L'analisi dei dati è un'attività cruciale per la realizzazione di sistemi informativi, in quanto ha un impatto diretto su tutte le fasi successive dello sviluppo. La definizione del modello dati è pertanto centrale per l'analisi sia in ottica strutturata che in ottica Object Oriented.
Il corso presenta un insieme di tecniche (Entity/Relationship, normalizzazione), rivolte alla progettazione di un modello dei dati indipendente da ogni particolare ambiente di sviluppo tecnologico. Introduce inoltre i fondamenti per la derivazione di un diagramma delle classi di oggetti con la notazione UML. L'apprendimento, che avviene mediante un'alternanza di sessioni teoriche e di esercitazioni in aula, non richiede come prerequisito nessuna particolare conoscenza in campo informatico. A conclusione del corso vengono svolte alcune considerazioni sull'implementazione del modello concettuale in basi di dati effettive, con particolare riferimento agli ambienti relazionali e alcuni cenni al data warehouse.

Destinatari

• Capi progetto
• Analisti
• Analisti programmatori
• Data administrator
• Data base administrator
• Utenti coinvolti nello sviluppo

Prerequisiti
Conoscenza generale delle problematiche relative allo sviluppo

Contenuti

• Introduzione - il ruolo dei dati nei sistemi informativi aziendali, la progettazione delle basi di dati;
• Il modello Entity/Relationship - entità, relationship, attributi, domini, chiavi candidate e primarie, gerarchie di specializzazione;
• Data type non tradizionali - immagini, suoni, oggetti complessi;
• Il modello relazionale - struttura e manipolazione dei dati, corrispondenze con il modello Entity/Relationship;
• Teoria della normalizzazione - il processo di normalizzazione, dipendenze funzionali, forme normali (dalla prima alla quinta forma normale);
• Definizione dei vincoli di integrità;
• Costruzione dello schema concettuale - individuazione e raccolta dei dati, convenzioni di descrizione e denominazione, schemi concettuali analitici e di sintesi;
• Il Reverse Engineering - tecniche e approcci, eliminazione di ridondanze e di altre caratteristiche "fisiche" degli archivi esistenti, determinazione di chiavi e relationship, integrazione delle entità;
• Definizione e gestione di modelli complessi - integrazione dei modelli di progetto in modelli aziendali o di area, problematiche di proprietà e di condivisione delle informazioni - gestione dei dati storici;
• Il diagramma delle classi di oggetti di UML - raffronto con l' Entity/Relationship;
• Considerazioni sul disegno di data base - derivazione del modello logico e sua ottimizzazione, lo star schema del data warehouse;
• Casi studio ed esercitazioni.

Durata

3 giorni

I dati hanno un valore, normalmente misurabile o altrimenti stimabile, così come la catena del valore dei dati. Il rischio di perdere questi dati o di corromperli è quindi reale ed è stimabile anch’esso. La gestione di questi asset è quindi non solo un fenomeno tecnologico, ma anche organizzativo e normativo. La qualità dei dati assume una rilevanza critica in tutti i suoi aspetti, anche quello di single point of truth, ovvero: se ho più versioni di un dato, qual è quella di cui mi posso fidare? La proliferazione di applicazioni in azienda (anche su piattaforme e tecnologie differenti) ha comportato la diffusione disordinata di database più o meno interconnessi fra loro.
C’è quindi una crescente esigenza di fare ordine, qualità, conoscenza nel caos dei dati anche alla luce di:

• Nuovi paradigmi (Data Warehouse, Big Data, Open Data, Blockchain);
• Fusioni o riorganizzazioni aziendali;
• Esigenze di auditing e di certificazione dei dati (PCI, GDPR, 285, Solvency …);
• Data Architecture e Data Catalog.
  

È necessario un governo dei dati, una Data Governance, che affronti questi argomenti per tracciare e coordinare le soluzioni proposte dai vari specialisti aziendali (Modeling, Quality, Security, Privacy …) in un quadro di business aziendale basato sul valore e sul rischio ma non sulla burocrazia. E se la Data Governance sembra un programma non sostenibile si può optare per un  progetto di Data Catalog, del tutto Bottom Up a partire dalla discovery dei dati fino a un processo di governo ridotto e agile.
Il corso esamina questi argomenti anche alla luce degli standard internazionali e definisce gli Stakeholder (dal CDO ai Data Steward etc.), le architetture, le soluzioni tecnologiche ed organizzative necessarie alla formulazione del Programma di Data Governance.

