LA TECHNOLOGY TRANSFER PRESENTA MIKE FERGUSON ROMA 3-4 GIUGNO 2015 ROMA 5 GIUGNO 2015 RESIDENZA DI RIPETTA - VIA DI RIPETTA, 231

Transcript

1 LA TECHNOLOGY TRANSFER PRESENTA MIKE FERGUSON Big Data e Analytics Dalla Strategia all Implementazione Data Virtualization in Practice ROMA 3-4 GIUGNO 2015 ROMA 5 GIUGNO 2015 RESIDENZA DI RIPETTA - VIA DI RIPETTA, 231 info@technologytransfer.it

2 Big Data e Analytics DESCRIZIONE Questo workshop si propone di spiegare ai Professionisti di Business Intelligence di Data Warehousing e ai Data Scientist cosa sono i Big Data. Cosa è questo nuovo fenomeno? Come può essere usato? Come si colloca all interno dell ambiente analitico tradizionale? Di quali skills avete bisogno per sviluppare Big Data? Il workshop risponderà a queste e molte altre domande. In particolare i partecipanti impareranno: Come capire cosa sono i Big Data Come comprendere Big Data Analytics workloads Le differenti Piattaforme tecnologiche per Big Data Tecniche analitiche di Big Data e tools di front-end Come analizzare dati non modellati e multi-strutturati usando Hadoop e MapReduce Come integrare Big Data con i sistemi tradizionali di BI e DW Come capire i casi d uso di business per differenti tecnologie di Big Data Come far partire e organizzare progetti su Big Data Come usare Big Data per ottenere un valore di business ParteciPanti Direttori IT CIO IT Managers Business Intelligence Managers Professionisti di Data Warehousing Data Scientists Enterprise Architects Data Architects

3 PROGRAMMA 1. introduzione ai Big Data Questa sessione definisce i Big Data e analizza le ragioni per voler fare uso di questo nuovo settore della tecnologia. Esamina i casi d uso per i Big Data e spiega qual è la differenza tra i tradizionali BI e Data Warehousing e i Big Data. Cosa sono i Big Data? Tipi di Big Data Perché analizzare i Big Data? Casi di utilizzo Cosa è la Data Science? Data Warehousing e BI rispetto ai Big Data Patterns per tecnologie di Big Data 2. introduzione alla Big Data analytics In questa sessione viene analizzata la Big Data Analytics, gli strumenti, le tecniche coinvolte e la possibile integrazione di questo nuovo ambiente con l ambiente esistente di Data Warehouse e Business Intelligence. Spiega anche come sfruttare al massimo gli strumenti esistenti di Data Management e di BI attraverso Piattaforme di DW e Big Data. Il tradizionale DW e BI in azienda La necessità di Analizzare nuove più complesse sorgenti dati Tipi di Big Data Analytical workloads Streaming dei dati ad alta velocità Analisi dei dati strutturati Multi-analisi dei dati strutturati Sfide per la gestione e l analisi dei Big Data I componenti chiave in un ambiente Big Data Analytics 3. Piattaforme di Big Data e opzioni di memorizzazione Questa sessione esamina le opzioni di archiviazione dei dati per Big Data Analytics. Il nuovo ecosistema analitico Multi-Piattaforma Oltre il Data Warehouse: Hadoop NoSQL e RDBMSs analitici, NewSQL DBMSs NoSQL DBMSs Un introduzione a Hadoop e a Hadoop Stack HDFS, MapReduce, Pig & Five Hadoop 2.0 Spark Framework Opzioni SQL su Hadoop: Impala, Hive, Stinger, SparkSQL, HawQ, IBM BigSQL, CitusDB JethroData, Splice Machine, Actian Vortex Il mercato dei Big Data - Hadoop distributions Cloudera, HortonWorks, MapR, IBM BigInsights, Microsoft HD Insight, PivotalHD - Big Data Appliances Oracle Big Data Appliance, IBM PureData System for Hadoop, HP HAeN, Tera - data Aster Discovery Server - Databases NoSQL ad esempio Datastax, Neo4J, Cassandra, MongoDB, Riak - Databases analitici e DW appliances, e.g. Teradata, Exasol, IBM PureData, Oracle Exadata, SAP HANA, Kognitio, Actian Matrix - Appliances analitiche SAS LASR, MicroStrategy PRIME L opzione di deployment Cloud Microsoft Windows Azure, IBM, Amazon Elastic MapReduce, Altiscale Data Cloud, Qubole Creare un ecosistema analitico Multi Piattaforma 4. L integrazione dei Big Data in un ambiente analitico Multi-Piattaforma In questa sessione si guarda alla sfida dell integrazione dei Big Data e alle problematiche specifiche che questo solleva. Come Vi comportate con grandi volumi di dati e diverse varietà di dati? Come il caricamento dei dati in Hadoop differisce dal caricamento dei dati in database relazionali analitici? Che cosa sui databases NoSQL? Come dovrebbe essere gestita la bassa latenza dei dati? Tipi di Big Data Connessione alle fonti di Big Data, come ad esempio: i Web logs, clickstream, i dati del sensore, contenuti strutturati e semi-strutturati Fornire dati consistenti alle diverse piattaforme analitiche Caricare i Big Data: quale è la differenza fra HDFS, Hive & NoSQL e i databases relazionali analitici Cambiare il modo di catturare i dati - Cosa è possibile Data Warehouse offload Tools di ETL su Hadoop: l Enterprise Data Refinery

