Seminar MID Innovator – Intensivseminar Datenarchitektur, Data Vault und Governance

Das fünftägige Intensivseminar verbindet fachliche Datenbegriffe, konzeptionelle Modelle, physische Datenbankschemata und Data-Warehouse-Strukturen zu einer durchgängigen Datenarchitektur. Reengineering, Lineage, Governance, Qualität, DDL und Migrationsverfahren werden in einem gemeinsamen Fallbeispiel praktisch konsolidiert.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Fachliche, logische und physische Datenmodelle durchgängig erstellen und abgleichen.
• Datenbanken importieren, vergleichen, rückführen und kontrolliert ändern.
• Data Vault 2.0, Business Vault und Data Marts modellgetrieben entwickeln.
• Data Lineage, Schutzklassen, Owner und Qualitätskontrollen operationalisieren.
• Implementierung, Migration, Reporting und Governance in ein belastbares Datenbetriebsmodell überführen.

Schrittweise Seminarinhalte

1. Datenarchitektur-Zielbild und Domänen

Schwerpunkt: Geschäftsfragen, Informationsobjekte, Domänen, Owner, Modellierungsebenen, Plattformen und Governance.

1. Informationsbedarf und kritische Datendomänen erfassen.
2. Owner, Stewards und technische Verantwortungen zuordnen.
3. Konzeptionelle, logische, physische und analytische Schichten strukturieren.
4. Benennungs-, Definition- und Qualitätsregeln festlegen.

Arbeitsergebnis: Freigegebenes Datenarchitektur-Zielbild.

2. Business Glossary und fachliches Modell

Schwerpunkt: Begriffe, Definitionen, Entitäten, Attribute, Wertebereiche, Beziehungen und Geschäftsregeln.

1. Geschäftsbegriffe sammeln und Mehrdeutigkeiten bereinigen.
2. Entitäten und Attribute aus den Begriffen ableiten.
3. Wertebereiche, Optionalität und fachliche Schlüssel ergänzen.
4. Beziehungen mit Kardinalitäten und Regeln validieren.

Arbeitsergebnis: Semantisch geklärtes fachliches Datenmodell.

3. ERM, Normalisierung und komplexe Strukturen

Schwerpunkt: Schlüssel, Abhängigkeiten, Normalformen, Spezialisierung, Kategorien, Historisierung und zeitliche Gültigkeit.

1. Kandidaten- und Primärschlüssel bestimmen.
2. Funktionale Abhängigkeiten und Anomalien analysieren.
3. Modell bis zur geeigneten Normalform überführen.
4. Komplexe und zeitabhängige Strukturen nachvollziehbar modellieren.

Arbeitsergebnis: Qualitätsgeprüftes logisches ER-Modell.

4. Physisches Datenbankschema und Mapping

Schwerpunkt: Tabellen, Spalten, Datentypen, Constraints, Views, Indizes, Plattformregeln und Mapping.

1. Zielplattform und physische Konventionen festlegen.
2. Konzeptionelles Modell auf Tabellen und Spalten abbilden.
3. Constraints, Views und Indizes ergänzen.
4. Mappingvollständigkeit und physische Konsistenz prüfen.

Arbeitsergebnis: Implementierbares Datenbankschema.

5. Datenbankimport und Reengineering

Schwerpunkt: JDBC, DDL, Importfilter, Database Manager, technische Altlasten und Rückführung.

1. Bestandsschema reproduzierbar importieren.
2. Objekte und Unterschiede im Database Manager klassifizieren.
3. Technische Strukturen in ein fachliches Modell zurückführen.
4. Altlasten, Dubletten und unklare Semantik priorisieren.

Arbeitsergebnis: Bewertetes Reengineering-Modell.

6. Schemavergleich, DDL und Release

Schwerpunkt: Soll-Ist-Vergleich, Änderung, Impact, Datenmigration, DDL, Testdeployment und Rollback.

1. Fachliche Änderung im konzeptionellen Modell umsetzen.
2. Änderung auf das physische Schema abbilden und Auswirkungen analysieren.
3. DDL erzeugen und in einer Testdatenbank ausführen.
4. Erneuten Vergleich sowie Rückfallverfahren dokumentieren.

Arbeitsergebnis: Getestetes Datenbank-Releasepaket.

7. Data-Vault-Grundmodell

Schwerpunkt: Business Keys, Hubs, Links, Satelliten, Record Source, Historisierung und Ladeprinzipien.

