Upload
marketingarrowecscz
View
161
Download
3
Embed Size (px)
Citation preview
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
DATOVÁ KVALITA SE SAS
16.03.2016
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
CO OD NICH MŮŽEME ČEKAT?
• Víme, jak se zachová?
• Co o něm vlastně víme?
• Víme, kdo to je? DATA!
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ZAČÍNÁ TO U DAT
Jméno František
Příjmení Novotný
datum narození 22.1.1957
Rodné číslo 5501222/1361
místo narození Malé Mrtvice
Stav neznámý
počet dětí ??
zaměstnání Nezaměstnaný
Jméno Frank
Příjmení Newman
datum narození * 1958
zaměstnání Neuvedeno
příjem Neuvedeno
Bude to dobrý klient?
Je třeba mít dobré informace
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
CO ČEKÁME OD DAT
Poskytnout správnou informaci
Poskytnou spolehlivou informaci
Poskytnou dostatečnou informaci
Datová kvalita
• Správnost
• Úplnost
• Konsistence
• Jednoznačnost
• Aktuálnost
• Relevance
• Srozumitelnost
• Spolehlivost
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
NEKVALITA DAT CO TO ZNAMENÁ
1. Nesprávně zapsaná data
• Překlepy
• Přeslechy
• Odlišné zápisy
(case, diakritika, ...)
Jméno Příjmení Dat. narození Místo narození
Karel Novák ml. 12/4/1942 Brandýs n.l.
Lojza Bingo Dvořák, ing. 68-03-22 18000 Praha 8
inž Marie KRATOCHVILOVA 99/99/99
Frant. Kopecký 21.6.1976 Praha - Nusle
Jarislav Schneider 02-05-03 Benešov u Prahy
JIRI CERVENKA 1. LEDEN 1971 PRAHA IV
Procházková Božena 34.13.3008 Podolí
• Nesprávné hodnoty (chyby, různé doplněné texty...)
• Nestandardní hodnoty
• Údaje v nesprávných polích
• Údaje v nesprávném pořadí
• ...
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
Hypotéka
Leasing automobilu
Spotřební úvěr
Data
o klientovi ____
_______
________
_________
Spotřební úvěr Spotřební úvěr
Spotřební úvěr
Data
o klientovi ____
_______
________
_________
Podnikatelský úvěr
Data
o klientovi ____
_______
________
_________
Nesplácení
Data
o klientovi ____
_______
________
_________
Insolvence
Data
o klientovi ____
_______
________
_________
Jméno František
Příjmení Novotný
datum narození 22.1.1957
Rodné číslo 570122/1361
místo narození Malé Mrtvice
Stav Svobodný
počet dětí 6
zaměstnání Konsultant
VÝZVA: IDENTIFIKACE VZTAHŮ
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
NEKVALITA DAT CO TO ZNAMENÁ - DUPLICITY
2. Duplicitní a nekonsistentní data
• Data z různých systémů
• Různá (správné) zápisy týchž dat
• Nerozpoznané duplicitní záznamy
• Data týchž subjektů s různými údaji
Systém ID Jméno Příjmení Titul Bydliště - město Dat.narození RČ
S1 - ŽP 123345 František Šnajdr Ing. Ostrava 23.11.1965 651123/0341
S2 - HA H-0120011 František Šnajdr Ostrava - Poruba 1965-11-23 6511230341
S2 - HA H-0137289 František Schneider Ing. Ostrava 4 1965-11-23 6511230431
S3 - F 19873 FRANTISEK SNAJDR ING ----- ----- 6511230000
S3 - F 87174 Fratišek Šnajdr Ing. ----- 23.11.1965 6511230341
S4 - PM M-0089098 Frant. Šnajdr Ústí nad Labem ----- 651123/0341
S4- PM M-0001456 František Šnajder Ing. Ústí n.L. ----- 651123/0341
S5- PP PP0037545A František Šnajdr ing. 708 00 Ostrava 23.11.1965 IČ12398723
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
PŘÍKLAD
ZE ŽIVOTA
BRANDYS N/L. BRANDÝS NAD LABEN BRANDÝS P AD LABE
BRANDÝS N/L. BRANDÝS NAD LABEOM BRANDÝS P L.