4 Fare il parsing dei dati non strutturati Governare i dati in un ambiente di Data Science Mettere insieme il processing analitico da ETL ai workflows analitici L impatto del Data Scientist e dell utente finale selfservice DQ/DI: Paxata, Trifacta, MS Excel, Microstrategy Big Data Audit, Protezione e Sicurezza: dataguise, IBM Guardium, Protegrity 5. tools e tecniche per analizzare i Big Data Questa sessione esamina gli strumenti disponibili sia per i Data Scientists che per i tradizionali Professionisti di DW/BI. Esamina come entrambi i tipi di sviluppatori possono sfruttare le Piattaforme Big Data, come i databases Hadoop e NoSQL, utilizzando tecniche di programmazione e strumenti di BI tradizionali e i fornitori stanno rendendo più facile l accesso al mondo NoSQL/Hadoop e ai databases relazionali analitici usando la virtualizzazione. Progetti di Data Science Creare Sandbox per progetti di Data Science Opzioni per analizzare contenuto non strutturato Usare R come un linguaggio analitico per Big Data Analisi del testo e visualizzazione, Sentiment Analysis e visualizzazione Analisi del clickstream e visualizzazione Analizzare i Big Data usando MapReduce e Spark BI come ad esempio: Datameer, FICO Karmasphere, Platfora, IBM Customer Insight Analisi Exploratory Graph e visualizzazioni Usare Search per analizzare dati multi-strutturati: - Creare indici search sui dati multi-strutturati - Costruire Dashboards e reports sopra il contenuto indicizzato del motore di ricerca - L integrazione del Search con le tradizionali piattaforme B - Analisi guidata usando multi-faceted Search - Il mercato: Apache Solr, Attivio, Cloudera Search, Connexica, DataRPM, HP IDOL, IBI WebFocus Magnify, IBM Watson Explorer, LucidWorks, Microsoft, Oracle Endeca Quid, Splunk Analizzare i Big Data usando tools self-service di BI come Tableau, QlikView, Spotfire, SAS Visual Analytics, MicroStrategy, SAP Lumira Big Data Analytics: query performance enablers Gestire lo stream computing in un ambiente di Big Data Tools e tecniche per streaming analytics 6. integrare Big Data analytics in azienda Questa sessione analizza il modo in cui le nuove Piattaforme Big Data possono essere integrate con i tradizionali Data Warehouse e Data Mart. Esamina lo Stream Processing, Hadoop, databases NoSQL, Data Warehouse appliances e mostra come metterli insieme per massimizzare il valore del business dei Big Data Analytics. Integrazione di Piattaforme Big Data con i tradizionali ambienti di DW/BI: cosa è coinvolto Integrazione di Streaming Processing con Hadoop e Appliances analitiche di DW Integrazione di Hadoop con Appliances di DW e Enterprise DW Mettere insieme i tools di front-end Opzioni per implementare analitica Multi-Piattaforma Workflows analitici cross-platform Il ruolo della Data Virtualization in un ambiente Big Data Ottimizzazione Multi-Piattaforma

