Kurzusleírás

Témák napi bontása: (Minden foglalkozás 2 órás)

1. nap: -1. munkamenet: Business A miértek áttekintése Big Data Business Intelligence in Telco.

  • Esettanulmányok a T-Mobile-tól, a Verizon-tól stb.
  • Big Data alkalmazkodási arány az észak-amerikai telco-nál és hogyan igazítják jövőbeli üzleti modelljüket és működésüket a Big Data BI köré
  • Széles körű alkalmazási terület
  • Hálózat és szolgáltatás menedzsment
  • Ügyfél lemorzsolódás Management
  • Data Integration és az irányítópult megjelenítése
  • Csaláskezelés
  • Business Szabálygenerálás
  • Ügyfélprofilalkotás
  • Lokalizált hirdetés leküldése

1. nap: Session-2 : A Big Data-1 bemutatása

  • A Big Data fő jellemzői a térfogat, a változatosság, a sebesség és a hitelesség. MPP architektúra a kötethez.
  • Data Warehouses – statikus séma, lassan fejlődő adatkészlet
  • MPP Database, mint a Greenplum, Exadata, Teradata, Netezza, Vertica stb.
  • Hadoop Based Solutions – nincs feltétel az adatkészlet szerkezetére vonatkozóan.
  • Tipikus minta: HDFS, MapReduce (crunch), visszakeresés a HDFS-ből
  • Batch- alkalmas elemző/nem interaktív
  • Hangerő: CEP streaming adatok
  • Tipikus választások – CEP termékek (pl. Infostreams, Apama, MarkLogic stb.)
  • Kevesebb gyártásra kész – Storm/S4
  • NoSQL Databases – (oszlop és kulcsérték): A legalkalmasabb az adattárház/adatbázis elemző kiegészítőjeként

1. nap: -3. foglalkozás: Bevezetés a Big Data-2

NoSQL megoldások

  • KV Store – Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
  • KV Store - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
  • KV Store (hierarchikus) - GT.m, gyorsítótár
  • KV Store (megrendelve) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
  • KV gyorsítótár - Memcached, újragyorsított, koherencia, végtelen, EXtremeScale, JBoss gyorsítótár, sebesség, terracoqua
  • Tuple Store - Gigaspaces, Coord, Apache River
  • Database objektum – ZopeDB, DB40, Shoal
  • Dokumentumtár - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
  • Wide Columnar Store – BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Változatos adatok: Bevezetés a Data Cleaning kiadáshoz a Big Data-ban

  • RDBMS – statikus szerkezet/séma, nem segíti elő az agilis, felfedező környezetet.
  • NoSQL – félig strukturált, elegendő struktúra az adatok pontos séma nélküli tárolására az adatok tárolása előtt
  • Adattisztítási problémák

1. nap : 4. foglalkozás: Big Data Bevezetés-3 : Hadoop

  • Mikor válassza ki a Hadoop-t?
  • STRUKTURÁLT – A vállalati adattárházak/adatbázisok hatalmas mennyiségű adat tárolására képesek (áron), de struktúrát szabnak meg (nem jó az aktív feltáráshoz)
  • FÉLSZERKEZETT adatok – nehéz megcsinálni a hagyományos megoldásokkal (DW/DB)
  • Raktári adatok = HATALMAS erőfeszítés és statikus még a megvalósítás után is
  • Az adatok sokféleségéért és mennyiségéért, árucikk hardveren – HADOOP
  • A H/W árucikk szükséges egy Hadoop fürt létrehozásához

A Map Reduce /HDFS bemutatása

  • MapReduce – a számítástechnika elosztása több szerveren
  • HDFS – az adatokat helyileg elérhetővé teszi a számítási folyamat számára (redundanciával)
  • Adatok – lehetnek strukturálatlanok/séma nélküliek (ellentétben az RDBMS-szel)
  • A fejlesztő felelőssége az adatok értelmezésében
  • Programming MapReduce = munka a Java-el (előnyök/hátrányok), adatok manuális betöltése HDFS-be

2. nap: Session-1.1: Spark: Memóriában elosztott adatbázis

  • Mi az a „memóriában” feldolgozás?
  • Spark SQL
  • Spark SDK
  • Spark API
  • RDD
  • Spark Lib
  • Hanna
  • Meglévő Hadoop rendszer áttelepítése a Sparkba

2. nap munkamenet -1.2: Vihar - Valós idejű feldolgozás a Big Data-ban

  • Streamek
  • Csírák
  • Csavarok
  • Topológiák

2. nap: 2. munkamenet: Big Data Management Rendszer

  • Mozgó alkatrészek, számítási csomópontok indítása/hiba :ZooKeeper - Konfigurációs/koordinációs/elnevezési szolgáltatásokhoz
  • Összetett folyamat/munkafolyamat: Oozie – kezelheti a munkafolyamatot, a függőségeket, a láncszemeket
  • Telepítés, konfigurálás, fürtkezelés, frissítés stb (rendszergazda) :Ambari
  • Felhőben: Whirr
  • Fejlődő Big Data platform eszközök a követéshez
  • ETL réteg alkalmazási problémák

