Prezentace z odborná snídaně na téma Datová architektura -
obecné pojetí datové architektury, její hlavní prvky, logický datový model organizace, Master Data Management, téma datové kvality a metodu Data Landscape Mapping.
http://www.technodat.cz/exalead-onepart
EXAELAD OnePart je „krabicová“ novátorská aplikace s unikátním nalézacím přístupem, která rapidně urychluje a usnadňuje opětovné použití součástek a dílů, jejich návrhů, specifikací, standardů, výsledků testů a souvisejících dat.
Tím dochází k finančním úsporám v přímých nákladech, k úsporám v „mentální energii" těch nejvíce znalých pracovníků, ale také ke zvyšování efektivity, kvality a flexibilnosti výroby. Aplikace OnePart Určena je zejména (nikoliv pouze) pro inženýry a designéry nejen v inženýringu a konstrukčním oddělení, strojírenské výrobě, dodavatelském procesu a v souvisejících činnostech.
Konstruktéři a inženýři pravidelně činí kritická rozhodnutí, která ve svém důsledku mohou mít významný dopad do nákladů vaší společnosti. Konstruktéři každý den navrhují stále více nových dílů. Proč tedy "jen" nehledat a opětovně použít obdobné anebo ekvivalentní součásti, které jsou již navrženy a existují jako složka vašeho firemního duševního vlastnictví? No proto, že dnes je hledání konstrukcí dílů a souvisejících informací velmi časově náročné, má nejistý výsledek a je potenciálně náchylné k chybám.
Bez extrémně účinného nástroje pro rychlé nalezení a srovnání podobných součástek skrytých uvnitř hromady dat a datových zdrojů roztroušených po společnosti, si inženýři prostě raději vyberou variantu nové tvorby dílu spíše než strávení času neproduktivním hledáním. Ačkoliv si to nemusí uvědomovat, vytvoření nového dílu, podtrženo a sečteno, má dopad na celkové náklady, tím pádem i na cenu, a tím pádem samozřejmě i na ziskovost.
Týká se to pak i dalších konsekvencí v technologii, výrobních postupech a časech, kontrole jakosti, objemu skladových zásob a pružnosti produkce (time-to-market).
Použití silné ověřené vyhledávací technologie pomůže nalézt odpovědi na otázku, zda znovupoužít již hotový konstrukční návrh či vytvářet nový, během pouhé 1 minuty.
Znovuobjevení a opětovné použití dřívějších konstrukčních návrhů je dobré pro práci i pro obchod, pro lidi i pro společnost.
Najít a znovupoužít existující díly, 2D/3D konstrukční návrhy a související dokumentaci
Stojící na ověřené inovativní technologii EXALEAD CloudView, EXALEAD OnePart umožňuje optimalizované znovupoužití konstrukčních dílů a souvisejících dokumentů tak, že se urychluje produktový vývoj a zákaznické dodávky, přičemž se ale snižuje čas konstrukčních návrhů, spotřeba materiálu, nároky na průmyslovou výrobu a celkové náklady na skladované položky.
Prezentace z odborná snídaně na téma Datová architektura -
obecné pojetí datové architektury, její hlavní prvky, logický datový model organizace, Master Data Management, téma datové kvality a metodu Data Landscape Mapping.
http://www.technodat.cz/exalead-onepart
EXAELAD OnePart je „krabicová“ novátorská aplikace s unikátním nalézacím přístupem, která rapidně urychluje a usnadňuje opětovné použití součástek a dílů, jejich návrhů, specifikací, standardů, výsledků testů a souvisejících dat.
Tím dochází k finančním úsporám v přímých nákladech, k úsporám v „mentální energii" těch nejvíce znalých pracovníků, ale také ke zvyšování efektivity, kvality a flexibilnosti výroby. Aplikace OnePart Určena je zejména (nikoliv pouze) pro inženýry a designéry nejen v inženýringu a konstrukčním oddělení, strojírenské výrobě, dodavatelském procesu a v souvisejících činnostech.
Konstruktéři a inženýři pravidelně činí kritická rozhodnutí, která ve svém důsledku mohou mít významný dopad do nákladů vaší společnosti. Konstruktéři každý den navrhují stále více nových dílů. Proč tedy "jen" nehledat a opětovně použít obdobné anebo ekvivalentní součásti, které jsou již navrženy a existují jako složka vašeho firemního duševního vlastnictví? No proto, že dnes je hledání konstrukcí dílů a souvisejících informací velmi časově náročné, má nejistý výsledek a je potenciálně náchylné k chybám.
