Big Data Business Intelligence for Telecom & Communication Service Providers

• Powinien posiadać podstawową wiedzę na temat operacji biznesowych i systemów danych w Telecom w swojej domenie
.
• Musi posiadać podstawową znajomość SQL/Oracle lub relacyjnej bazy danych
• Podstawowa znajomość statystyki (na poziomie Excela)

Przegląd

Communication Dostawcy usług (CSP) stoją w obliczu presji na redukcję kosztów i maksymalizację średniego przychodu na użytkownika (ARPU), przy jednoczesnym zapewnieniu doskonałego doświadczenia klienta, ale ilość danych wciąż rośnie. Globalny ruch danych w sieciach komórkowych będzie rósł w tempie 78% rocznie (CAGR) do 2016 roku, osiągając 10,8 eksabajtów miesięcznie.

W międzyczasie CSP generują duże ilości danych, w tym rejestry szczegółów połączeń (CDR), dane sieciowe i dane klientów. Firmy, które w pełni wykorzystują te dane, zyskują przewagę konkurencyjną. Według niedawnego badania przeprowadzonego przez The Economist Intelligence Unit, firmy, które wykorzystują podejmowanie decyzji w oparciu o dane, cieszą się 5-6% wzrostem produktywności. Jednak 53% firm wykorzystuje tylko połowę swoich cennych danych, a jedna czwarta respondentów zauważyła, że ogromne ilości przydatnych danych pozostają niewykorzystane. Ilość danych jest tak duża, że ich ręczna analiza jest niemożliwa, a większość starszych systemów oprogramowania nie nadąża, przez co cenne dane są odrzucane lub ignorowane.

Dzięki szybkiemu, skalowalnemu oprogramowaniu Big Data & Analytics&rsquo, dostawcy usług CSP mogą wydobywać wszystkie swoje dane w celu podejmowania lepszych decyzji w krótszym czasie. Różne produkty i techniki Big Data zapewniają kompleksową platformę oprogramowania do gromadzenia, przygotowywania, analizowania i prezentowania wniosków z dużych zbiorów danych. Obszary zastosowań obejmują monitorowanie wydajności sieci, wykrywanie oszustw, wykrywanie rezygnacji klientów i analizę ryzyka kredytowego. Produkty Big Data & Analytics skalują się do obsługi terabajtów danych, ale wdrożenie takich narzędzi wymaga nowego rodzaju systemu baz danych opartego na chmurze, takiego jak Hadoop lub masowego procesora obliczeń równoległych (KPU itp.).

Ten kurs na temat Big Data BI dla Telco obejmuje wszystkie pojawiające się nowe obszary, w które CSP inwestują w celu zwiększenia produktywności i otwarcia nowego strumienia przychodów biznesowych. Kurs zapewni pełny 360-stopniowy przegląd Big Data BI w Telco, dzięki czemu decydenci i menedżerowie będą mieli bardzo szeroki i kompleksowy przegląd możliwości Big Data BI w Telco w celu zwiększenia produktywności i przychodów.

Cele kursu

Głównym celem kursu jest wprowadzenie nowych technik analityki biznesowej Big Data w 4 sektorach Telecom biznesu (marketing / sprzedaż, operacje sieciowe, operacje finansowe i zarządzanie relacjami z klientami). Studenci zostaną zapoznani z następującymi zagadnieniami:

• Wprowadzenie do Big Data - czym są 4V (objętość, szybkość, różnorodność i prawdziwość) w Big Data - generowanie, ekstrakcja i zarządzanie z perspektywy Telco
• Czym różni się analityka Big Data od dotychczasowej analityki danych
• Wewnętrzne uzasadnienie Big Data - perspektywa Telco
• Wprowadzenie do ekosystemu Hadoop - znajomość wszystkich narzędzi Hadoop, takich jak Hive, Pig, SPARC – kiedy i jak są one wykorzystywane do rozwiązywania problemów Big Data
• W jaki sposób Big Data są pozyskiwane do analizy w narzędziach analitycznych - w jaki sposób analiza biznesowa może zmniejszyć ból związany z gromadzeniem i analizą danych dzięki zintegrowanemu podejściu do pulpitu nawigacyjnego Hadoop
• Podstawowe wprowadzenie do analityki Insight, analityki wizualizacyjnej i analityki predykcyjnej dla Telco
• Analityka rezygnacji klientów i Big Data - jak analityka Big Data może zmniejszyć rezygnację klientów i niezadowolenie klientów w Telco - studia przypadków
• Analiza awarii sieci i usług na podstawie metadanych sieciowych i IPDR
• Analiza finansowa - oszustwa, marnotrawstwo i szacowanie ROI na podstawie danych sprzedażowych i operacyjnych
• Problem pozyskiwania klientów - marketing docelowy, segmentacja klientów i sprzedaż krzyżowa na podstawie danych sprzedażowych
• Wprowadzenie i podsumowanie wszystkich produktów analitycznych Big Data i ich miejsca w przestrzeni analitycznej Telco
• Podsumowanie - jak krok po kroku wprowadzić Big Data Business Intelligence w swojej organizacji

Docelowi odbiorcy

• Operacje sieciowe, menedżerowie finansowi, menedżerowie CRM i najlepsi menedżerowie IT w biurze Telco CIO.
• Business Analitycy w Telco
• Menedżerowie/analitycy biura CFO
• Menedżerowie operacyjni
• Menedżerowie QA

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)