5 Data Virtualization in Practice DESCRIZIONE Tanti più dati sono disponibili per le persone e per le applicazioni tanto più la sfida di integrare questi dati diventa sempre più complessa. I dati oggi sono distribuiti in molti sistemi, nella applicazioni basate su Cloud e un nuovo altissimo volume di dati arriva da fonti esterne. Questo rende molto più arduo l accesso e l integrazione. Questo seminario affronta il tema dell introduzione della virtualizzazione dei dati e spiega perché oggi questa tecnologia è diventata una componente fondamentale di qualsiasi information architecture. Spiega cosa è la virtualizzazione di dati, come questa tecnologia può essere usata per semplificare l accesso ai dati, come può essere usata per incrementare l agilità e ridurre il valore time to time. Dopo aver seguito questo seminario i partecipanti saranno in grado di capire cosa è la virtualizzazione dei dati, come lavora, quali sono i tools nel mercato, come la virtualizzazione dei dati può cambiare la Vostra architettura dati e come può rendere molto più semplice l accesso ai dati. ParteciPanti Architetti di dati DBAs Professionisti di BI Analisti di Business IT Managers

6 PROGRAMMA 1. introduzione alla Data Virtualization In questa parte del seminario si introduce la virtualizzazione dei dati: come lavora, i benefici di business che possono essere ottenuti utilizzandola, i prodotti disponibili sul mercato. Cosa è la virtualizzazione dei dati? Perché è necessaria? Quali problemi di business risolve? Tipi di prodotto di virtualizzazione Il mercato della virtualizzazione dei dati: Cisco, Denodo, IBM, Informatica Data Services, SAS, Stone- Bond Patterns di virtualizzazione dei dati per integrare BI e CPM Usare la Data Virtualization in MDM Costruire un livello di information services usando la virtualizzazione dei dati Usare la Data Virtualization con i sistemi operazionali Integrare dati Cloud e on-premise usando il Cloud Computing Usare la Data Virtualization in una architettura Big Data Usare la Data Virtualization con altri tools di Data Management e nella Data Governance 2. implementare la Data Virtualization In questa sessione si spiega come implementare la Data Virtualization, includendo l importanza delle comuni definizioni dati, la costruzione di livelli virtuali, la gestione della performance e della sicurezza. Glossari di Business e Data Virtualization Perché i metadati in comune sono così importanti nelle views di dati virtuali? Modelli di dati virtuali e importazione di modelli dati da altri tools Implementare tabelle virtuali e livelli di nested table Fare il mapping fra i dati fisici e quelli virtuali Gestione della Performance - Usare il cashing dei dati e snapshots - Usare la virtualizzazione dei dati con il computing in-memory - Usare istanze multiple di servers di Data Virtualization - Configurazione di virtualizzazione di dati distribuiti Gestire la sicurezza dei dati usando la Data Virtualization 3. casi d Uso di successo della Data Virtualization per massimizzare il valore del Business Usare la Data Virtualization del Data Warehousing - ODSs virtuali - Data Marts virtuali - Sorgenti dati virtuali

