Date post: | 28-Nov-2014 |
Category: |
Technology |
Upload: | carlos-guerreiro |
View: | 1,290 times |
Download: | 0 times |
Apresentação Corporativa#BecauseDataMatters
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
• Mais que uma empresa de TI, uma empresa quetem como meta a qualidade e gestão dosdados.– Parceira da empresa líder de mercado na Europa em Data
Quality (DQ) UNISERV
– Responsável pela adaptação das ferramentas da Uniservpara Portugal com excelentes resultados
– Parceira da empresa líder em Reference & Master DataManagement (RDM/MDM) ORCHESTRA NETWORKS
– Parceira da empresa líder e pioneira em Data Masking(ILM) CAMOUFLAGE
DataLab… quem somos?
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
1969 1999 2002 2009
Quando nascemos?
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
• Pela execução, provamos o nosso expertise úniconas áreas em que actuamos
• Somos pioneiros, ao trazer para Portugal arepresentação das tecnologias líderes:
• Ajudamos os nossos Clientes e Parceiros colocandoo nosso know-how à disposição destes
DataLab… o que fazemos?
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Os nossos Clientes
2014 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)
2014 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 qualityand 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)
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Data Quality & Customer Data Hub [DQ]
Qualidade de Dados
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Quais os problemas mais comuns em DQ?
Será a 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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Quais os problemas mais comuns em DQ?
Pode não parecer, mas é o mesmo nome!
Resolver IdentidadesSistema 1
Nome José Pereira Silva
Sistema 2
Nome 何塞·佩雷拉·席尔瓦
Sistema 3
Nome ジョゼ·ペレイラ·シルヴァ
Sistema 4
Nome Хосе Сильва Перейра
2014 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
Co
nte
úd
os
loca
is p
ara
23
paí
ses
2014 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
Co
nte
úd
os
glo
bai
s p
ara
24
0 p
aíse
s
2014 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 desoluções de software e serviçosverdadeiramente internacionais paragestão de dados e, através da suavisão GloCal (“Pensar global, agirlocal”) é líder nos países onde temrepresentação.
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
O nosso parceiro tecnológico… em DQ
Entre os seus clientes estão inúmerasempresas de renome nas maisdiversas 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 YvesRocher.
CHALLENGERS LEADERS
VISIONARIESNICHE PLAYERS
Source: Gartner (October 2013)
Informatica
IBM
SAS (DataFlux)
SAP
Trillium
Oracle
Pitney Bowes
Human Inference
Talend Information Builders
Ataccama
X88 Software
Innovative SystemsRedPoint
Datactics
DataMentors
UNISERV
Gartner Magic Quadrant for Data Quality Tools
2014 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
TEC
HN
OLO
GY
Informatica
IBM
SAS (DataFlux)SAP
Trillium
Oracle
UNISERV
Tamanho das bolhas representa o nº de Clientes activos
Portugal Data Quality Landscape
2014 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 qualidadede dados, p.e. ao mudar de endereço
Protect
- Protecção durante a inserção de dados pelo utilizador
- Intervenção do utilizador emcaso de ambiguidade
Ciclo
Qualidade
Dados
2014 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
2014 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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited 19
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
ۤ
2014 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”
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Reference & Master Data Management [MDM]
Gestão de dados de Referência ou Mestre
2014 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: 123Nome: António Silva
ID: 12345Nome: Samsung XTipo: Televisor
Cliente
Produto
ID: 456Cliente: 123Produto: 12345Data: 24-12-2014Qt: 1Preço: 799,00€
ID: 778899Cliente: 123Produto: 12345Compra: 456Data: 25-12-2014Preço: 799,00€Iva: 183,77€
Compra
Factura
Master Data Transactional Data
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
A nossa visão para o MDM
Master DataThingsProducts
Services, Pricing
Physical assets,Real Estate
ReferenceData
Geographies,Regions
OrganizationalStructures
FinancialHierarchies
Codifications
Master DataParties
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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
O que dizem os analistas sobre este tema?
• O único fornecedor de MDM posicionado em ambos osQuadrantes 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» pelaGartner 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 Prémiode Excelência Gartner MDM EMEA em 2013
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Qual a opinião dos analistas?
• 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-fundadoresdesde há 13 anos
Source: Bloor (Agosto 2013)
Kalido
Champions
Bloor Market Overview
Orchestra Networks
InformaticaIBM
SAS
SAP
Oracle
Software AG
Stibo
Teradata
Riversand
VisionWare
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Como é o panorama nesta área?
• Classificado como #1 entre 34 fornecedores de tecnologiaMDM pela “The Information Difference” pelo segundo anoconsecutivo
• Reconhecido como líder em RDM pelo “MDM Institute”
MARKET STRENGTH
TEC
HN
OLO
GY
Informatica
Tamanho das bolhas representa o nº de Clientes globais
Master Data Management Landscape
IBM
Oracle
SAP
StiboSoftware
AG
Orchestra
Networks
Riversand
Kalido
Vision
Ware
Teradata
SAS
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
…e em 2014 já avaliaram o mercado
Source: The Information Difference (May 2014)
2014 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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
BenefíciosAlta reutilização de dados
Uso de "verdadeiras" ferramentas de MDM para a gestão do ciclo de vida dos dados de referência
Redução do investimento emsoluções de hardwarepersonalizadas
Roteamento transparente egarantia de acesso aos dados
Semântica consistente
Estrutura de gestão de dados consistente
Impacto NegócioEliminar o risco de Interpretação
Altos níveis de automatização no suporte a criação, administração egoverno 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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited 30
Insurance
Banking
Manufacturing, CPG, Retail
Engineering & Construction
Referências internacionais
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited 31
Pharma & Cosmetics
Media & Entertainment
Services & Public Sector
Logistics & Transportation
Retail
Referências internacionais
2014 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"
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Data Masking [ILM]
Mascaramento e Subconjuntos de Dados
2014 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 realistaspara 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 €35.0002 456-789-123 01-01-1970 €20.0003 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 €31.5002 456-789-789 12-12-1975 €18.0003 789-123-123 12-12-1975 €27.000
Dados realistas
Base de Dados de Qualidade ou Desenvolvimento
2014 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 estanecessidade de segurança dos dados empresariais em 2002 e que batizaramde “Data Masking”
Reconhecido e respeitado
– Primeira versão comercial do produtoem 2004, sendo um dos primeirossoftware desta área no mercado
– Considerado pela Gartner como“founding fathers of data masking”
2014 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 2013)
Informatica
IBM
Oracle
Grid-Tools
Voltage Security
Dataguise
Axis Technology
Mentis
Epi-UseNet 2000
CAMOUFLAGE
Gartner Magic Quadrant for Data Masking Tools
Compuware
Solix Tech
Privacy Analytics
GreenSQL
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Data Masking – Visão da Bloor
FUNCTIONALITY
BU
SIN
ESS
VA
LUE
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-ToolsCAMOUFLAGE
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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Como abordamos o tema Data Masking?
Discover Mask SubsetDatabase 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
2014 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
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited40
Referências internacionais
2014 Copyright DataLab/ Confidential Information / Distribution Prohibited
Em resumo… as soluções que o vão ajudar!
DataLab…somos a sua referência nestas áreas:
Reference andMaster Data Management
Data Masking& Subsetting
Data Quality& Customer
Data Hub
BECAUSE DATA MATTERSObrigado