Datalab Corporate Presentation (2015 version)

10,483
-1

Published on

DataLab is a privately held company specialized in selling best-of-breed software used in enterprises for improving business data.

The company mainly focuses on providing Data Quality (DQ), Reference & Master Data Management (MDM) and Data Masking (ILM) solutions to enterprises. We help our enterprise Clients to install our solutions into their CRM or other business data systems (including SAP CRM, Oracle Siebel, SalesForce.Com, Ms Dynamics CRM, SugarCRM and others) and customize the solution to their particular business needs using the most innovative technologies.

DataLab possesses all necessary resources to resolve most data issues of an enterprise whenever they become a barrier to success.

Due to the fact of having a local approach, DataLab was able to became the market leader in Portugal having +20 customers in Insurance, Banking, Utilities, Logistics, Services and more.

Because of our focus on the technology we pursuit a continuous grow on our Partners Network to be able to reach more and more customers, and build great teams to deliver successful projects.

The company was established in 2009 and its head office is in Lisbon, Portugal.

Specialties: Data Quality, Data Integration, Data Migration & Consolidation, Data Synchronization, Data Management, Data Quality Cloud, CRM, Direct/Database Marketing, Multi-domain MDM, Reference Data Management, ILM, Data Masking, Data Subsetting

Published in: Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
10,483
On Slideshare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
40
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Datalab Corporate Presentation (2015 version)