1. Business Keys und Hub-Kandidaten bestimmen.
2. Beziehungen als Links und Beschreibungen als Satelliten modellieren.
3. Historisierung und Quellnachweis ergänzen.
4. Modell mit Beispieldaten und Änderungsfällen prüfen.

Arbeitsergebnis: Konsistentes Raw-Vault-Modell.

8. Ladeprozesse und Business Vault

Schwerpunkt: Staging, Mapping, Hashing, Parallelisierung, Regeln, PIT, Bridge, Fehler und Reconciliation.

1. Quell-Ziel-Mapping und Ladeabhängigkeiten spezifizieren.
2. Parallele Ladeprozesse mit Fehlerbehandlung modellieren.
3. Fachliche Regeln und abgeleitete Strukturen im Business Vault ergänzen.
4. Reconciliation und Wiederanlauf mit Kontrollsummen definieren.

Arbeitsergebnis: Ausführungsnahe Data-Vault-Ladespezifikation.

9. Data Marts und multidimensionale Analyse

Schwerpunkt: Fakten, Dimensionen, Hierarchien, Kennzahlen, Granularität, Cube und Ableitung.

1. Analysefragen in Fakten und Dimensionen zerlegen.
2. Granularität, Kennzahlen und Hierarchien festlegen.
3. Ableitung aus Raw und Business Vault verknüpfen.
4. Aggregationen und Beispielauswertungen validieren.

Arbeitsergebnis: Auswertbares Data-Mart-Modell.

10. Data Lineage und Transformationsnachweis

Schwerpunkt: Quelle, Feldmapping, Transformation, Prozess, Ziel, Bericht und Attributpfad.

1. Kritische Kennzahl oder sensibles Attribut auswählen.
2. Herkunft über alle Schichten bis zur Quelle modellieren.
3. Transformationen und Berechnungen nachvollziehbar dokumentieren.
4. Lineage und Impact automatisiert auswerten.

Arbeitsergebnis: Ende-zu-Ende dokumentierte Datenherkunft.

11. Data Governance, Schutz und Qualität

Schwerpunkt: Owner, Steward, Klassifikation, TLP, personenbezogene Daten, Qualitätsregel, Kontrolle und Eskalation.

1. Governance-Rollen und Schutzschema festlegen.
2. Kritische Daten und Attribute klassifizieren.
3. Messbare Qualitätsregeln und Kontrollen definieren.
4. Abweichungen, Maßnahmen und Wiederholungsprüfung abbilden.

Arbeitsergebnis: Operationalisierbares Daten-Governance-Modell.

12. Migration, Reporting und Betriebsübergabe

Schwerpunkt: PowerDesigner-Bestand, Mapping, Testimport, Dashboards, Data Dictionary, Release, Pflege und Support.

1. Migrationsbestand und Zielstruktur inventarisieren.
2. Mapping und Pilotimport mit Qualitätsnachweis durchführen.
3. Data Dictionary, Lineage-Bericht und Governance-Dashboard erzeugen.
4. Pflege-, Release-, Review- und Supportprozess dokumentieren.

Arbeitsergebnis: Vollständiges Datenarchitektur- und Betriebsübergabepaket.

Praxisübungen und Laborszenarien

• Aufbau eines fachlichen und logischen ER-Modells.
• Mapping auf ein physisches Schema und Durchführung eines Reengineering-Vergleichs.
• Modellierung eines Raw und Business Vault mit Ladeprozessen.
• Aufbau eines Data Marts mit vollständiger Lineage.
• Governance-, Qualitäts-, Migrations- und Reportingpaket für eine Datendomäne.

Zielgruppe und Voraussetzungen

Zielgruppe: Lead Data Architects, Data-Warehouse-Architektur, Datenmodellierung, Data Engineering, Data Governance, Datenbankentwicklung und Migrationsleitung.

Voraussetzungen: Gute Grundlagen in relationalen Datenbanken, SQL und Data-Warehouse-Konzepten; praktische Datenmodellierungserfahrung ist empfehlenswert.

Didaktik und Arbeitsweise

Das Intensivformat kombiniert kurze Fachimpulse, durchgängige Demonstrationen, aufeinander aufbauende Laboraufgaben, Reviews und kontrollierte Störungsszenarien. Das gemeinsame Fallbeispiel wird täglich erweitert und am Ende als vollständig dokumentierter Arbeits- und Betriebsstandard abgenommen.