Cursos de Inteligencia de Negocios Big Data para Proveedores de Servicios de Comunicaciones y Telecomunicaciones

Desglose de temas diarios: (Cada sesión es de 2 horas)

Día-1: Sesión -1: Visión general del negocio de por qué Big Data Business Intelligence en las telecomunicaciones.

• Estudios de casos de T-Mobile, Verizon, etc.
• Tasa de adaptación de Big Data en las empresas de telecomunicaciones de América del Norte y cómo están alineando su futuro modelo de negocio y operación en torno a Big Data BI
• Área de aplicación a gran escala
• Gestión de redes y servicios
• Abandono de clientes Management
• Integración de datos y visualización de cuadros de mando
• Gestión del fraude
• Generación de reglas de negocio
• Elaboración de perfiles de clientes
• Envío de anuncios localizados

Día-1: Sesión-2 : Introducción de Big Data-1

• Principales características del Big Data: volumen, variedad, velocidad y veracidad. Arquitectura MPP para el volumen.
• Almacenes de datos: esquema estático, conjunto de datos que evoluciona lentamente
• Bases de datos MPP como Greenplum, Exadata, Teradata, Netezza, Vertica, etc.
• Soluciones basadas en Hadoop: no hay condiciones en la estructura del conjunto de datos.
• Patrón típico: HDFS, MapReduce (crunch), recuperar de HDFS
• Por lotes: adecuado para análisis / no interactivo
• Volumen : Datos de transmisión de CEP
• Opciones típicas: productos CEP (por ejemplo, Infostreams, Apama, MarkLogic, etc.)
• Menos producción lista – Storm/S4
• Bases de datos NoSQL (en columnas y clave-valor): Más adecuadas como complemento analítico para el almacén de datos/base de datos

Día-1 : Sesión -3 : Introducción a Big Data-2

NoSQL soluciones

• KV Store - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• Tienda KV - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• Almacén KV (Jerárquico) - GT.m, Caché
• Tienda KV (Ordenada) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• KV Cache - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Tienda de tuplas - Gigaspaces, Coord, Apache River
• Base de datos de objetos: ZopeDB, DB40, Shoal
• Almacén de documentos: CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Amplio almacén en columnas: BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Variedades de datos: Introducción al tema Data Cleaning en Big Data

• RDBMS: estructura/esquema estático, no promueve un entorno ágil y exploratorio.
• NoSQL – semiestructurado, estructura suficiente para almacenar datos sin un esquema exacto antes de almacenar datos
• Problemas de limpieza de datos

Día-1 : Sesión-4 : Introducción a Big Data-3 : Hadoop

• ¿Cuándo seleccionar Hadoop?
• ESTRUCTURADO: los almacenes/bases de datos empresariales pueden almacenar datos masivos (a un costo) pero imponer una estructura (no es bueno para la exploración activa)
• Datos ESTRUCTURADOS SEMI: difíciles de hacer con las soluciones tradicionales (DW/DB)
• Datos de almacenamiento = ENORME esfuerzo y estática incluso después de la implementación
• Para variedad y volumen de datos, procesados en hardware básico – HADOOP
• Commodity H/W necesario para crear un Hadoop clúster

Introducción a Map Reduce /HDFS

• MapReduce: distribuya la informática en varios servidores
• HDFS: hacer que los datos estén disponibles localmente para el proceso informático (con redundancia)
• Datos: pueden ser no estructurados o sin esquema (a diferencia de RDBMS)
• Responsabilidad del desarrollador para dar sentido a los datos
• Programming MapReduce = trabajar con Java (pros/contras), carga manual de datos en HDFS

Día 2: Sesión 1.1: Spark : Base de datos distribuida en memoria

• ¿Qué es el procesamiento "en memoria"?
• Chispa SQL
• Spark SDK
• Spark API
• RDD
• Liberación de chispas
• Hanna
• Cómo migrar un sistema Hadoop existente a Spark