  1. 1. Apresentação Corporativa #BecauseDataMatters
  2. 2. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited • Mais que uma empresa de TI, uma empresa que tem como meta a qualidade e gestão dos dados. – Parceira da empresa líder de mercado na Europa em Data Quality (DQ) UNISERV – Responsável pela adaptação das ferramentas da Uniserv para Portugal com excelentes resultados – Parceira da empresa líder em Reference & Master Data Management (RDM/MDM) ORCHESTRA NETWORKS – Parceira da empresa líder e pioneira em Data Masking (ILM) CAMOUFLAGE DataLab… quem somos?
  3. 3. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited 1969 1999 2002 2009 Quando nascemos?
  4. 4. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited • Pela execução, provamos o nosso expertise único nas áreas em que actuamos • Somos pioneiros, ao trazer para Portugal a representação das tecnologias líderes: • Ajudamos os nossos Clientes e Parceiros colocando o nosso know-how à disposição destes DataLab… o que fazemos?
  5. 5. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Os nossos Clientes
  6. 6. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O que dizem os nossos Clientes "Com as ferramentas da Uniserv conseguimos maximizar a qualidade das nossas moradas, aumentando a confiança dos nossos utilizadores.“ Rui Martins, Director Adjunto do Departamento de Sistemas de Informação da Multicare "Como empresa global que somos, encontrámos na Uniserv o parceiro ideal para a qualidade de dados com uma cobertura global.“ Mário Jordão Alves, IT Director na Redcats Portugal (La Redoute)
  7. 7. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Porque é a Data Quality importante? "in a December 2012 survey The Information Difference found that 80% of survey respondents felt that data quality was of “key importance” to big data initiatives.“ "The Data Quality Landscape - Q1 2013" publicado pelo “The Information Difference” "Quality Data Takes More Than a Quick Technology Fix (...) the ability to communicate the value of data quality and then implementing technology solutions was the prime process for improved data quality overall. “ Eric Lundquist (editor in chief at PC WEEK) "Social Data Quality Will Take Back Seat to Data Relevance“ James Kobielus (serves as IBM’s big data evangelist) "Data quality is a challenge senior executives are often aware of, but fail to do anything about. Getting the message across to business is becoming increasingly important, as the value of data grows and the cost of poor quality data begins to mount. A low data error rate of less than 5% can add nearly 30% to hidden and non-value-adding costs. (…)“ Gary Alleman (IT Web)
  8. 8. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Data Quality & Customer Data Hub [DQ] Qualidade de Dados
  9. 9. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Validar/Normalizar Moradas Transformar em Dados do utilizador Morada: Estr juse Aveleno Tinto I imp 3, 9300 Camera de Lovos Componentes da morada 1º Impasse da Estrada José Avelino Pinto 3 Código postal: Morada: Localidade: 9300-326 Câmara de Lobos Ilha da Madeira Concelho: Distrito: Freguesia: Câmara de Lobos Câmara de Lobos Coordenadas geográficas: Código Distrito/Concelho/Freguesia: 32.661026,-16.991668 310201 Conteúdoslocaispara23países
  10. 10. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Validar/Normalizar Moradas Componentes da morada Rua Joshua Benoliel 6 Código postal: Morada: Localidade: 1250-133 Lisboa Lisboa Concelho: Distrito: Freguesia: Lisboa Campo de Ourique (antes era Sta.Isabel) Coordenadas geográficas: Código Distrito/Concelho/Freguesia: 38.720911,-9.161683 110659 Transformar em Dados do utilizador Morada: R Jojua Benolel 6 1000 Lisvoa Conteúdosglobaispara240países
  11. 11. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Várias fontes de dados = Registos duplicados CRM / ERP Web etc. Hearing Error Fraud OCR Errors Typing Error Lack of Accuracy Varied Profiles Duplicates Multiple Registrations
  12. 12. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Serão os 3 registos da mesma pessoa? ID 113 Cristina Isabel Cardoso Pinto Morada: Nome: Localidade: Rua dos Pinheiros, Lote 7, Bloco B, 3.Esq Lisboa ID 76 Cristina Pinto Morada: Nome: Localidade: Rua dos Pinheiros, 7, B, 3 E Lisboa ID 986 Kris I C Pinto Morada: Nome: Localidade: R. Pinhheiros, Lt 7, Blc B, 33.Esq Lisvoa Identificar Duplicados Web site CRM Call center
  13. 13. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Validar e-mails SYNTAX CHECK DOMAIN CHECK MAILBOX CHECK Validity of characters & strings Validity of domain Validity of recipient‘s mailbox Utilizamos 3 passos para a validação…
  14. 14. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Validar e-mails: exemplo A importância de perceber o porquê do e-mail não ter sido entregue !
  15. 15. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Ausência de informação geográfica Geocoding = Tradução de uma morada em coordenadas geográficas (latitude e longitude) A má qualidade dos endereços postais influencia como se obtem uma coordenada geográfica correcta e consequentemente o impacto em análises futuras como o exemplo aqui ilustrado Com o endereço postal normalizado e validado, podemos dar-lhe a melhor coordenada (X;Y)
  16. 16. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os problemas mais comuns em DQ? Ainda não sabe quais os problemas que têm na sua organização? Peça-nos JÁ uma auditoria!
