Основы дата менеджмента

Курс направлен на освоение основных методов и подходов к управлению данными, включая организацию процессов управления и руководства данными, построение корпоративной модели данных, обеспечение качества и безопасности данных.

Данные давно перестали быть побочным результатом работы ИТ-систем: они стали активом, от которого зависит выручка, скорость решений и сама возможность применять искусственный интеллект. При этом типичная картина в компании выглядит так: дашборды не сходятся, владельцы отчётности не определены, модели данных живут отдельно от бизнес-логики, а любой вопрос «откуда взялось это число» превращается в недельное расследование. Внедрение ИИ-решений лишь обостряет проблему — алгоритм не может быть лучше данных, на которых он обучен.

Курс опирается на фреймворк DAMA DMBOK 2.0, де-факто отраслевой стандарт управления данными, и на практических примерах разбирает, как устроена дисциплина изнутри: от целей и принципов до конкретных методов руководства, архитектуры, моделирования, качества, безопасности, этики и анализа данных. Материал построен так, чтобы участник не выучил набор терминов, а увидел, как отдельные области складываются в единую систему управления данными и какие организационные решения за каждую из них отвечают.

Обучение проходит онлайн в прямом эфире с преподавателем.

 

Продолжительность курса: 2 дня

Планируемые даты проведения: 7 и 9 декабря 2026 г.

Время: 17:00–20:00 (по московскому времени)

Записаться на курс
07.12.2026 - 09.12.2026
2 дня
23 900 ₽
стоимость курса
21 900 ₽
стоимость при оплате не позднее, чем за 10 дней до старта курса
Для кого этот курс

Для руководителей среднего звена, осваивающих компетенции руководства данными

Руководители подразделений, которые получают ответственность за данные в своей зоне: отчетность, качество данных операционных процессов, внедрение аналитики. Курс дает системную картину: какие области управления данными существуют, какие из них входят в зону руководителя, как выстроить взаимодействие с ИТ и где начинать изменения, чтобы получить результат, а не создать еще один регламент.

Для менеджеров и владельцев AI- и дата-продуктов

Специалисты, отвечающие за продукт, построенный на данных и моделях машинного обучения. Основная боль этой роли — данные (их неполнота, несогласованность, отсутствие прослеживаемости, несоответствие требованиям к персональным данным). Курс помогает отделять проблемы, которые решаются на уровне продукта, от тех, что требуют изменений в корпоративной модели данных, архитектуре и процессах руководства.

Для ИТ-специалистов, повышающих квалификацию в области руководства данными

Архитекторы, аналитики, разработчики, администраторы данных, системные интеграторы, которые работают с данными «снизу» и хотят понимать управленческую рамку над своими задачами. Курс связывает технические практики: моделирование, интеграцию, контроль качества и защиту с бизнес-целями, которыми они должны обосновываться.

Программа курса

Big Data и искусственный интеллект

  • Что такое данные, большие данные и искусственный интеллект: определения, источник терминов и границы понятий
  • Три V больших данных: объем, скорость, многообразие, как они меняют требования к хранению и обработке
  • Роль данных в моделях машинного обучения: почему качество данных определяет качество модели
  • Типовые дефекты обучающих наборов, допущения и смещения (bias) в данных
  • Карта рисков применения ИИ: этические, приватность, зависимость от технологий, «черный ящик» и трудность объяснения решений

Основы управления данными

  • Что такое управление данными и чем оно отличается от администрирования баз данных и от управления ИТ
  • Цели организации по управлению данными: от целостности и конфиденциальности до ценности данных как стратегического актива
  • Шесть принципов управления данными: лидерство руководства, ценность данных, комплексность навыков, непрерывная эволюция, приоритет бизнеса, управление жизненным циклом
  • Ценность данных и цена их низкого качества: затраты, риски и упущенные выгоды
  • Фреймворк DAMA DMBOK 2.0: колесо DAMA, пирамида Питера Айкена и карта областей знаний
  • Жизненный цикл данных и цепочка данных (data chain) от создания до уничтожения

Руководство данными (Data Governance)

  • Определение и назначение руководства данными: что входит в программу и какие решения принимает орган руководства
  • Бизнес-драйверы: регуляторные требования, снижение рисков, повышение эффективности, подготовка к ИИ-инициативам
  • Три операционные модели руководства данными: централизованная, реплицируемая и федеративная, критерии выбора
  • Организационная модель: органы руководства, роли владельца и распорядителя данных (data steward), их полномочия и границы ответственности
  • Ключевые артефакты программы внедрения руководства данными и оценка данных как информационного актива
  • Метрики эффективности программы руководства и типовые причины ее неудачи

Архитектура данных

  • Понятие архитектуры данных и ее место в архитектуре предприятия: бизнес-, прикладная, технологическая и архитектура безопасности
  • Три состояния архитектурных спецификаций: текущее, целевое и переходное, дорожная карта перехода
  • Компоненты описания: корпоративная модель данных, потоки данных, CRUD-матрица, прослеживаемость (lineage)
  • Архитектурное мышление: подход Zachman, принципы проектирования и требования к данным в проектах
  • Роль архитектора данных в Waterfall, Agile и DevOps; взаимодействие с владельцами данных и подрядчиками
  • Инструменты и метрики архитектуры; руководство архитектурой как часть программы управления данными