Bez extrémně účinného nástroje pro rychlé nalezení a srovnání podobných součástek skrytých uvnitř hromady dat a datových zdrojů roztroušených po společnosti, si inženýři prostě raději vyberou variantu nové tvorby dílu spíše než strávení času neproduktivním hledáním. Ačkoliv si to nemusí uvědomovat, vytvoření nového dílu, podtrženo a sečteno, má dopad na celkové náklady, tím pádem i na cenu, a tím pádem samozřejmě i na ziskovost.
Týká se to pak i dalších konsekvencí v technologii, výrobních postupech a časech, kontrole jakosti, objemu skladových zásob a pružnosti produkce (time-to-market).
Použití silné ověřené vyhledávací technologie pomůže nalézt odpovědi na otázku, zda znovupoužít již hotový konstrukční návrh či vytvářet nový, během pouhé 1 minuty.
Znovuobjevení a opětovné použití dřívějších konstrukčních návrhů je dobré pro práci i pro obchod, pro lidi i pro společnost.
Najít a znovupoužít existující díly, 2D/3D konstrukční návrhy a související dokumentaci
Stojící na ověřené inovativní technologii EXALEAD CloudView, EXALEAD OnePart umožňuje optimalizované znovupoužití konstrukčních dílů a souvisejících dokumentů tak, že se urychluje produktový vývoj a zákaznické dodávky, přičemž se ale snižuje čas konstrukčních návrhů, spotřeba materiálu, nároky na průmyslovou výrobu a celkové náklady na skladované položky.
Jak se mění práce analytika (Martin Bosák)Taste Medio
Jaké problémy dnes řeší dnešní datový analytik v různých firmách a co ho brzy čeká? Ukážeme konkrétní příklady z projektů, jejich řešní a také komplikace po cestě.
- Komplex přístupů, aplikací a technologií sloužících k podpoře rozhodovacích procesů podniku.
-Vznik s rostoucí informační potřebou a naproti tomu hrozbou informačního přehlcení.
- Zahrnuje aktivity takřka všech podnikatelských oblastí, tj. nákupu, výroby, marketingu, finančního řízení a controllingu, řízení lidských zdrojů, prodeje apod
ITSM - Jira Service Desk a spřátelené aplikace z rodiny AtlassianOnlio
Pro koho vybíráme service desk a co chceme řešit?
Nechme si poradit, odborník nese odpovědnost :).
Náklady na prvním místě, platíme za nákup, maintenance, správu, ale i řízení týmu agentů.
Nasazujme po kouskách, agilně, … a uvidíme.
Hlavně komunikujme, se zákazníkem, s týmem.
Sledujme reporty, ty hlavní ukazujme ostatním.
Pracovní snídaně: Zavádíme integrační platformu v 75 minutáchProfinit
Prezentace o integraci aplikací a enterprise service bus (ESB) popisující typické integrační scénáře a nabízející vysvětlíme, jak je metodicky řešit.
Obsahuje také vysvětlení, proč jen kvalitní technologie nestačí a co ještě je třeba zajistit pro úspěch integračního projektu.
Prezentaci připravili:
Michal Bureš, Senior Advisor, System Integration (michal.bures@profinit.eu)
Jan Šmuk, Senior Consultant (jan.smuk@profinit.eu)
Reference data is something we often encounter in our projects. In our experience, it is often underestimated and does not get enough attention. In the webinar, we want to make you aware of some interesting aspects of ‘reference data’ such as how it relates to MDM, which it’s often mixed with.
Cloud in examples—(how to) benefit from modern technologies in the cloudProfinit
The world of cloud services is enormous, rapidly growing, and changing fast, so it can be challenging to choose the right service and architecture to meet your needs.
To help you better navigate the options and inspire you, we’ve made this webinar describing two practical ways to use cloud services and benefit from the out-of-the-box features and infrastructure the cloud provides.
Jak se mění práce analytika (Martin Bosák)Taste Medio
Jaké problémy dnes řeší dnešní datový analytik v různých firmách a co ho brzy čeká? Ukážeme konkrétní příklady z projektů, jejich řešní a také komplikace po cestě.
- Komplex přístupů, aplikací a technologií sloužících k podpoře rozhodovacích procesů podniku.