  17. 17. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O nosso parceiro tecnológico… em DQ "Finding a good business partner may seem hard, but finding your rhythm with your business partner is even harder. I work with the founders of DataLab for over fourteen years now, and what I can say, is that it was very easy to find our rhythm. Together, Uniserv and DataLab have built a very successful long-term relationship that will continue to prosper for many years.“ Ulrich Sohn, International Sales Director na Uniserv GmbH A Uniserv possui um portfólio de soluções de software e serviços verdadeiramente internacionais para gestão de dados e, através da sua visão GloCal (“Pensar global, agir local”) é líder nos países onde tem representação.
  18. 18. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O nosso parceiro tecnológico… em DQ Entre os seus clientes estão inúmeras empresas de renome nas mais diversas industrias em todo o mundo, como Allianz, Amazon, Axa France, BMW, Dell, Deutsche Bank, eBay, EDEKA, E.ON, France Telecom, Johnson & Johnson, Lufthansa, OTTO, Siemens, Swisscom e Time Warner, bem como TUI, Volkswagen e Yves Rocher. CHALLENGERS LEADERS VISIONARIESNICHE PLAYERS Source: Gartner (November 2015) Informatica IBM SAS (DataFlux) SAP Trillium Oracle Pitney Bowes Neopost Talend Information Builders Ataccama BackOffice Associates Innovative Systems RedPoint MIOsoft DataMentors UNISERV Gartner Magic Quadrant for Data Quality Tools Experian From 2013 to 2014 From 2014 to 2015
  19. 19. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Porque Portugal é diferente do resto do mundo… #1 em Portugal +15 Clientes +1.500 utilizadores licenciados +15.000 utilizadores a aceder em RT MARKET STRENGTH TECHNOLOGY Informatica IBM SAS (DataFlux) SAP Trillium Oracle UNISERV Tamanho das bolhas representa o nº de Clientes activos Portugal Data Quality Landscape
  20. 20. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Como abordamos o tema DQ? Analyze - Data profiling - Exame de dados - Análise de qualidade de dados Cleanse - Migração e consolidação de dados - Limpeza de dados - Correspondência de dados Governance - Conformidade - Monitorização e observação: - Regras de negócio - Legislação prevalente - Supervisão constante da qualidade de dados, p.e. ao mudar de endereço Protect - Protecção durante a inserção de dados pelo utilizador - Intervenção do utilizador em caso de ambiguidade Ciclo Qualidade Dados
  21. 21. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Soluções Plug&play para os principais CRM Outros em desenvolvimento em parceria com empresas portuguesas na área do Software
  22. 22. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Soluções Plug&play para os principais CRM Exemplo #1. Morada pesquisada #2. Morada normalizada #3. Potencial duplicado #4. Resultado Final
  23. 23. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited 26 Referências internacionais Insurance Banks Publishers Mail Order Marketing Service Providers Trade & Industry Allianz Alte Leipziger ARAG AXA Debeka DEVK Direct Line Ergo Direct Generali HDI-Gerling Helvetia HUK-Coburg ING DiBA R+V VHV W&W WWK Zürich Agrippina Bank of America Bausparkasse Mainz Commerzbank Crédit Agricole Deka Investmentfonds Deutsche Bank Deutsche Börse Finanz Informatik KfW Bankengruppe Landesbanken Norisbank Raiffeisen SEB UBS Volkswagen Financial Services ADAC Berliner Verlag Burda Cornelsen Forum Verlag Gruner+Jahr Haufe Reader‘s Digest Amazon Josef Witt La Redoute Neckermann.de OTTO Printus Pro Idee Versandhaus Walz Yves Rocher 3 Pagen Acxiom Deutschland Consodata defacto IMS Health MEILLERGHP Mohnmedia Prisma Direct Schober Information Group BMW Bruker Physik Coop Dell dm EnBW FC Bayern München Heineken Henkel MAN Media Markt Philip Morris Peugeot Citroen Pneuhage Raab Karcher Thyssen Krupp Volvo Vorwerk Westfalia €§
  24. 24. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O que vem a seguir à Qualidade de Dados? "As well as increasing in scope, data quality has started to be subsumed within broader data management initiatives. Master Data Management projects have data quality as a major component; indeed an Information Difference survey showed that master data projects consume on average 30% of their budget on issues related to data quality.“ retirado do documento "The Data Quality Landscape - Q1 2013" publicado pelo “The Information Difference”
  25. 25. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Reference & Master Data Management [MDM] Gestão de dados de Referência ou Mestre
  26. 26. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O que é então Master Data? António Silva comprou um televisor “Samsung X” no dia 24 de Dezembro de 2014 por 799,00€ ID: 123 Nome: António Silva ID: 12345 Nome: Samsung X Tipo: Televisor Cliente Produto ID: 456 Cliente: 123 Produto: 12345 Data: 24-12-2014 Qt: 1 Preço: 799,00€ ID: 778899 Cliente: 123 Produto: 12345 Compra: 456 Data: 25-12-2014 Preço: 799,00€ Iva: 183,77€ Compra Factura Master Data Transactional Data
  27. 27. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited A nossa visão para o MDM Master Data ThingsProducts Services, Pricing Physical assets, Real Estate Reference Data Geographies, Regions Organizational Structures Financial Hierarchies Codifications Master Data Parties People, Employees Clients, Suppliers Uma abordagem de multi-domínios permite gerir qualquer tipo de dados mestre e/ou referência, bem como as relações entre os dados
  28. 28. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O que dizem os analistas sobre este tema? • O único fornecedor de MDM posicionado em ambos os Quadrantes Mágicos da Gartner com o mesmo software. – Quadrantes Mágicos Gartner para MDM de dados de Produto e dados de Cliente • O único fornecedor de MDM considerado «Bom» pela Gartner nas áreas Financeira, Clientes e Produtos com o mesmo software. – Uma visão da experiência dos fornecedores de MDM em múltiplos domínios de Master Data • A Michelin, cliente da Orchestra Networks, venceu o Prémio de Excelência Gartner MDM EMEA em 2013