BRANDYS N/LAB. BRANDÝS NAD LABEOŠEM BRANDÝS P LAB.
BRANDÝS N/LAB. BRANDYS NAD LABI BRANDÝS P LABEM
BRANDÝS N/LABEM BRANDÝS NAD LABLEM BRANDÝS PNAD LAB.
BRANDÝS BRANDÝS N/LB BRANDYS NAD LABN BRANDÝS PNAD LABEM
BRANDYS AD LAB. BRANDÝS N:L. BRANDÝS NAD LABN BRANDÝS.N.LAB.
BRANDÝS AD LABEM BRANDYS NA LABEM BRANDÝS NAD LABO BRANDÝS/LAB
BRANDYS N. L BRANDÝS NA LABEM BRANDYS NAD LABO\ BRANDÝS/LABE
BRANDÝS N. L- BRANDÝS NAD BRANDYS NAD LABRM BRANDÝS/LABEM
BRANDÝS N. L, BRANDÝS NAD ABEM BRANDÝS NAD LABRM BRANDÝSA NAD LABEM
BRANDÝS N. L. BRANDÝS NAD ALBEM BRANDÝS NAD LABWN BRANDÝSB NAD LABEM
BRANDÝS N.- L. BRANDÝS NAD BLAEM BRANDÝS NAD LAE BRANDÝSN AD LAB.
BRANDÝS N. L.. BRANDÝS NAD BLAM BRANDÝS NAD LAEBMM BRANDÝSN NAD LAB.
BRANDYS N. LAB. BRANDÝS NAD KABEM BRANDÝS NAD LAĚM BRANDÝSN. L.
BRANDÝS N. LAB. BRANDÝS NAD L. BRANDÝS NAD LBAEM BRANDÝSN.L.
BRANDÝS N. LABE BRANDYS NAD LA BRANDÝS NAD LBAEME BRANDÝSNAD LAB.
BRANDÝS N. LABE- BRANDÝS NAD LA BRANDÝS NAD LBEM BRANDÝSNAD LABE
BRANDÝS N. LABEM BRANDYS NAD LAB BRANDÝS NAD LBM BRANDÝSNAD LABEM
BRANDÝS N. LABEM0 BRANDÝS NAD LAB BRANDÝS NAD LEBAM BRANDÝSP AD LAB.
BRANDYS N. LABI BRANDÝS NAD LAB## BRANDÝS NAD. LAB. BRANDÝSP NAD LAB.
BRANDÝS N. LABI BRANDYS NAD LAB. BRANDÝS NAD. LABALAM BRANDÝSVNAD LABEM
BRANDÝS N. LBŠŤEM BRANDÝS NAD LAB. BRANDÝS NAD. LABALEM
BRANDÝS N.. L. BRANDÝS NAD LAB., BRANDÝS NAD. LABAM
BRANDÝS N.BRANDÝS BRANDÝS NAD LABAMA BRANDÝS NAD. LABEM
BRANDÝS N.L BRANDÝS NAD LABE BRANDÝS NAD.LAB.
BRANDÝS N.L- BRANDÝS NAD LABE, BRANDÝS NAD.LABEM
BRANDÝS N-.L- BRANDÝS NAD LABĚEM BRANDÝS NADLÁB
BRANDÝS N.L, BRANDÝS NAD LABEM BRANDÝS NADLABEM
BRANDYS N.L. BRANDÝS NAD LAB''EM BRANDÝS NAND LAB.
BRANDÝS N.L.; BRANDÝS NAD LABĚM BRANDÝS NASD LABEM
BRANDÝS N.LAB BRANDÝS NAD LÁBÉM BRANDÝS ND LAB.