-Vznik s rostoucí informační potřebou a naproti tomu hrozbou informačního přehlcení.
- Zahrnuje aktivity takřka všech podnikatelských oblastí, tj. nákupu, výroby, marketingu, finančního řízení a controllingu, řízení lidských zdrojů, prodeje apod
ITSM - Jira Service Desk a spřátelené aplikace z rodiny AtlassianOnlio
Pro koho vybíráme service desk a co chceme řešit?
Nechme si poradit, odborník nese odpovědnost :).
Náklady na prvním místě, platíme za nákup, maintenance, správu, ale i řízení týmu agentů.
Nasazujme po kouskách, agilně, … a uvidíme.
Hlavně komunikujme, se zákazníkem, s týmem.
Sledujme reporty, ty hlavní ukazujme ostatním.
Pracovní snídaně: Zavádíme integrační platformu v 75 minutáchProfinit
Prezentace o integraci aplikací a enterprise service bus (ESB) popisující typické integrační scénáře a nabízející vysvětlíme, jak je metodicky řešit.
Obsahuje také vysvětlení, proč jen kvalitní technologie nestačí a co ještě je třeba zajistit pro úspěch integračního projektu.
Prezentaci připravili:
Michal Bureš, Senior Advisor, System Integration (michal.bures@profinit.eu)
Jan Šmuk, Senior Consultant (jan.smuk@profinit.eu)
Reference data is something we often encounter in our projects. In our experience, it is often underestimated and does not get enough attention. In the webinar, we want to make you aware of some interesting aspects of ‘reference data’ such as how it relates to MDM, which it’s often mixed with.
Cloud in examples—(how to) benefit from modern technologies in the cloudProfinit
The world of cloud services is enormous, rapidly growing, and changing fast, so it can be challenging to choose the right service and architecture to meet your needs.
To help you better navigate the options and inspire you, we’ve made this webinar describing two practical ways to use cloud services and benefit from the out-of-the-box features and infrastructure the cloud provides.
Building big data pipelines—lessons learnedProfinit
What is the power of business departments? What is missing in communication between layers responsible for building big data solutions? What mistakes can happen when IT departments are too proactive in creating solutions for big data?
Understand your data dependencies – Key enabler to efficient modernisation Profinit
Modernising any system is a comprehensive task. Every step has to be estimated, appropriately planned, then carefully executed and verified. Data with its dependencies are the common denominator in almost every case and crucial in understanding the whole initiative.
In this webinar, experts from Profinit and Manta will present their approach to resolving data-related challenges while modernising software systems using Profinit Modernisation Framework in collaboration with Manta tools.
Knowing your clients well and knowing when they need financial support is a key part of a bank’s success in lending. But it is challenging to gather and process information about your customers to know them all entirely. Our senior consultant Lukáš Dvořák will show you how to use data to drive your lending business and improve the conversion rate of loan offers.
What to do when a system stops providing the value that your business needs and an immediate change is necessary? Replacing such a system is usually the first idea that comes to mind. However, is it the only and the best approach you should consider? Not necessarily!
Automating Data Lakes, Data Warehouses and Data StoresProfinit
This webinar discusses automating data warehouses, lakes, and stores. It introduces the speaker, Petr Hájek, and his experience. Profinit, the company hosting the webinar, is introduced along with their competencies and certifications. The webinar then covers challenges with traditional manual approaches and how automation can help through frameworks, templates, and metadata to generate scripts. A case study of automating a data warehouse for a gambling regulator is presented, highlighting benefits like reduced time and costs. Automation is argued to make solutions more transparent, agile, and organized compared to traditional approaches.
When the complexity of all the data in your business exceeds a certain level, it is time to make a sound decision and start taking steps towards professional and systematic data governance and clear data architecture. This step is what we call “data landscape mapping”. At the end of this initial process, you will get something like a Google map of all the data in your company, visualised from different angles and dimensions.
What to do when a system stops providing the value that your business needs and an immediate change is necessary? Replacing such a system is usually the first idea that comes to mind. However, is it the only and the best approach you should consider? Not necessarily!
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...Profinit
Nowadays, many companies are facing challenges linked to their core systems. The systems lack support for the new business models, do not fit-for-purpose anymore or provide poor UX. In general, they are slow to change, risky and costly to enhance and maintain. What would you do, when a system does not provide the value that your business needs? Replacing such a system is usually the first idea that comes to mind. However, is it the only approach you should consider?