  29. 29. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited MDM – a Visão da Gartner CHALLENGERS LEADERS VISIONARIESNICHE PLAYERS Source: Gartner (November 2015) Informatica MDM IBM Collab Ed Oracle PIM EBS SAP MDG Gartner Magic Quadrant for Product Data Solutions Tibco Oracle PIM Cloud CHALLENGERS LEADERS VISIONARIESNICHE PLAYERS Source: Gartner (November 2015) Informatica IBM Ad ed Oracle Siebel SAP Talend Gartner Magic Quadrant for Customer Data Solutions Ataccama VisionWare From 2013 to 2014 IBM St Ed Tibco ORCHESTRA NETWORKS Riversand Stibo Systems Informatica PIM SAP hybris Agility Multichannel Sigma Systems From 2014 to 2015 ORCHESTRA NETWORKS Profisee From 2013 to 2014 From 2014 to 2015 EnterWorks inRiver
  30. 30. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Qual a opinião da Bloor? • Fornecedor líder na área de gestão de dados mestre e dados de referência • Fornecedor independente – Fundado em 2000 – Privado, com crescimento de lucro e receita consistente – Gerido pelos co-fundadores desde há 13 anos Source: Bloor (Agosto 2013) Kalido Champions Bloor Market Overview Orchestra Networks Informatica IBM SAS SAP Oracle Software AG Stibo Teradata Riversand VisionWare
  31. 31. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Como é o panorama nesta área? • Classificado como #1 entre 34 fornecedores de tecnologia MDM pela “The Information Difference” pelo segundo ano consecutivo • Reconhecido como líder em RDM pelo “MDM Institute” MARKET STRENGTH TECHNOLOGY Informatica Tamanho das bolhas representa o nº de Clientes globais Master Data Management Landscape IBM Oracle SAP Stibo Software AG Orchestra Networks Riversand Kalido Vision Ware Teradata SAS
  32. 32. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited …e quando de fala de funcionalidades? Source: The Information Difference (May 2014)
  33. 33. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os desafios mais comuns do MDM? • Visões inconsistentes dos dados utilizados por diferentes aplicações conduzem a incorretas e inconsistentes métricas de negócio • Múltiplas fontes para a mesma classe de dados podem causar confusões e representações inconsistentes dos dados de referência - múltiplas visões/versões da “verdade” • Pobre entendimento das fontes dos dados leva a que múltiplos sistemas atuem como dados de referência e mestre ou como pontos de distribuição, aumentando a complexidade e diminuindo a consistência • A ausência de governo de dados para os dados de referência e dados mestre significa que não há ownership • Fluxos de dados complexos e pouco entendimento sobre as suas dependências
  34. 34. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Benefícios Alta reutilização de dados Uso de "verdadeiras" ferramentas de MDM para a gestão do ciclo de vida dos dados de referência Redução do investimento em soluções de hardware personalizadas Roteamento transparente e garantia de acesso aos dados Semântica consistente Estrutura de gestão de dados consistente Impacto Negócio Eliminar o risco de Interpretação Altos níveis de automatização no suporte a criação, administração e governo de dados Consistente e intuitiva experiência para o utilizador Redução de Custos Aumento da qualidade dos dados Dados Integrados Investimento de TI flexível MDM, Benefícios e impactos no negócio
  35. 35. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited 39 Insurance Banking Manufacturing, CPG, Retail Engineering & Construction Referências internacionais
  36. 36. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited 40 Pharma & Cosmetics Media & Entertainment Services & Public Sector Logistics & Transportation Retail Referências internacionais
  37. 37. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Depois de garantirmos a Qualidade dos Dados? Que fazer quanto à sua segurança? "A study found that (…) 2012 was a record-breaking year when it came to the number of reported data loss incidents. (…) Despite increased vigilance by organizations, data loss is a very real threat to a company’s reputation (…). The financial repercussions of this type of data loss are extremely high. Current approaches to data protection such as firewalls, encryption and passwords fail to sufficiently lock down data. “ retirado do documento "A Beginner’s Guide to Data Masking" “Data masking should be mandatory for enterprises using copies of sensitive production data for application development, analytics or training“ retirado do documento “Gartner Magic Quadrant for Data Masking Technology Report” “Data breaches 9% more costly in 2013 than year before. It cost US companies hit by data breaches last year an average of $5.4 million to cope with the after-effects up 9 percent from the year before (…) On average, it cost $201 per record lost, up from the $188 the year before (…)“ retirado do estudo apresentado em Maio de 2014 feito pelo Ponemon's Institute "2014 Cost of Data Breach Study: United States"
  38. 38. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Data Privacy [ILM] Mascaramento de Dados
