Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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
Vélemények (3)
All the examples used and the lecturing style was on point even for a begginer i was able to understand and the training was so patient and always willing to go extra mile when in need of assistance.
Mathipa Chepape - Vodacom
Kurzus - Big Data Business Intelligence for Telecom and Communication Service Providers
All the examples used and the lecturing style was on point even for a begginer i was able to understand and the training was so patient and always willing to go extra mile when in need of assistance.
Mathipa Chepape - Vodacom
Kurzus - Big Data Business Intelligence for Telecom and Communication Service Providers
Understanding big data beter