Моделирование и проектирование данных

  • Зачем нужна модель данных: перевод бизнес-понятий в структуру, пригодную для реализации
  • Три уровня моделей: концептуальная (CDM), логическая (LDM), физическая (PDM), разница аудиторий, целей и детализации
  • Основные элементы модели: сущности, атрибуты, домены, ключи, связи «один ко многим» и «многие ко многим»
  • Виды моделей и нотации: реляционная, многомерная, объектно-ориентированная (UML), фактографическая (ORM), хронологическая (Data Vault), NoSQL
  • Нормализация и денормализация: аномалии вставки, обновления и удаления; нормальные формы; компромиссы в хранилищах данных
  • Прямое и обратное проектирование, стандарты наименования и роль модели в управлении изменениями

Этика данных

  • Этика данных как рамка сверх требования закона: что делать, когда обработка формально законна, но неприемлема
  • Ключевые принципы: прозрачность, справедливость, подотчетность, минимизация вреда, уважение к субъекту данных
  • Прогнозная аналитика и скоринг: смещенные решения, самоисполняющиеся прогнозы, эффект «нет записи — нет проблемы»
  • Конфиденциальность и персональные данные в ИИ: обучение моделей на данных пользователей, обезличивание и его границы
  • Этическая экспертиза решений с ИИ и роль человека в контуре принятия решения
  • Ландшафт нормативных и этических документов в России: кодексы этики данных и ИИ, отраслевые приложения, 152-ФЗ, белые книги

Безопасность данных

  • Основные цели безопасности данных: конфиденциальность, целостность и доступность, применительно к данным как активу
  • Базовые понятия: уязвимость, угроза, риск и классы риска
  • Модель четырех «А»: аутентификация, авторизация, администрирование доступом, аудит
  • Классификация информации по уровням конфиденциальности и принцип предоставления минимально необходимых прав
  • Технические меры: шифрование, маскировка и обезличивание в тестовых средах, резервное копирование
  • Требования законодательства: 152-ФЗ, требования регуляторов по защите информации, сопоставление с GDPR
  • Метрики безопасности и аудит доступа; безопасность как область, встроенная в жизненный цикл данных

Качество данных

  •  Что значит «качественные данные»: пригодность к использованию и соответствие бизнес-требованиям
  • Шесть измерений качества по DAMA UK: полнота, уникальность, своевременность, валидность, точность, согласованность
  • Издержки низкого качества данных: операционные потери, штрафы, стоимость неверных управленческих решений
  • Модели зрелости качества и циклический контур совершенствования (PDCA)
  • Бизнес-правила и метрики качества: как сформулировать измеримый критерий вместо «данные плохие»
  • Профилирование данных и организация контроля: что проверять, где, с какой периодичностью и кто отвечает за исправление

Анализ данных

  • Виды аналитики: описательная, диагностическая, предиктивная, предписывающая, какие данные нужны каждому виду
  • Процесс анализа данных: от постановки вопроса и сбора до интерпретации и принятия решения
  • Информационный треугольник: данные — информация — знания — решения
  • Описательное, разъясняющее и предиктивное моделирование; где заканчивается анализ и начинается прогнозирование
  • Визуализация и управленческая отчетность: как не превратить дашборд в источник шума
  • Инструменты и инфраструктура аналитики (хранилища, распределённая обработка, BI-платформы), краткий обзор
  • Взаимосвязь анализа данных с качеством, безопасностью и руководством: почему аналитика без них дает цифры, которым не верят

Преподаватель курса

Глеб Шуклин

  • Эксперт в сфере ИТ и больших данных
  • Экс-директор Ассоциации больших данных
  • Руководитель направления Департамента управления данными в Сбере
  • Приглашенный преподаватель Высшей школы бизнеса НИУ ВШЭ
Что я смогу после этого курса?

Объяснять цели и задачи управления данными

Вы сможете сформулировать, зачем компании нужна дисциплина управления данными, какие цели она закрывает и как они связаны со стратегией, рисками и требованиями регуляторов.

Формулировать и применять принципы управления данными

Вы освоите принципы, на которых строится работа с данными, и сможете использовать их как критерий при принятии решений: от выбора подрядчика до структуры отчетности.

Определять и выбирать операционные модели руководства данными

Вы сможете различить централизованную, реплицируемую и федеративную модели руководства, оценить применимость каждой к своей организации и распределить роли владельцев и распорядителей данных.

Иллюстрировать модели данных на логическом и физическом уровнях

Вы поймете разницу между концептуальной, логической и физической моделями и сможете читать и обсуждать модель данных, понимая, что на каком уровне описывается и кем согласуется.

Проверять качество данных по измеримым критериям

Вы сможете выбрать подходящие измерения качества, сформулировать бизнес-правило и метрику, организовать профилирование данных и поставить задачу на исправление там, где обнаруживается проблема.

Называть способы обеспечения защиты данных

Вы будете перечислять организационные и технические меры защиты, классифицировать данные по уровням конфиденциальности и связывать меры безопасности с требованиями законодательства.

Определять различия между видами аналитики и ролью данных в ИИ

Вы сможете отличить описательную аналитику от предиктивной и предписывающей, объяснить, какие требования каждая предъявляет к данным, и обосновать, почему качество данных является обязательным условием работоспособности ИИ-решений.

Знать этические рамки управления данными

Вы сможете назвать ключевые этические принципы обработки данных и риски использования ИИ, а также объяснить, где этическая экспертиза требуется сверх правовых требований.

Получить
консультацию
Есть вопрос — заполните форму. Мы свяжемся с вами, ответим на все вопросы и поможем подобрать курс, который подходит именно вам.
Популярныекурсы
Записаться на курс