Destinatari

• data administrator
• data base administrator
• capi progetto
• analisti e progettisti
• architetti software

Prerequisiti
Conoscenza delle problematiche legate alla gestione dei dati.

Contenuti
• Introduzione - Che cosa è la Data Governance; gli ambiti della Data Governance e i suoi Stakeholder; il Chief Data Office (CDO), i Data Steward, I Data Owner; i Framework di DG: Data Maturity Model (DMM), Data Management Association (DAMA) e altro.
• Gestione dei metadati - Che cosa sono i metadati; standard per la definizione dei metadati; Glossario di business e Dizionario dati, Qualità della documentazione; gestione dei metadati aziendali, modelli e processi organizzativi, tecnologie; definizione delle misure di Security e altri tipi di metadati.
• Data Catalog e Data Governance - Che cosa è un Data Catalog; Metadata Discovery; Reverse Engineering; Lineage semantico e Data Lineage.
• Data Modeling - Il Ciclo di vita di un Modello dati; Foreword Engineering; un modello ed un processo organizzativo, best practice e deliverable di processo.
• Data Architecture - Il processo di ridocumentazione e di ottimizzazione degli asset dati vs. le applicazioni.
• Integrazione dei dati - Basi di dati integrate e basi di dati replicate, problemi formali e semantici; Modelli di sintesi; Master Data, modelli “canonici” per la SOA.
• Qualità dei dati e analisi dei rischi - Il valore dei dati e gli economics: possiamo mette il valore dei dati a bilancio?; la normativa ISO sulla qualità dei dati; analisi del rischio; problemi derivanti dalla non qualità: problemi legali, economici e d’immagine.
• Le normative e la Data Governance - Normative e Data Governance, un’interazione PUSH PULL; Data Governance come fattore abilitante; alcuni esempi di normative: GDPR e 285 BI.
• Il progetto di Data Governance - Approccio incrementale al progetto, partire da ciò che c’è già: ITIL? COBIT? ISO 9001?; passi del progetto e ruoli coinvolti; auditing e reporting; architetture e tecnologie; Data Governance per il Cloud.

Durata

3 giorni

In questo corso si avrà modo di apprendere le prime nozioni sull’utilizzo pratico del prodotto: s’imparerà a costruire o a derivare modelli logici e fisici di basi di dati eterogenee per arrivare a validare, pubblicare e ottimizzare modelli di dati, fino alla generazione del DDL e degli schemi Data Base. Si acquisiranno inoltre le competenze necessarie per creare subject area e modelli di dominio che facilitano il riuso, la manutenzione e la standardizzazione dei modelli e delle componenti.

Destinatari

• Data Architect
• Analisti funzionali
• Data Administrator e Data Base Administrator

Prerequisiti
Una generale conoscenza di CA ERwin Data Modeler e delle tematiche del Modeling dei dati.

Contenuti

• Metodologia e concetti del Data Modeling - Conoscere ed applicare i concetti, identificare i modelli supportati;
• Costruire un modello logico dei dati - Creare Entità, Relazioni, Attributi e Chiavi;
• Costruire il modello fisico dei dati - Comparare modello logico e modello fisico , editing delle proprietà di tabelle e colonne, definire indici e viste;
• Reverse Engineering – Creare un modello dati da un sistema esistente, arricchire e validare il modello dati
• Pubblicare un Data Model - Creare Subject Area e Diagrammi, conoscere il meta-modello dei dati di ERwin, creare ed utilizzare le funzionalità di Reporting;
• Rifinire ed ottimizzare un Data Model - Risolvere i problemi delle relazioni 1-m e m-n, costruire gerarchie generalizzate, creare e gestire nuove proprietà Utente (UDP) e i template di Data Model;
• Le “Transformations” - Il concetto di Trasformazione, creare e gestire le trasformazioni;
• Generare e sincronizzare schemi Data Base - Forzare l’integrità referenziale e il supporto delle business rule, generare uno schema (Forward Engineering), sincronizzare un Data Model con un Data Base: la Complete Compare.

Durata

4 giorni