Data Engineer Einführungskurs

Classroom Schulung | deutsch | Anspruch

Schulungsdauer: 1 Tag

Ziele

Data Engineering ist Dank des Hypes um Data Science ebenfalls eines der aktuellen Schlagworte der IT-Branche.

Die Datenbereitstellung und -aufbereitung hat sich im Zeitalter von Big Data grundlegend geändert: Vorbei sind die Zeiten des stupiden Kodierens im engen Korsett der ETL-Prozesse.

Der Kurs setzt an diesem Punkt an und spannt den Bogen zu den neuen Anforderungen, die Big Data und Data Science heute stellen. Breiten Raum nehmen hierbei die inhaltlichen, personellen und technologischen Anforderungen für die erfolgreiche Umsetzung ein.

In einem fiktiven Anwendungsszenario wird der Einsatz von Data Engineering beispielhaft demonstriert.

Weitere Seminarinfos:

  • Schwierigkeitsgrad: 100
  • Darreichung: PowerPoint-Präsentation, Live-Demo.
  • Materialien: Präsentation in elektronischer Form (PDF)
  • Credits: Nein (Credits für Zertifizierung)

Zielgruppe

  • Entscheider
  • Personalverantwortliche
  • Projektmanager

Voraussetzungen

  • IT-Grundkenntnisse zu Datenbereitstellung und Datenhaltung. Darüber hinaus werden keine Anforderungen gestellt.
  • Folgende Seminare und Kurse können darüber hinaus dieses Angebot ergänzen:

    1) Einstiegs-Seminare (Schwierigkeitsgrad 100)
    a. Big Data Einstieg
    b. Big Data Technologien, Strategien und Trends
    c. Hortonworks HDP Einstieg
    d. Cloudera CDH Einstieg

    2) Überblicks-Seminare (Schwierigkeitsgrad 200)
    a. Big Data Architekturen Überblick
    b. Hadoop Datentechnologien Überblick

Agenda

Was heißt Data Engineering?

Um neues Wissen aus Daten aufbereiten zu können, müssen diese nicht nur in geeigneter Weise aufbereitet und bereitgestellt, sondern manchmal auch erst gefunden werden. Wenn für Data Science das Gleichnis eines Labors gilt, ist Data Engineering der Maschinenraum, der das Labor mit den nötigen Geräten versorgt und ständig erweitert werden muss.

Das ist weit mehr, als ein traditioneller Spezialist für ETL (Extraktion, Transformation und Laden) bisher leisten musste. Irgendwo zwischen den Eckpunkten Architektur, Administration und Software-Entwicklung verorten die meisten das Bild vom Data Engineer. In diesem Abschnitt wird auf verschiedene aktuelle Interpretationen und Abgrenzungen eingegangen.

Worin besteht der Mehrwert von Data Engineering?

Neues Wissen aus Daten kann nur gewonnen werden, wenn diese in geeigneter Form aufbereitet und bereitgestellt werden. Erfolgt dies nicht in der erforderlichen Qualität, zur richtigen Zeit und im notwendigen Rahmen, so sind die erwarteten Ergebnisse im besten Fall nicht möglich und im schlimmsten Fall falsch. Damit kommt dem Prozess der notwendigen Auswahl, Vorbehandlung und Bereitstellung der Daten eine zentrale Rolle zu, wie an Beispielen gezeigt wird.

Data Engineering. Ein fiktives Anwendungsbeispiel

In einem fiktiven Anwendungsszenario wird der Einsatz von Data Engineering beispielhaft demonstriert und werden Daten aus verschiedenen Quellen mit geeigneten Werkzeugen verknüpft. Dabei werden verschiedene Ansätze verfolgt, um eine hohe Qualität der Daten sicher zu stellen.

Welche Voraussetzungen benötigt Data Engineering?

Einige: Daten, Infrastruktur, Prozesse, motivierte Mitarbeiter und eine Unternehmenskultur, die den passenden Rahmen vorgibt. Und natürlich Problemstellungen, die Fragen impliziert, die mit Hilfe der aufbereiteten Daten beantwortet werden können.

In diesem Abschnitt wird ein Reifegrad-Modell für Data Engineering im Unternehmen vorgestellt und erläutert.

Was ist das Profil eines Data Engineers?

Was ist ein Data Engineer? Welche Anforderungen sind an einen Data Engineer zu stellen? Ist Data Engineer gleich Data Engineer? Lohnt die Investition in die Weiterbildung von gestandenen Mitarbeitern oder benötigt es Köpfe mit frischem Abschluss von der Universität? Diese und andere Fragen werden hier beantwortet.

Wie starten mit Data Engineering?

Auf der Grundlage des vorher definierten Reifegradmodells für Data Engineering werden – ausgehend von unterschiedlichen Voraussetzungen und Rahmenbedingungen – verschiedene Start- und Entwicklungsszenarien für Unternehmen unterschiedlicher Größe skizziert.

Welche Stolperfallen bietet Data Engineering?

Wie mit jeder neuen Technologie kann man auch mit Data Engineering vieles richtig und manches falsch machen. Zum Abschluss des Seminars werden mögliche Stolperfallen herausgearbeitet und Wege aufgezeigt, wie Sie diese umgehen können. Eine Checkliste hilft zudem beim "stolperfreien" Einstieg.