BRANDÝS N.LAB. BRANDÝS NAD LABEM 1 BRANDYS NDA LABEM
BRANDÝS N.LAB.. BRANDÝS NAD LABEM 3 BRANDÝS NDA LABEM
BRANDÝS N.LABE BRANDÝS NAD LABEM OKL. P-VYCHOD BRANDYS NDAD LABEM
BRANDÝS N.LABEM BRANDÝS NAD LABEM, CZ BRANDÝS NDAD LABEM
BRANDÝS N.LB BRANDÝS NAD LABEM; BRANDÝS NL.
BRANDÝS N/L BRANDÝS NAD LABEM0 BRANDÝS N-L.
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
Vztahy mezi subjekty
• Rodina
• Domácnost
• Spolupracovníci
• Obchodní vztahy
VÝZVA: IDENTIFIKACE VZTAHŮ
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
DALŠÍ VÝZVY
• Identifikace lokalit
• Adresy – rizikové oblasti…
• Identifikace účtů
• Identifikace vozidel
• …
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
JDE O PENÍZE JAK VYPADAJÍ VE SKUTEČNOSTI PODNIKOVÁ DATA
• Data o klientech – osoby: 20 – 40% nekvalitních dat
• Data o klientech – organisace: 20 – 60% nekvalitních dat
• …
Larry English:
• Data jsou vždy v horším stavu, než jak
na první pohled vypadají:
• Ve skutečnosti 2- 3x více
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
Financial Assets Human Assets Data Assets
Podnikové finance HR Péče o data
• Správa dat, procesy, standardy, monitorování, analysa, řízení
• Sdílení klíčových dat, autorita referenčních dat
• Čištění, konsolidace, údržba kvality dat
• Integrace, přesunování, propojování, transformace dat
• Ukládání, zpřístupnění, zabezpečení, ochrana dat
DATA MANAGEMENT KONTEXT PÉČE O DATA
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
INFORMACE A BOHATSTVÍ
• Dnes existuje jen málo businessů, jež nejsou odkázány na vysoce
kvalitní informace
• Do získávání, uchovávání a správy informací se investovaly velké
peníze
• V jakém stavu je naše
informační bohatství ?
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
JDE O PENÍZE DOPADY NEKVALITNÍCH DAT
• Špatná data špatné výsledky zpracování
• Špatné výsledky zpracování špatně funguje business (procesy)
• Špatně fungují procesy přicházíme o peníze
• Kromě toho správa (špatných) dat stojí také peníze
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
CO DATOVÁ NEKVALITA ZPŮSOBUJE
• Správa a zpracování nekvalitních, nadbytečných a chybných dat
• Nedoručené zásilky (marketing, fakturace...)
• Není jednotný pohled na klienta (CVM, nabídka produktů, kampaně, rizika,...)
• Nesprávné výsledky zpracování (Reporting, analýzy, datamining...)
• Špatné fungování systému (nekompatibilita ...)
• Znemožnění návazných agend:
Geocoding, Householding ...
• Je to ošklivé, ztráta image
Ale hlavně: Stojí to peníze!
