Větší nároky na IT Izolovaná datová sila Pacientská
VíceTeradata Basic. RNDr. Ondřej Zýka
Teradata Basic RNDr. Ondřej Zýka 1 Něco z historie Založena v roce 1979 v garáži v Kalifornii (Brentwood). Původně součástí NCR Teradata symbolizuje schopnost spravovat extrémní množství dat. Primárně
VíceBusiness Intelligence. Adam Trčka
Business Intelligence Adam Trčka 09:00 11:30: BI v kostce Navrhněme si sklad Ukázka BI Datamining 12:30 14:30: Pokračování kurzu 14:30 15:00: Q&A Agenda Co se dnes dovíme? Data informace znalost Business
VíceKonsolidovaný reporting CZ/SK v Cognos případová studie sanofi-aventis
Konsolidovaný reporting CZ/SK v Cognos případová studie sanofi-aventis Rosťa Levíček 22. listopadu 2011 Obsah Výchozí stav a požadavky Architektura řešení v CZ Varianty konsolidace Klíčové faktory úspěchu
VícePRODUKTY Tovek Server 6
Tovek Server je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených strukturovaných i nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně
Více