7 INFORMAZIONI QUOTA DI PARTECIPAZIONE Big Data e analytics 1200 (+iva) Data Virtualization in Practice 700 (+iva) La partecipazione ad entrambi i seminari viene offerta ad una speciale quota 1800 (+iva) La quota di partecipazione comprende documentazione, colazioni di lavoro e coffee breaks. LUOGO Roma, Residenza di Ripetta Via di Ripetta, 231 DURATA ED ORARIO 2 giorni/ 1 giorno: È previsto il servizio di traduzione simultanea MODALITÀ D ISCRIZIONE Il pagamento della quota, IVA inclusa, dovrà essere effettuato tramite bonifico, codice IBAN: IT 03 W Banca: Cariparma Agenzia 1 di Roma intestato alla Technology Transfer S.r.l. e la ricevuta di versamento inviata insieme alla scheda di iscrizione a: TECHNOLOGY TRANSFER S.r.l. Piazza Cavour, ROMA (Tel Fax ) entro il 19 Maggio 2015 Vi consigliamo di far precedere la scheda d iscrizione da una prenotazione telefonica. CONDIZIONI GENERALI In caso di rinuncia con preavviso inferiore a 15 giorni verrà addebitato il 50% della quota di partecipazione, in caso di rinuncia con preavviso inferiore ad una settimana verrà addebitata l intera quota. In caso di cancellazione del seminario, per qualsiasi causa, la responsabilità della Technology Transfer si intende limitata al rimborso delle quote di iscrizione già pervenute. SCONTI I partecipanti che si iscriveranno al seminario 30 giorni prima avranno uno sconto del 5%. Se un azienda iscrive allo stesso evento 5 partecipanti, pagherà solo 4 partecipazioni. Gli sconti per lo stesso evento non sono cumulabili fra di loro. TUTELA DATI PERSONALI Ai sensi dell art. 13 della legge n. 196/2003, il partecipante è informato che i suoi dati personali acquisiti tramite la scheda di partecipazione al seminario saranno trattati da Technology Transfer anche con l ausilio di mezzi elettronici, con finalità riguardanti l esecuzione degli obblighi derivati dalla Sua partecipazione al seminario, per finalità statistiche e per l invio di materiale promozionale dell attività di Technology Transfer. Il conferimento dei dati è facoltativo ma necessario per la partecipazione al seminario. Il titolare del trattamento dei dati è Technology Transfer, Piazza Cavour, Roma, nei cui confronti il partecipante può esercitare i diritti di cui all art. 13 della legge n. 196/2003. MIKE FERGUSON Big Data e analytics Roma 3-4 Giugno 2015 Residenza di Ripetta - Via di Ripetta, 231 Quota di iscrizione: 1200 (+iva) nome... cognome... funzione aziendale... Timbro e firma Data VirtUaLization in Practice azienda... partita iva... Roma 5 Giugno 2015 Residenza di Ripetta - Via di Ripetta, 231 Quota di iscrizione: 700 (+iva) codice fiscale... indirizzo... entrambi i seminari città... Quota di iscrizione per entrambi i seminari: 1800 (+iva) cap... provincia... In caso di rinuncia o di cancellazione dei seminari valgono le condizioni generali riportate all interno. È previsto il servizio di traduzione simultanea telefono... fax Da restituire compilato a: Technology Transfer S.r.l. Piazza Cavour, Roma Tel Fax info@technologytransfer.it

8 DOCENTE Mike Ferguson è Managing Director Europeo di Intelligent Business Strategies Limited. Come consulente, è specializzato in sistemi database, Business Intelligence, Enterprise Application Integration, Corporate ed e- Business Portals, soluzioni intelligenti di CRM e di Supply Chain. Ha più di 30 anni di esperienza nell IT, ha operato consulenze per importanti aziende ed è stato frequentemente speaker in molti eventi e seminari in tutto il mondo. È stato Principal e co-fondatore della Codd & Date UK e Chief Architect alla NCR sul DBMS Teradata.