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
DATOVÁ KVALITA TYPICKÉ BUSINESS INICIATIVY, KTERÝCH SE TÝKÁ
• Kompletní a jednotná a informace o klientovi (osoby, organisace, adresy,
kontakty…):
• Obchod & Marketing: oslovování, segmentace, CVM, kampaně, mailingy…
• Risk & Fraud management, AML: Klasifikace, vazby, identifikace …
• Operace, logistika…: doručování, oslovování…
• Korektní informace o produktu:
• SCM: Identifikace produktu, referenční data, klasifikace, …
• Product Management: hierarchie, bundling, taxonomie, referenční data
• Podpora rozhodování, reporting, analýzy, BI:
• Jednoznačná korektní data → korektní výstupy
• Korporátní reporting
• Regulatorní reporting: Basel II, Solvency II…
• Podnikové procesy, systémy, provoz IT:
• Znemožnění návazných agend (geokódování, householding…)
• Náklady na správu (nekvalitních) dat
• Náklady na opravy defektů a řešení konfliktů a dopadů
• Nekompatibilita, zhoršená funkce …
• Další dopady
• Ztráta image, je to ošklivé, důvěra v procesy…
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
BI & ANALYTICS KONCEPTUÁLNÍ ARCHITEKTURA
Analytic
Data
Store
Analysa
Visualisace
Reporting
…
Integrace
a konsolidace
dat
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
BUSINESS
PROBLEM
BUSINESS
DECISION
20% 80%
Příprava (dat)
pro řešení problému
Řešení
problému
BI & ANALYTICS TYPICKÁ ÚLOHA
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
CO S TÍM? SAS DATA QUALITY!
DataFlux
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ŘEŠENÍ STANDARDNÍ ÚLOHY DATOVÉ KVALITY
Profiling, analýza
Porozumění kvalitě zdrojových dat
Standardizace, čištění
Zlepšení stavu dat, náprava defektů
Integrace, unifikace, deduplikace
Konsolidace a propojení souvisejících dat
Obohacení, doplnění
Obohacení dat z externích zdrojů
Sledování, monitorování
Automatické sledování problémů s datovou kvalitou
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
HODNOCENÍ GARTNER HODNOTÍ
Přednosti DataFlux:
• Široký záběr DQ iniciativ
• použití v celém spektru úlog od BI, MDM? Až
migracím
• Nevídaný růst
• Velký počet nových zákazníků, projekt Unity
• Věrní a spokojení zákazníci
• 95% maintenance renewal rate
• Poměr investic do R&D
• Mezi dodavateli IT jeden z nepříznivějších poměrů
Gatrnet Magic Quadrant for Data Quality Tools
• Integrace plné šíře funkcí do jedné platformy
• Profiling, čištění, monitirování, správa metadat…
• Velká síla: využévání funkcí SAS • Uikátní posílení platformy dDataFlux
• Vývoj akcelerátorů • Customer Analysis, Materials classification…
• Zákazníci oceňují jednoduchou instalace a integraci
• Zákazníci oceňují vysokou úroveň technické podpory
Citát ze studie: „Dodavatel (DataFlux) neustále posunuje hranice
nástrojů datové kvality i celého trhu datové kvality,
což vede k jeho opětovné vedoucí posici v tomto roce
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ANALÝZA EXPLORACE DAT
• Zjištění struktur dat
• Entity, atributy, datové typy
• Zkoumání obsahu dat
• Rozlišení druhu informací v datech (organisace
vs. individuum, adresa, telefon…)
• Zkoumání vztahů v datech
• Vztahy mezi datovými objekty (tabulky,
soubory)
• Vztahy mezi položkami a atributy
• Reference v datech
• Metody
• Využití známých metadat
• Odhady neznámých metadat
• Porovnání obsahu dat (fuzzy matching)
• Visualisace struktur a vztahů
• Porozumět datům
• Podklad pro detailní analysu dat
Cíl
Výstup
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ANALÝZA DATA PROFILIG
• Analysa stavu dat
• Vytvoření profilu dat
• Identifikace osiřelých a redundantních dat
(vazby, asociace)
• Analýza frekvencí, vzorů a typů dat
• Měření úplnosti záznamů (nulls, blanks, ...)
