Big Data Business Intelligence dla Telecom i dostawców usług komunikacyjnych

- Plan Szkolenia

Podział tematów na poszczególne dni: (Każda sesja trwa 2 godziny)

Dzień-1: Sesja -1: Business Przegląd powodów Big Data Business Inteligencja w Telco.

• Studia przypadków z T-Mobile, Verizon itp.
• Big Data wskaźnik adaptacji w North American Telco oraz sposób, w jaki dostosowują swój przyszły model biznesowy i działanie do Big Data BI
• Szeroki obszar zastosowań
• Zarządzanie siecią i usługami
• Odpływ klientów Management
• Data Integration & Wizualizacja dashboardu
• Zarządzanie oszustwami
• Business Generowanie reguł
• Profilowanie klientów
• Zlokalizowane wypychanie reklam

Dzień-1: Sesja-2: Wprowadzenie do Big Data-1

• Główne cechy Big Data – objętość, różnorodność, prędkość i prawdziwość. Architektura MPP zapewniająca głośność.
• Data Warehouses – schemat statyczny, wolno ewoluujący zbiór danych
• MPP Database, takie jak Greenplum, Exadata, Teradata, Netezza, Vertica itp.
• Hadoop Rozwiązania oparte – brak warunków dotyczących struktury zbioru danych.
• Typowy wzorzec: HDFS, MapReduce (crunch), pobierz z HDFS
• Wsadowe – odpowiednie do zastosowań analitycznych/nieinteraktywnych
• Wolumen: Dane przesyłane strumieniowo CEP
• Typowe wybory – produkty CEP (np. Infostreams, Apama, MarkLogic itp.)
• Mniej gotowości produkcyjnej – Storm/S4
• NoSQL Database s – (kolumnowe i klucz-wartość): Najlepiej nadaje się jako dodatek analityczny do hurtowni/bazy danych

Dzień-1: Sesja -3: Wprowadzenie do Big Data-2

NoSQL rozwiązania

• Sklep KV - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• Sklep KV — Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• Sklep KV (hierarchiczny) - GT.m, pamięć podręczna
• Sklep KV (zamówiony) — TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• Pamięć podręczna KV - Memcached, Repcached, spójność, Infinispan, EXtremeScale, JBoss pamięć podręczna, prędkość, Terracoqua
• Sklep Tuple — Gigaspaces, Coord, Apache River
• Obiekt Database - ZopeDB, DB40, Shoal
• Magazyn dokumentów — CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML–Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Szeroki sklep kolumnowy - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Odmiany danych: Wprowadzenie do Data Cleaning wydanie w Big Data

• RDBMS – statyczna struktura/schemat, nie promuje zwinnego, eksploracyjnego środowiska.
• NoSQL – półstrukturalna, wystarczająca struktura do przechowywania danych bez dokładnego schematu przed zapisaniem danych
• Problemy z czyszczeniem danych

Dzień-1: Sesja-4: Big Data Wprowadzenie-3: Hadoop

• Kiedy wybrać Hadoop?
• STRUKTURALNE — hurtownie/bazy danych przedsiębiorstwa mogą przechowywać ogromne ilości danych (za opłatą), ale narzucają strukturę (nie nadają się do aktywnej eksploracji)
• Dane PÓŁSTRUKTURYZOWANE – trudne do wykonania w przypadku tradycyjnych rozwiązań (DW/DB)
• Magazynowanie danych = OGROMNY wysiłek i statyka nawet po wdrożeniu
• Różnorodność i ilość danych przetwarzanych na standardowym sprzęcie – HADOOP
• Towar sprzętowy potrzebny do utworzenia Hadoop klastra

Wprowadzenie do Map Redukuj /HDFS

• MapReduce – dystrybuuj przetwarzanie na wielu serwerach
• HDFS – udostępnianie danych lokalnie dla procesu obliczeniowego (z redundancją)
• Dane – mogą być nieustrukturyzowane/bez schematu (w przeciwieństwie do RDBMS)
• Odpowiedzialność programisty za zrozumienie danych
• Programming MapReduce = praca z Java (zalety/wady), ręczne ładowanie danych do HDFS

Dzień 2: Sesja 1.1: Spark: rozproszona baza danych w pamięci

• Co to jest przetwarzanie „w pamięci”?
• Iskra SQL
• Zestaw SDK Sparka
• API Sparka
• RDD
• Spark Lib
• Hanna
• Jak przeprowadzić migrację istniejącego Hadoop systemu do Spark

Dzień 2 Sesja -1.2: Burza - Przetwarzanie w czasie rzeczywistym w Big Data

• Strumienie
• Kiełki
• Śruby
• Topologie

Dzień-2: Sesja-2: Big Data Management System

• Ruchome części, uruchomienie/awaria węzłów obliczeniowych: ZooKeeper — dla usług konfiguracji/koordynacji/nazewnictwa
• Złożony potok/przepływ pracy: Oozie – zarządzaj przepływem pracy, zależnościami, łańcuchem
• Wdrażanie, konfiguracja, zarządzanie klastrami, aktualizacja itp. (administrator sys): Ambari
• W chmurze: Wir
• Ewoluujące Big Data narzędzia platformy do śledzenia
• Problemy z aplikacją warstwy ETL