In our webinar, Michal Petřík (Profinit's Head of Software Development) will discuss a different approach that is often faster, safer and better suited for many businesses.
Dominik Matula presented Instalment Detector, a tool that reveals clients' payment behaviors from transactional banking data through advanced machine learning techniques. It aims to improve risk scoring, maximize profit, and help clients save through detecting hidden loan payments. The tool engineers complex features from relationships between transactions and uses Bayesian networks to achieve a 100% boost in detecting instalment payments compared to conventional methods. The tool provides interpretable results while adapting to market changes and can be applied to other financial fields.
Prezentace z odborné snídaně v Profnitu 19. 6. 2018. Bitcoin (kryptoměny), burzy, vývoj burzy Coinmate na „zelené louce“, její další rozvoj, aktuální otázky související s boomem kryptoměn.
2. 2
Co nás dnes čeká
› Úvod do obecné biologie metadat
a příbuzných druhů
Petr Hájek
› Lokality bohaté na výskyt metadat
a jak se v nich neztratit
Patrik Hinca
› Nástroje a postupy k odchytu
metadat, jejich skladování
a průmyslové využití
Ondřej Zýka
3. 3
Kdo jsme
20 let
na trhu
(od roku 1998)
600 mil.
(Kč) obrat
v roce 2017
Finance
& Telco
významní
zákazníci
450+
zkušených
profesionálů
#3
CAD v ČR
(IDC 2017)
ČR
+ Evropa
6. 6
Metadatový sklad - úvod
› Paralela s počátky budování datových skladů,
Data Intelligence x Business Intelligence
› „Metadata nejsou jen metadata“
– Klasifikace metadat
– Business metadata x technická metadata
– Strukturální metadata x provozní metadata
– Pre-skriptivní metadata x deskriptivní
metadata
› Rozdíl mezi běžným datovým skladem, který je řízen
metadaty a skladem, jehož předmětem jsou metadata
› Role metadatového modelu
7. 7
Business Intelligence? Data Intelligence!
Business Intelligence = rozumět svému businessu
Data Intelligence = rozumět svým datům
… a rozumět si navzájem
8. 8
„Metadata nejsou jen metadata“
Metadata jsou dle definice „data o datech“ (nejjednodušší
příklad: popis, co obsahují řádky a sloupce v tabulce)
Rozšířená definice zahrnuje také:
› data popisující strukturu systému, organizace
(návaznost např. na architekturu)
› provozní a ryze technická data
› v ještě širším smyslu číselníky
› v ještě širším smyslu business
pravidla
Znakem metadat je jejich
strukturovanost.
9. 9
Business metadata vs. technická metadata
Business definice Mapping Vazba na technická
metadata a číselníky
10. 10
Preskriptivní a deskriptivní metadata
Preskriptivní metadata vznikají ve fázi analýzy a designu řešení (systému,
aplikace) a v maximální možné míře strukturovaně popisují ex-ante jeho
komponenty, funkce, rozhraní atd.
Preskriptivní metadata se pak využijí při automatizaci vývoje, testování,
nasazování atd.
Deskriptivní metadata popisují
stejným způsobem totéž řešení,
ale až zpětně, ex-post.
Porovnání pre-skriptivních a de-skriptivních metadat v rámci DWH je
pak analogií např. k porovnání plan vs. actuals v rámci DWH.
11. 11
Datový sklad řízený metadaty
vs. metadatový sklad
Datový sklad
Business
Data
Party
Event
Account
Product
Channel
Location
Service
Treatment
METADATA
Metadatový sklad
Metadata
Table
Column
System
Report
Business term
Process
Organization
Application
META-METADATA
12. 12
Metadatový model
Stejné myšlenky jako u datového modelu:
› Sjednocená sémantika, pojmenování
základních entit a vazeb mezi nimi
› Integrační role
› Postupné rozšiřování (aditivní změny,
krystalický růst)
13. 13
Uživatelé a případy užití
Uživatelé:
› Architekti
› Data governance, IT
Governance
› PMO
› Provoz
› Security, Controlling,
Interní Audit
Některé příklady užití:
› data lineage
› konfigurační databáze
› issue management
system
› orchestrace datových
toků
› automatizace testování
› quality assirance SW
vývoje
15. 15
O metadatech
› S metadaty pracujeme od samotného počátku budování řešení,
aniž bychom si to uvědomovali
› Každý objekt, tabulka, aplikace, proces si sebou nese řadu
popisných informací, které vypovídají o jeho charakteru, účelu
nebo vazby na ostatní objekty
› Množina metadat dohromady tvoří kompletní obraz o architektuře,
provozu a vývoji celého řešení
› Pomáhají odpovídat na základní otázky (kolik máme tabulek
v databázi? Jaký je přírůstek dat za poslední měsíc? Které objekty
jsou použity pro plnění této tabulky?)