Ziele

Data Engineering ist Dank des Hypes um Data Science ebenfalls eines der aktuellen Schlagworte der IT-Branche.

Die Datenbereitstellung und -aufbereitung hat sich im Zeitalter von Big Data grundlegend geändert: Vorbei sind die Zeiten des stupiden Kodierens im engen Korsett der ETL-Prozesse.

Der Kurs setzt an diesem Punkt an und spannt den Bogen zu den neuen Anforderungen, die Big Data und Data Science heute stellen. Breiten Raum nehmen hierbei die inhaltlichen, personellen und technologischen Anforderungen für die erfolgreiche Umsetzung ein.

In einem fiktiven Anwendungsszenario wird der Einsatz von Data Engineering beispielhaft demonstriert.

Weitere Seminarinfos:

  • Schwierigkeitsgrad: 100
  • Darreichung: PowerPoint-Präsentation, Live-Demo.
  • Materialien: Präsentation in elektronischer Form (PDF)
  • Credits: Nein (Credits für Zertifizierung)

Zielgruppe

  • Entscheider
  • Personalverantwortliche
  • Projektmanager

Voraussetzungen

  • IT-Grundkenntnisse zu Datenbereitstellung und Datenhaltung. Darüber hinaus werden keine Anforderungen gestellt.
  • Folgende Seminare und Kurse können darüber hinaus dieses Angebot ergänzen:

    1) Einstiegs-Seminare (Schwierigkeitsgrad 100)
    a. Big Data Einstieg
    b. Big Data Technologien, Strategien und Trends
    c. Hortonworks HDP Einstieg
    d. Cloudera CDH Einstieg

    2) Überblicks-Seminare (Schwierigkeitsgrad 200)
    a. Big Data Architekturen Überblick
    b. Hadoop Datentechnologien Überblick

Agenda

Was heißt Data Engineering?

Um neues Wissen aus Daten aufbereiten zu können, müssen diese nicht nur in geeigneter Weise aufbereitet und bereitgestellt, sondern manchmal auch erst gefunden werden. Wenn für Data Science das Gleichnis eines Labors gilt, ist Data Engineering der Maschinenraum, der das Labor mit den nötigen Geräten versorgt und ständig erweitert werden muss.

Das ist weit mehr, als ein traditioneller Spezialist für ETL (Extraktion, Transformation und Laden) bisher leisten musste. Irgendwo zwischen den Eckpunkten Architektur, Administration und Software-Entwicklung verorten die meisten das Bild vom Data Engineer. In diesem Abschnitt wird auf verschiedene aktuelle Interpretationen und Abgrenzungen eingegangen.

Worin besteht der Mehrwert von Data Engineering?

Neues Wissen aus Daten kann nur gewonnen werden, wenn diese in geeigneter Form aufbereitet und bereitgestellt werden. Erfolgt dies nicht in der erforderlichen Qualität, zur richtigen Zeit und im notwendigen Rahmen, so sind die erwarteten Ergebnisse im besten Fall nicht möglich und im schlimmsten Fall falsch. Damit kommt dem Prozess der notwendigen Auswahl, Vorbehandlung und Bereitstellung der Daten eine zentrale Rolle zu, wie an Beispielen gezeigt wird.

Data Engineering. Ein fiktives Anwendungsbeispiel

In einem fiktiven Anwendungsszenario wird der Einsatz von Data Engineering beispielhaft demonstriert und werden Daten aus verschiedenen Quellen mit geeigneten Werkzeugen verknüpft. Dabei werden verschiedene Ansätze verfolgt, um eine hohe Qualität der Daten sicher zu stellen.

Welche Voraussetzungen benötigt Data Engineering?

Einige: Daten, Infrastruktur, Prozesse, motivierte Mitarbeiter und eine Unternehmenskultur, die den passenden Rahmen vorgibt. Und natürlich Problemstellungen, die Fragen impliziert, die mit Hilfe der aufbereiteten Daten beantwortet werden können.

In diesem Abschnitt wird ein Reifegrad-Modell für Data Engineering im Unternehmen vorgestellt und erläutert.

Was ist das Profil eines Data Engineers?

Was ist ein Data Engineer? Welche Anforderungen sind an einen Data Engineer zu stellen? Ist Data Engineer gleich Data Engineer? Lohnt die Investition in die Weiterbildung von gestandenen Mitarbeitern oder benötigt es Köpfe mit frischem Abschluss von der Universität? Diese und andere Fragen werden hier beantwortet.

Wie starten mit Data Engineering?

Auf der Grundlage des vorher definierten Reifegradmodells für Data Engineering werden – ausgehend von unterschiedlichen Voraussetzungen und Rahmenbedingungen – verschiedene Start- und Entwicklungsszenarien für Unternehmen unterschiedlicher Größe skizziert.

Welche Stolperfallen bietet Data Engineering?

Wie mit jeder neuen Technologie kann man auch mit Data Engineering vieles richtig und manches falsch machen. Zum Abschluss des Seminars werden mögliche Stolperfallen herausgearbeitet und Wege aufgezeigt, wie Sie diese umgehen können. Eine Checkliste hilft zudem beim "stolperfreien" Einstieg.

Diese Seite weiterempfehlen