• Identifikace, kvantifikace, klasifikace a
analýza chyb a problémů v datech
• Defekty
• Anomálie a výjimky
• Chybějící data
• Metody
• Statistiky o datech
• Visualisace a historisace
• Srovnávací analysa
• Drill-through funkce
• Standardní a uživatelské metriky kvality dat
• Zjistit stav dat
• Identifkovat problémy kvality dat
• Podklady pro design oprav dat
• Podklady pro řízení kvality dat
Cíle
Výstupy
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ČIŠTĚNÍ OPRAVA A STANDARDISACE DAT
• Automatické čištění
• Rozpoznání (parsing) obsahu datových položek
• Rozpoznání (sub)typu entity (identifikace)
• Opravy (překlepy, nesprávné zápisy, formáty …)
• Doplnění chybějících položek, je-li to možné
• Standardizace
• Převod na
jednotný formát
• Náhrada/doplnění
standardních
hodnot
Zdroje (QKB)
Parse definition
Slovníky, gramatiky, dělící tabulky, regexlib
Standardization definion
Standardizační schémata, regexlib
• Opravit defekty v datech
• Standardisovat hodnoty dat
• Data v jednotné podobě
• Data odpovídající standardům
Cíle
Výstupy
Parsing
Identifikace
Standardisace
Gender Analysis
Casing
Formátování
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ENTITY
RESOLUTION VERIFIKACE
• Verifikace adres
• Adresy z různých zdrojů
v různých formátech
• Parsing – získání adresních komponent
• Normalisace pro vyhledávání
• Vyhledání v adresním registru (RUIAN)
• Porovnání na základě pravidel (matching, clustering)
• Standardisace a obohacení adresy
• Data z referenčních záznamů
• Verifikace organisací
• Rozpoznání typů a subtypů subjektu
• právnická / fysická osoba / individuální podnikatel,
právní forma, odvozená právní subjektivita …
• Vyhledání v registru /registrech organisací
• RES, Obchodní rejstřík…
• Obdobně jiné entity
• Zdroje
• Definice QKB
• Parse, Identification, Match, Standardize
• Předdefinované procesní úlohy (joby)
• Nalézt referenční záznamy
v registrech (referenčních DB…)
• Referenční ID záznamu
• Referenční hodnoty záznamu
Cíl
Výstupy
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
AUGMENTATION OBOHACENÍ DAT
• Přidání hodnoty existujícím datovým zdrojům
• Odvození nových informací z existujících dat
• Rozšířené informace o adrese
• Doplnění souřadnic
• Informace o risikových zónách
• Odvození informací z existujících atributů
• Blacklisty, watchlisty
• Rating
• Klasifikace produktů
• Analytické informace (segment, risiková skupina,
CVM…
• Zdroje
• Analytické systémy, ODS, datamarty
• Externí zdroje
• Externí služby
• Přidání nových informací
k verifikovaným záznamům z
dalších zdrojů
• Nové datové položky
Cíl
Výstupy
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
MONITORING SLEDOVÁNÍ STAVU DAT
• Okamžitý stav kvality
dat v daném čase
• Ukazuje na spolehlivost
analýz, správnost reportingu,
účinnost kampaní atd. v danou chvíli
• Úzká a problémová místa řízení kvality dat
• např. které systémy, lidé, pobočky … data „špiní“ více než
jiné
• Trendy vývoje datové kvality
• Konsistentní měření v časových řadách
• Účinnost nápravných a preventivních opatření a procesů
• Průběžné měření kvality dat
• Zachycení anomálií a defektů
• Reporty, dashboardy
• Alerty, akce, události
Cíle
Výstupy
• Vestavěný rule engine
• Obecná pravidla
• Pravidla DQ
• Akce:
• Zápis do logu
• Vyrozumění (alert),
email,…
• Spuštění úlohy,
programu, workflow…
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ZNALOSTNÍ BÁZE QUALITY KNOWLEDGE BASE (QKB)
• Formalisovaný interní subsystém
• Typy entit, definice, struktury
• Pravidla, standardy …
Co to je
Výstupy • Obsah:
• Obecné datové typy a entity
• Jméno, adresa, město, RČ, ...