2. nap: 3. munkamenet: Prediktív elemzés a Business Intelligenciában -1: Alapvető technikák és gépi tanulás alapú BI :

  • Bevezetés a gépi tanulásba
  • Osztályozási technikák elsajátítása
  • Bayes-predikciót előkészítő képzési fájl
  • Markov véletlenszerű mező
  • Felügyelt és felügyelet nélküli tanulás
  • Funkció kivonás
  • Támogatja a Vector gépet
  • Neurális hálózat
  • Megerősítő tanulás
  • Big Data nagy változós probléma - Véletlenszerű erdő (RF)
  • Reprezentációs tanulás
  • Mély tanulás
  • Big Data Automatizálási probléma – Multi-model ensemble RF
  • Automatizálás a Soft10-M-en keresztül
  • LDA és témamodellezés
  • Agile tanulás
  • Ügynök alapú tanulás - Példa a Telco működéséből
  • Elosztott tanulás – Példa a Telco működéséből
  • Bevezetés a nyílt forráskódú prediktív elemzési eszközökbe: R, Rapidminer, Mahut
  • Skálázhatóbb Analytic-Apache Hama, Spark és CMU Graph labor

2. nap: Session-4 Prediktív analitikai ökoszisztéma-2: Gyakori prediktív analitikai problémák a következőben: Telecom

  • Insight analitika
  • Vizualizációs elemzés
  • Strukturált prediktív analitika
  • Strukturálatlan prediktív analitika
  • Ügyfélprofilalkotás
  • Ajánlás Motor
  • Mintaészlelés
  • Szabály/forgatókönyv felfedezése – kudarc, csalás, optimalizálás
  • A kiváltó ok feltárása
  • Érzelemelemzés
  • CRM-elemző
  • Hálózati elemzés
  • Szövegelemzés
  • Technológiával támogatott felülvizsgálat
  • Csaláselemző
  • Valós idejű elemző

3. nap: 1. munkamenet: Hálózati működés elemzése – hálózati hibák, szolgáltatásmegszakítások metaadatokból, IPDR-ből és CRM-ből eredő okok elemzése:

  • CPU-használat
  • Memóriahasználat
  • QoS sorhasználat
  • Eszköz hőmérséklete
  • Interfész hiba
  • IoS verziók
  • Útvonali események
  • A késleltetési idő eltérései
  • Syslog analytics
  • Csomagvesztés
  • Terhelési szimuláció
  • Topológia következtetés
  • Teljesítményküszöb
  • Készülékcsapdák
  • IPDR (IP részletes rekord) gyűjtése és feldolgozása
  • IPDR adatok felhasználása az előfizetői sávszélesség-felhasználáshoz, a hálózati interfész használatához, a modem állapotához és a diagnosztikához
  • HFC információ

3. nap: 2. munkamenet: Eszközök a hálózati szolgáltatáshiba elemzéséhez:

  • Hálózati összefoglaló irányítópult: nyomon követheti az általános hálózati telepítéseket, és nyomon követheti szervezete fő teljesítménymutatóit
  • Csúcsidőszakelemzési irányítópult: ismerje meg a csúcskihasználást eredményező alkalmazás- és előfizetői trendeket, helyspecifikus részletességgel
  • Útválasztási hatékonysági irányítópult: szabályozza a hálózati költségeket és építsen üzleti eseteket tőkeprojektekhez az összekapcsolási és tranzitkapcsolatok teljes megértésével
  • Valós idejű szórakoztatási irányítópult: elérheti a fontos mérőszámokat, beleértve a videómegtekintéseket, az időtartamot és az élmény videóminőségét (QoE)
  • IPv6 Transition Dashboard: vizsgálja meg az IPv6 folyamatban lévő bevezetését a hálózaton, és nyerjen betekintést a trendeket vezető alkalmazásokba és eszközökbe
  • 1. esettanulmány: Az Alcatel-Lucent Big Network Analytics (BNA) adatbányász
  • Többdimenziós mobil intelligencia (m.IQ6)

3. nap : 3. munkamenet: Big Data BI a Marketing-hoz/Értékesítés – Értékesítés/marketing megértése az értékesítési adatokból: (Mindegyik élő prediktív elemző demóval jelenik meg)

  • A legnagyobb sebességű ügyfelek azonosítása
  • Ügyfelek azonosítása egy adott termékhez
  • A megfelelő termékkészlet azonosítása az ügyfél számára (ajánlási motor)
  • Piacszegmentációs technika
  • Cross-Sale és upsale technika
  • Ügyfélszegmentációs technika
  • Árbevétel-előrejelzési technika

3. nap: 4. munkamenet: BI szükséges a Telco CFO irodájához:

  • A Business pénzügyi igazgatóirodában szükséges analitikai munkák áttekintése
  • Új befektetés kockázatelemzése
  • Bevétel, profit előrejelzés
  • Új ügyfélszerzés előrejelzése
  • Veszteség-előrejelzés
  • Pénzügyi csaláselemzés ( részletek a következő ülésen )

4. nap: 1. munkamenet: Csalásmegelőzési BI Big Data-tól a Telco-Fraud Analytic-ban:

  • Sávszélesség-szivárgás / Sávszélesség-csalás
  • Szállítói csalás/projektek túlterhelése
  • Ügyfél-visszatérítés/csalási követelések
  • Utazási költségtérítési csalások

4. nap: 2. munkamenet: A lemorzsolódás előrejelzésétől a lemorzsolódás megelőzéséig:

  • 3 típusú lemorzsolódás: aktív/szándékos, forgó/véletlen, passzív akaratlan
  • 3 besorolása a visszatartott ügyfeleknek: Teljes, Rejtett, Részleges
  • A churn CRM-változóinak megértése
  • Ügyfélviselkedési adatgyűjtés
  • Ügyfélérzékelési adatgyűjtés
  • Ügyféldemográfiai adatok gyűjtése
  • CRM adatok tisztítása
  • Strukturálatlan CRM-adatok (ügyfélhívások, jegyek, e-mailek) és ezek konvertálása strukturált adatokká a Churn elemzéshez
  • Social Media A CRM új módja az ügyfél-elégedettségi index kinyerésének
  • 1. esettanulmány: T-Mobile USA: Lemorzsolódás 50%-kal

4. nap : 3. munkamenet: A prediktív elemzés használata az ügyfelek elégedetlenségének kiváltó okainak elemzésére:

  • 1. esettanulmány: Az elégedetlenség összekapcsolása a problémákkal – könyvelés, mérnöki hibák, például szolgáltatáskimaradás, gyenge sávszélesség-szolgáltatás
  • 2. esettanulmány: Big Data Minőségbiztosítási irányítópult az ügyfél-elégedettségi index nyomon követésére különféle paraméterek alapján, mint például a hívások eszkalációja, a problémák kritikussága, a függőben lévő szolgáltatáskimaradási események stb.

4. nap: 4. munkamenet: Big Data Irányítópult a különféle adatok és megjelenítések gyors eléréséhez:

  • Meglévő alkalmazásplatform integrálása Big Data Dashboard-tal
  • Big Data menedzsment
  • Esettanulmány a Big Data irányítópultról: Tableau és Pentaho
  • Használja a Big Data alkalmazást a helyalapú hirdetés megjelenítéséhez
  • Nyomon követési rendszer és menedzsment

5. nap : 1. munkamenet: Hogyan igazoljuk Big Data a BI bevezetését egy szervezeten belül:

  • ROI meghatározása Big Data megvalósításhoz
  • Esettanulmányok az elemzői idő megtakarítására az adatok gyűjtésére és előkészítésére – a termelékenység növekedése
  • Esettanulmányok az ügyfelek lemorzsolódásából származó bevételszerzésről
  • Bevételnyereség a helyalapú és egyéb célzott hirdetésekből
  • Integrált táblázatkezelő módszerrel kb. kiadás vs. bevételnyereség/megtakarítás a Big Data megvalósításból.

5. nap: 2. munkamenet: Lépésről lépésre az örökölt adatrendszer Big Data-ra való cseréje. Rendszer:

  • A gyakorlati Big Data Migrációs ütemterv megértése
  • Milyen fontos információkra van szükség egy Big Data megvalósítás megtervezése előtt
  • Milyen módszerekkel lehet kiszámítani az adatok mennyiségét, sebességét, változatosságát és valódiságát?
  • Hogyan becsüljük meg az adatnövekedést
  • Esettanulmányok a 2 Telco-ban

5. nap: 3. és 4. munkamenet: Big Data szállítók áttekintése és termékeik áttekintése. Q/A munkamenet:

  • AccentureAlcatel-Lucent
  • Amazon –A9
  • APTEAN (korábban CDC szoftver)
  • Cisco Rendszerek
  • Cloudera
  • Dell
  • EMC
  • GoodData Corporation
  • Guavus
  • Hitachi Data Systems
  • Hortonworks
  • Huawei
  • HP
  • IBM
  • Informatika
  • Intel
  • Jaspersoft
  • Microsoft
  • MongoDB (Korábban 10Gen)
  • MU Sigma
  • Netapp
  • Opera megoldások
  • Oracle
  • Pentaho
  • Platfora
  • Qliktech
  • Kvantum
  • Rackspace
  • Revolution Analytics
  • Salesforce
  • SAP
  • SAS Intézet
  • Sisense
  • Szoftver AG/Terracotta
  • Soft10 automatizálás
  • Splunk
  • Sqrrl
  • Supermicro
  • Tableau Szoftver
  • Teradata
  • Gondoljon a Big Analyticsre
  • Tidemark rendszerek
  • VMware (Az EMC része)

Követelmények

  • Alapvető ismeretekkel kell rendelkeznie az üzleti működésről és az adatrendszerekről a Telecom szakterületén
  • Alapvető ismeretekkel kell rendelkeznie az SQL/Oracle vagy a relációs adatbázis kezelésében
  • Statisztikai alapismeretek (Excel szinten)
  35 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.

Ár per résztvevő
Open Training Courses require 5+ participants.

Vélemények (3)

Rokon tanfolyam

Rokon kategóriák