› Ale i komplexnější otázky (které procesy způsobují peak CPU
při ranním zpracování? které objekty jsou svázány s posledním
deploymentem? Kdo provedl otestování konkrétního balíku, který
způsobil incident při zpracování)
16. 16
Metadata jsou asset
› Metadata tvoří informační aktivum které definuje BI řešení
v jeho
– reusability – schopnost přepoužitelnosti komponent pro nová řešení
– sustainability – udržitelnost a rozvíjitelnost řešení
– manageability – řiditelnost řešení jako celku nebo i dílčích komponent
– interoperability – schopnost propojit různé komponenty informačního
ekosystému společnosti
› Metadata pomáhají dokumentovat jednotlivé části datového
skladu a tím výrazně zvyšují analytickou sílu
› Typologie a taxonomie metadat se vždy adaptuje na konkrétní
řešení a nejsou univerzálně přenositelná mezi různými
řešeními
17. 17
Příklad taxonomie metadat
Data Quality
Business
Structural
metadata
Technical
› Implementation
Artefacts
› Jobs & Orchestration
› User management
and Security
› Operation and
Process
› Development
Metadata
› System Monitoring
& Operation
› Audit
Metamodel and
meta-glossary
Referentials
Knowledge
base
Methodology
and Policy
Governance
METADATA
Information Base
18. 18
Jak na metadata
› Zdroje metadat jsou variantní a jejich získání nemusí být vždy
jednoduché
› Občas je nutno sáhnout na nestrukturované zdroje a/nebo
vyvinout komplexnější algoritmus pro extrakci požadovaných
informací, nebo i pořídit externí nástroj
› Jednotlivé typy metadat zpravidla nelze (jednoduše) vzájemně
propojit, integrace do jednoho modelu je tak nesnadná nebo
i nemožná
› Potřeba metadat v čase neustále roste a je skoro přímo úměrná
maturitě řešení
› Proto je nutno myslet na metadatovou architekturu již
v začátcích budování datového skladu
19. 19
Meta MartmDWH
Metadata
sources
Architektura metadatových skladů
Standardní DWH řešení
Stage / Data Lake DWH Core Data Mart
Architektura metadatových řešení
Data Load Data Integration Data Usage
Ingest Metadata Organize Metadata Consume Metadata
20. 20
Příklady z praxe
› Modelovací nástroj – PowerDesigner
– modely jsou registrovány do centrálního repozitory, odkud jsou
extrahovány do Metadata DWH, je zde uložen jak AS-IS stav, tak
i plánovaný TO-BE stav
– na základě důkladného dodržování mapování mezi modely lze stejná
metadata použít i pro Data Lineage
› ETL procesy – použita Informatica PwC v kombinaci Push-
down SQL skripty
– Informatica má svoje repozitory, které lze strojově vytěžovat, sledují
se jak definice ETL procesů, tak i vývojový cyklus ETL komponent od
vývoje, přes testy až po nasazení na produkci
– pro rozbor procesů v SQL skriptech se používá Manta
– veškerá metadata se opět ukládají do Metadata DWH, lze tak sledovat
kompletní datovou lineage, přes několik heterogenních prostředí
– repozitory se využívá i pro vytěžování operativních informací o běžících
procesech, jejich stavu i výsledku
21. 21
Příklady z praxe
› Datový sklad – Teradata
– stahují se informace o jednotlivých objektech, lze tak srovnat
modelovaný a skutečný stav a sledovat rozdíly
– sledují se kompletní informace o uživatelích a jejich rolích, metadata
jsou obohacena z HR systému o informace o zaměstnancích,
organizační struktuře, dále z AD o systémových vlastnostech uživatelů,
některá práva tak lze generovat automaticky nebo je i automaticky
odebírat
– z účetního systému se stahují data o nákladových střediscích, lze
propojit uživatele (fyzické i technické) na tyto střediska
– sledují se atributy o provozu Teradaty, vytížení zdrojů a na základě
propojení s ETL procesy lze vysledovat, který proces kolik zdrojů