Dzień-2: Sesja-3: Analityka predykcyjna w Business Inteligencja -1: Podstawowe techniki i BI oparte na uczeniu maszynowym:

• Wprowadzenie do uczenia maszynowego
• Nauka technik klasyfikacji
• Plik szkoleniowy umożliwiający przygotowanie prognozy Bayesa
• Pole losowe Markowa
• Uczenie się pod nadzorem i bez nadzoru
• Ekstrakcja cech
• Maszyna wektorów nośnych
• Sieć neuronowa
• Uczenie się przez wzmacnianie
• Big Data problem z dużą zmienną - Losowy las (RF)
• Uczenie się reprezentacji
• Głęboka nauka
• Big Data Problem automatyzacji – zespół wielomodelowy RF
• Automatyzacja poprzez Soft10-M
• LDA i modelowanie tematyczne
• Agile nauka
• Uczenie się w oparciu o agenta – przykład z operacji Telco
• Uczenie rozproszone – przykład z operacji Telco
• Wprowadzenie do narzędzi open source do analityki predykcyjnej: R, Rapidminer, Mahut
• Bardziej skalowalne laboratorium analityczne Apache Hama, Spark i CMU Graph

Dzień-2: Sesja-4 Ekosystem analityki predykcyjnej-2: Typowe problemy z analityką predykcyjną w Telecom

• Analiza wglądu
• Analiza wizualizacji
• Ustrukturyzowana analiza predykcyjna
• Nieustrukturyzowana analiza predykcyjna
• Profilowanie klientów
• Silnik rekomendacji
• Wykrywanie wzorców
• Odkrywanie reguł/scenariuszy – porażka, oszustwo, optymalizacja
• Odkrycie przyczyny źródłowej
• Analiza sentymentów
• Analityk CRM
• Analityka sieciowa
• Analityka tekstu
• Przegląd wspomagany technologią
• Analiza oszustw
• Analityka w czasie rzeczywistym

Dzień-3: Sesja-1: Analityka działania sieci – analiza głównych przyczyn awarii sieci, przerw w świadczeniu usług z powodu metadanych, IPDR i CRM:

• Użycie procesora
• Zużycie pamięci
• Wykorzystanie kolejki QoS
• Temperatura urządzenia
• Błąd interfejsu
• Wersje iOS
• Zdarzenia routingu
• Różnice w opóźnieniu
• Analityka syslogu
• Utrata pakietów
• Symulacja obciążenia
• Wnioskowanie o topologii
• Próg wydajności
• Pułapki na urządzenia
• Zbieranie i przetwarzanie IPDR (szczegółowy zapis IP).
• Wykorzystanie danych IPDR do wykorzystania przepustowości abonenta, wykorzystania interfejsu sieciowego, stanu modemu i diagnostyki
• Informacje o HFC

Dzień-3: Sesja-2: Narzędzia do analizy awarii usług sieciowych:

• Panel podsumowania sieci: monitoruj ogólne wdrożenia sieci i śledź kluczowe wskaźniki wydajności swojej organizacji
• Pulpit analizy okresu szczytu: poznaj trendy aplikacji i abonentów wpływające na szczytowe wykorzystanie, ze szczegółowością specyficzną dla lokalizacji
• Panel wydajności routingu: kontroluj koszty sieci i twórz uzasadnienia biznesowe dla projektów kapitałowych, mając pełne zrozumienie relacji wzajemnych i tranzytowych
• Panel rozrywki w czasie rzeczywistym: ważne wskaźniki dostępu, w tym wyświetlenia wideo, czas trwania i jakość wideo (QoE)
• Panel przejścia IPv6: sprawdź bieżące wdrażanie protokołu IPv6 w swojej sieci i uzyskaj wgląd w aplikacje i urządzenia wpływające na trendy
• Studium przypadku-1: Eksplorator danych Alcatel-Lucent Big Network Analytics (BNA).
• Wielowymiarowa inteligencja mobilna (m.IQ6)

Dzień 3: Sesja 3: Big Data BI dla Marketing/Sprzedaż – Zrozumienie sprzedaży/marketingu na podstawie danych sprzedażowych: (Wszystkie zostaną pokazane w demonstracji analizy predykcyjnej na żywo)

• Aby zidentyfikować klientów o największej prędkości
• Identyfikacja klientów dla danych produktów
• Identyfikacja odpowiedniego zestawu produktów dla klienta (silnik rekomendacji)
• Technika segmentacji rynku
• Technika sprzedaży krzyżowej i dodatkowej
• Technika segmentacji klientów
• Technika prognozowania przychodów ze sprzedaży

Dzień 3: Sesja 4: BI potrzebny do biura dyrektora finansowego Telco:

• Przegląd Business Prac analitycznych potrzebnych w biurze dyrektora finansowego
• Analiza ryzyka nowej inwestycji
• Przychody, prognozowanie zysków
• Prognozowanie pozyskiwania nowych klientów
• Prognozowanie strat
• Analiza oszustw w finansach (szczegóły w następnej sesji)

Dzień-4: Sesja-1: BI z zakresu zapobiegania oszustwom z Big Data w analizie nadużyć telekomunikacyjnych:

• Wyciek przepustowości/oszustwo związane z przepustowością
• Oszustwo dostawcy/nadmierne pobieranie opłat za projekty
• Oszustwa dotyczące zwrotów pieniędzy/roszczeń klientów
• Oszustwa związane ze zwrotem kosztów podróży

Dzień 4: Sesja 2: Od przewidywania rezygnacji do zapobiegania rezygnacji:

• 3 rodzaje odejść: aktywne/celowe, rotacyjne/przypadkowe, pasywne mimowolne
• 3 klasyfikacja klientów, którzy odeszli: całkowita, ukryta, częściowa
• Zrozumienie zmiennych CRM związanych z rezygnacją
• Zbieranie danych o zachowaniu klientów
• Gromadzenie danych o postrzeganiu klientów
• Gromadzenie danych demograficznych klientów
• Czyszczenie danych CRM
• Nieustrukturyzowane dane CRM (rozmowy z klientami, zgłoszenia, e-maile) i ich konwersja na dane strukturalne na potrzeby analizy Churn
• Social Media CRM – nowy sposób na wyodrębnienie wskaźnika satysfakcji klienta
• Studium przypadku-1: T-Mobile USA: Redukcja rezygnacji o 50%

Dzień-4: Sesja-3: Jak wykorzystać analizę predykcyjną do analizy pierwotnych przyczyn niezadowolenia klientów:

• Studium przypadku -1: Powiązanie niezadowolenia z problemami – księgowość, awarie inżynieryjne, takie jak przerwy w świadczeniu usług, słaba przepustowość usługi
• Studium przypadku-2: Big Data Panel kontroli jakości umożliwiający śledzenie wskaźnika zadowolenia klienta na podstawie różnych parametrów, takich jak eskalacja połączeń, krytyczność problemów, oczekujące zdarzenia związane z przerwami w świadczeniu usług itp.

Dzień-4: Sesja-4: Big Data Panel zapewniający szybki dostęp do różnorodnych danych i wyświetlaczy:

• Integracja istniejącej platformy aplikacyjnej z Big Data Dashboardem
• Big Data zarządzanie
• Studium przypadku Big Data Panelu: Tableau i Pentaho
• Użyj aplikacji Big Data, aby przesyłać reklamy oparte na lokalizacji
• System śledzenia i zarządzanie

Dzień-5: Sesja-1: Jak uzasadnić Big Data wdrożenie BI w organizacji:

• Zdefiniowanie ROI dla wdrożenia Big Data.
• Studia przypadków oszczędzające czas analityka na gromadzenie i przygotowanie danych – wzrost wydajności
• Studia przypadków wzrostu przychodów w wyniku odejścia klientów
• Zyski z reklam opartych na lokalizacji i innych reklam ukierunkowanych
• Zintegrowana metoda arkusza kalkulacyjnego pozwala obliczyć ok. wydatek a przychody/oszczędności wynikające z wdrożenia Big Data.

Dzień-5: Sesja-2: Procedura krok po kroku w celu zastąpienia starszego systemu danych na Big Data System:

• Zrozumienie praktyczne Big Data Mapa drogowa migracji
• Jakie są ważne informacje potrzebne przed zaprojektowaniem Big Data wdrożenia
• Jakie są różne sposoby obliczania objętości, prędkości, różnorodności i prawdziwości danych?
• Jak oszacować przyrost danych
• Studia przypadków w 2 Telco

Dzień 5: Sesja 3 i 4: Przegląd Big Data dostawców i recenzja ich produktów. Sesja pytań i odpowiedzi:

• AccentureAlcatel-Lucent
• Amazonka – A9
• APTEAN (dawniej CDC Software)
• Cisco Systemy
• Chmura
• Dell
• EMC
• GoOdData Corporation
• Guavus
• Systemy danych Hitachi
• Hortonworks
• Huaweia
• HP
• IBM-a
• Informatyka
• Intel
• Jaspersoft
• Microsoft
• MongoDB (dawniej 10Gen)
• MU Sigma
• Netapp
• Rozwiązania Opery
• Oracle
• Pentaho
• Platforma
• Qliktech
• Kwant
• Miejsce na stojaki
• Analityka rewolucji
• Salesforce
• SAP
• SAS Instytut
• Sisense
• Oprogramowanie AG/Terakota
• Automatyzacja Soft10
• Splunk
• Sqrl
• Supermikro
• Tableau Oprogramowanie
• Teradata
• Pomyśl o wielkich analizach
• Systemy Tidemark
• VMware (Część EMC)