  39. 39. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O que é afinal o Data Masking? • Desidentificar, anonimizar ou ofuscar os dados • Quem desenvolve necessita de aceder a dados realistas para realizar seu trabalho • O Data Masking permite ainda aos developers aceder a bases de dados seguras, sem expor informações confidenciais Dados Originais ID SSN DoB Salary 1 123-456-789 12-12-1975 €35.000 2 456-789-123 01-01-1970 €20.000 3 789-123-456 10-07-1985 €30.000 Base de Dados de Produção Dados Mascarados ID SSN DoB Salary 1 123-456-456 01-01-1970 €31.500 2 456-789-789 12-12-1975 €18.000 3 789-123-123 12-12-1975 €27.000 Dados realistas Base de Dados de Qualidade ou Desenvolvimento
  40. 40. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited O nosso parceiro… em Data Masking "This partnership with DataLab enhances our capabilities in delivering data masking solutions to new clients in Portugal, and some PALOP countries as well. We are committed to providing data privacy solutions with leading global IT solutions and service partners, and we are excited to be working with DataLab and continuing to expand our presence internationally.“ Kevin Duggan, CEO na Camouflage Inovador e criativo – Pioneira ao identificar esta necessidade de segurança dos dados empresariais em 2002 e que batizaram de “Data Masking” Reconhecido e respeitado – Primeira versão comercial do produto em 2004, sendo um dos primeiros software desta área no mercado – Considerado pela Gartner como “founding fathers of data masking”
  41. 41. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Data Masking – Visão da Gartner Reconhecimento no mercado por: • Reputação do produto • Nível de suporte • Razoabilidade do preço • Facilidade de uso e flexibilidade da solução • Vontade e capacidade para adaptar e ajustar a solução às necessidades do Cliente CHALLENGERS LEADERS VISIONARIESNICHE PLAYERS Source: Gartner (December 2015) Informatica IBM Oracle Grid-Tools HPE (Voltage Security) Dataguise Delphix (Axis) Mentis Net 2000 CAMOUFLAGE Gartner Magic Quadrant for Data Masking Tools Compuware Solix Technologies Privacy Analytics GreenSQL From 2013 to 2014 From 2014 to 2015 TCS
  42. 42. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Data Masking – Visão da Bloor FUNCTIONALITY BUSINESSVALUE Informatica Tamanho das bolhas representa a presença no mercado global Bloor Research – Market report (2013) Cor verde representa “Dynamic Data Masking” Cor laranja representa “Static Data Masking” IBM IBM Informatica Others Grid-Tools CAMOUFLAGE Grid-Tools CAMOUFLAGE Mentis • Facilidade de implementação – Solução única, utilização intuitiva e facilidade de implanter; • Funcionalidades abrangentes – Solução madura, estável e rica em funcionalidades, • Metodologia de boas práticas – Especialistas em data masking com experiência comprovada • Ecosistema e Suporte – Desenvolvido com base em open standards – Agnóstico em relação às bases de dados
  43. 43. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Exemplo da não protecção de dados
  44. 44. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Porque deve proteger os seus dados? • A conformidade regulamentar com normas de privacidade • Proteger dados sensíveis de exposição interna desnecessária • Proteger de prestadores de serviços externos • As condições de mercado e as implicações para a segurança da informação
  45. 45. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Está ao corrente do novo regulamento europeu de Protecção de Dados Pessoais? https://secure.edps.europa.eu/EDPSWEB/e dps/EDPS?lang=pt
  46. 46. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Quais os benefícios do Data Masking? • Remoção de dados sensíveis • Criação de dados realistas e úteis • Atender aos requisitos de conformidade regulamentar • Proteção contra ataques em ambientes de não- produção • Garantia de que o mascaramento no nível do aplicativo complementa o mascaramento no nível empresarial
  47. 47. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Como abordamos o tema Data Masking? Discover Mask Subset Database Unity Framework Descobre qual a informação sensível de uma forma automática Mascara a informação sensível e fornece dados realistas para testes Cria cópias reduzidas das bases de dados Permite o mascaramento consistente entre bases de dados ao longo do tempo
  48. 48. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Abordagem tecnológica!
  49. 49. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited SERVIÇOS PARTILHADOS • Infra-estructura partilhada • Processos definidos • Organização híbrida – Economias de escala – Otimização de recursos – Standarização de processos, ferramentas e recursos – Aumentar a produtividade usando a reutilização – Garantir a qualidade – Alinhamento com o negócio • Prioridades concorrentes Abordagem de desenvolvimento!
  50. 50. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited • Credit Card, Date, Generic Luhn, National ID, Random Number, Sequential Number Generators • Advanced Replace, Date Transformer, Noise, Scramble, Shuffle Mutators • Combo Transformer, Encryption, Update RowsAlgorithmic • Custom Transformer, Script - Row / Table / Column, Transformer APICustom • Data Load Transformer, Shuffle Defined Set, Update Defined SetData Load Exemplos de “máscaras” aplicáveis
  51. 51. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited 5 6 Referências internacionais
  52. 52. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Em resumo… as soluções que o vão ajudar! DataLab…somos a sua referência nestas áreas: Reference and Master Data Management Data Masking & Subsetting Data Quality & Customer Data Hub
  53. 53. 2015 Copyright DataLab/ Confidential Information / Distribution Prohibited Como o podemos ajudar?
  54. 54. BECAUSE DATA MATTERS Obrigado
  55. 55. Carlos Guerreiro | Chief Operations Officer e: carlos.guerreiro@datalab.pt t: +351 91 765 11 99
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×