spotřebovává
– propojením uživatelských a procesních informací lze alokovat přímé
náklady na provoz na jednotlivá nákladová střediska, nepřímé náklady
se rozpočítávají dle alokačních klíčů
22. 22
Příklady z praxe
› Project/Task Management – JIRA/Confluence
– lze extrahovat data pomocí vystavěných API (systém je naprogramován
v JAVA), je ale nutná znalost modelu JIRA a způsobu implementace
v dané společnosti
– extrahují se data o projektech a o projektových teamech, můžou se tak
kontrolovat, zda jsou správně přiřazené projektové role v DWH, stejně
tak se sleduje progres na projektech, kritické tasky, nebo blockery
– ETL nástroj automaticky generuje incidenty do JIRA, sleduje se
zpracování incidentů, zaznamenává se příčina incidentu a vyhodnocuje
se, zda jde o problém, nebo taky se sleduje kvalita dodávek
› Další příklady z praxe
– SLA aplikace
– DQM systém a DQ reporting
23. 23
Obecné principy pro metadata
› Do sběru metadat by měla být ideálně zapojena každá komponenta
datového skladu. Při zapojení nové komponenty dopředu stanovte,
jakým způsobem budou metadata sbírána
› Snažte se definovat a rozvíjet metamodel, včetně metadatové
sémantiky. Vyžadujte, aby se metadata sbírala v souladu s tímto
metamodelem
› Pro zajištění vyšší integrovatelnosti metadat aplikujte pravidla
masteringu metadat. Každá meta-informace musí být unikátně
identifikovatelná uvnitř řešení
› Nezapomeňte sdílet metadata uvnitř i vně BI teamu
› Metadatové řešení musí být dynamicky rozvíjitelné. Připravte se na
nárůst uživatelů, zdrojů, nových typů metadat i sledovaných metrik.
› I na metadata se aplikují pravidla Data Quality
› Metadatové metriky pravidelně monitorujte a vyhodnocujte. Pomůže
to zajistit spolehlivost celého řešení a zvyšovat kvalitu dodávek
24. Nástroje a postupy
k odchytu metadat, jejich
skladování a průmyslové
využití
Ondřej Zýka
25. 25
Metadata DWH – Profinit approach
› Metadata nástroje
› Systémy zpracovávající metadata
› Přínosy Metadata DWH
› Metadata DWH klíčové body řešení
› Zkušensoti firmy Profinit
Metadatový sklad
Metadata
Table
Column
System
Report
Business term
Process
Organization
Application
META-METADATA
29. 29
Meta datový potravní řetězec
Dohledové
systémy
PM
nástroje
Model
repository
Architektury
Přepisy,
slovník
Konfigurační
databáze
Reporting
Analýzy
Datová
kvalita
MDM Integrace
DWH
Jednotný model
Kompletní historie
Integrovaná data
Governance – pravidla, organizační struktura, procesy
30. 30
Přínosy skladu metadat
Stejné jako u datových skladů:
› Udržování a čištění hlavních entit
› Zvýšení datové kvality
› Meta data model
› Historizace
› Globální reporting
› Globální analýzy
› Byznys pohled na detail
31. 31
Metadata DWH
Klíčové body řešení:
› Jak definovat požadavky
› Jaká data spravovat v datovém skladu
› Kdo to zaplatí
› Jaký bude governance model pro datový sklad
› Jaký bude model meta dat
35. 35
Zkušenosti firmy Profinit
› Neexistují univerzální nástroje a řešení
– Výsledek musí být na míru zákazníka – technologie, procesy i obsah.
– Řešení musí být vlastněno zákazníkem.
› Máme zkušenosti s modelováním metadat
– Manta, data_frame, projekty u zákazníků
– Archimate jako referenční model, z kterého se dá vycházet. Máme
certifikované konzultanty.
› Budujeme datové sklady
– Máme metodiku model driven přístupu na generování hlavních
komponent
– Máme zkušené analytiky i vývojáře
36. Profinit EU, s.r.o.
Tychonova 2, 160 00 Praha 6 | Telefon + 420 224 316 016
Web
www.profinit.eu
LinkedIn
linkedin.com/company/profinit
Twitter
twitter.com/Profinit_EU
Facebook
facebook.com/Profinit.EU
Youtube
Profinit EU
Děkujeme
za pozornost