• Definice (Pravidla)
• Parsing
• Standardisace
• Matching
• Gender Analýza
• Casing
• Knihovny a slovníky
• Slovníky
• Překladová schemata
• Gramatiky
• Fonetiky
• Knihovny regulárních výrazů
• Dělící tabulky (mapy znaků)
• Definice, knihovny a slovníky • vytvořeny pro všechny datové typy
• Úplnost a variabilita
• Jazykové mutace (locales: 80+)
• Správa: modul Customize
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ŘEŠENÍ TYPY ÚLOH (ARCHITEKTURY ŘEŠENÍ)
• Dávkové čištění a konsolidace dat
• ETL – konsolidace klientů, adres, produktů – dimense
• Dávkový vstup dat + datové toky, transformace
• Konsolidace více zdrojů
• Různé systémy
• Různé úlohy
• Akvisice, slučování firem – konsolidace kmene zákazníků…
• Integrace externích zdrojů – blacklisty, watchlisty, registry
(adresy, firmy), geocoding…
• Proaktivní - on/line čištění a konsolidace v reálném čase
• On-line kontroly a opravy při vstupu dat (aplikace, internet…)
• Verifikace/identifikace – identifikace subjektu
• Kompletace informace – nalezení všech informací
o klientovi (profil, produkty, kampaně, risika, household)
• Blacklisty, whitelisty, watchlisty…
• Reporting
• Regulatorní
• Kontroling
• Master Data Management
• Data Governance…
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
ŘEŠENÍ SAS VLASTNOSTI PLATFORMY DATOVÉ KVALITY
(DATAFLUX)
Kompletní a komplexní funkcionalita Umí vše, co má umět:
Profiling, Parsing, Standardizace,
Match, Merge, Enrichment, DQ
Monitoring & Reporting
Unikátní technická řešení Generování universálního matching key
Dynamicky nastavitelná sensitivita
...
Podpora věcně orientovaných uživatelů Modularita, srozumitelnost a přehlednost
Nic se nekóduje
Inteligentní znalostní báze QKB
Různé režimy práce Batch i on-line
Identické joby
Otevřenost, flexibilita, variabilita Různé datové zdroje a režimy práce
Obecné datové typy, kompositní datové typy
...
Různé provozní platformy
Integrace s jinými technologiemi (ETL, OS,
ERP ...)
Lokalizace
…
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
DATA MANAGEMENT PŘEHLED NÁSTROJŮ
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
PŘÍNOSY ŘEŠENÍ SHRNUTÍ PŘÍNOSŮ NAVRHOVANÉHO PŘÍSTUPU
• Robustní ověřená technologická platforma, extensivní podpora produktu
• Kompletní funkcionalita
• Škálovatelný výkon
• Řešení plně pod kontrolou technických a business uživatelů
• Přehlednost, transparentnost, otevřenost, fexibilita
• Otevřená znalostní báze
• Vysoká produktivita
• Efektivní implementace řešení v prostředí DM Studio/DM Server
• Využití hotových komponent, pravidel, úloh a služeb
• Snadné změny a rozšiřitelnost řešení
• Efektivita
• Modulární stavebnicové řešení
• Koncept evoluční realisace po etapách „bez ztráty květinky“
• Zkušenosti a podpora
• Velké množství referencí (Corporate DQ standard)
• Vývoj a certifikace znalostních bází DQ (QKB)
• Zázemí mezinárodní firmy (rozvoj, podpora, partneři…)
32
Produktivita
Flexibilta
Efektivita
Kontrola
Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .
POZVÁNKA
SNÍDANĚ S DATY … A SASem
31.3.2016:
SAS DQ DataFlux – Chytrá technologie pro čištění a konsolidaci dat
7.4.2016:
SAS Master Data Management – řešení, které roste s vašimi potřebami
21.4.2016:
SAS Data Governance – Péče o podniková data prakticky
2.6.2016:
SAS DM4VA – Datová elegance: Integrace, konsolidace, analysa
a visualisace dat v jednom
16.6.2015:
SAS pro Hadoop – I práce s Velkými daty může být snadná
Copyr i g h t © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d.