Día-2 Sesión -1.2: Tormenta -Procesamiento en tiempo real en Big Data

• Arroyos
• Brotes
• Pernos
• Topologías

Día-2: Sesión-2: Sistema Big Data Management

• Piezas móviles, nodos de cómputo de inicio/fallo: ZooKeeper: para servicios de configuración/coordinación/nomenclatura
• Canalización/flujo de trabajo complejo: Oozie: gestiona el flujo de trabajo, las dependencias y la conexión en cadena
• Implementar, configurar, administrar clústeres, actualizar, etc. (administrador de sistemas): Ambari
• En la nube : Whirr
• Evolución Big Data de las herramientas de la plataforma para el seguimiento
• Problemas de aplicación de la capa ETL

Día-2: Sesión-3: Analítica predictiva en Business Intelligence -1: Técnicas fundamentales y BI basado en aprendizaje automático:

• Introducción al aprendizaje automático
• Aprendizaje de técnicas de clasificación
• Archivo de entrenamiento de preparación de predicción bayesiana
• Campo aleatorio de Markov
• Aprendizaje supervisado y no supervisado
• Extracción de características
• Máquina de vectores de soporte
• Red neuronal
• Aprendizaje por refuerzo
• Big Data Problema de variable grande -Bosque aleatorio (RF)
• Aprendizaje de la representación
• Aprendizaje profundo
• Big Data Problema de automatización: RF de conjunto multimodelo
• Automatización a través de Soft10-M
• LDA y modelado de temas
• Aprendizaje ágil
• Aprendizaje basado en agentes: ejemplo de operación de telecomunicaciones
• Aprendizaje distribuido: ejemplo de funcionamiento de la empresa de telecomunicaciones
• Introducción a las herramientas de código abierto para el análisis predictivo : R, Rapidminer, Mahut
• Laboratorio de análisis de Hama, Spark y CMU Graph más escalable

Día-2: Sesión-4 Ecosistema de analítica predictiva-2: Problemas comunes de analítica predictiva en Telecom

• Analítica de información
• Analítica de visualización
• Análisis predictivo estructurado
• Analítica predictiva no estructurada
• Elaboración de perfiles de clientes
• Motor de recomendaciones
• Detección de patrones
• Descubrimiento de reglas/escenarios: fallo, fraude, optimización
• Descubrimiento de la causa raíz
• Análisis de sentimiento
• Analítica de CRM
• Análisis de redes
• Análisis de texto
• Revisión asistida por tecnología
• Análisis de fraude
• Analítica en tiempo real

Día-3 : Sesión-1 : Análisis de la operación de la red: análisis de la causa raíz de las fallas de la red, interrupción del servicio a partir de metadatos, IPDR y CRM:

• Uso de CPU
• Uso de memoria
• Uso de la cola de QoS
• Temperatura del dispositivo
• Error de interfaz
• Versiones de IoS
• Eventos de enrutamiento
• Variaciones de latencia
• Análisis de Syslog
• Pérdida de paquetes
• Simulación de carga
• Inferencia de topología
• Umbral de rendimiento
• Trampas de dispositivos
• Recopilación y procesamiento de IPDR (registro detallado de IP)
• Uso de datos IPDR para el consumo de ancho de banda del suscriptor, la utilización de la interfaz de red, el estado del módem y el diagnóstico
• Información sobre HFC

Día-3: Sesión-2: Herramientas para el análisis de fallos del servicio de red:

• Panel de resumen de red: supervise las implementaciones generales de la red y realice un seguimiento de los indicadores clave de rendimiento de su organización
• Panel de análisis de período pico: comprenda las tendencias de la aplicación y los suscriptores que impulsan la utilización máxima, con granularidad específica de la ubicación
• Panel de eficiencia de enrutamiento: controle los costos de la red y cree casos de negocio para proyectos de capital con una comprensión completa de las relaciones de interconexión y tránsito
• Panel de entretenimiento en tiempo real: acceda a las métricas que importan, incluidas las visualizaciones de vídeo, la duración y la calidad de la experiencia de vídeo (QoE)
• Panel de control de transición a IPv6: investigue la adopción continua de IPv6 en su red y obtenga información sobre las aplicaciones y los dispositivos que impulsan las tendencias
• Caso práctico 1: El minero de datos Big Network Analytics (BNA) de Alcatel-Lucent
• Inteligencia móvil multidimensional (m.IQ6)

Día-3 : Sesión 3: Big Data BI para Marketing/Ventas –Comprensión de las ventas/marketing a partir de los datos de ventas: (Todos ellos se mostrarán con una demostración analítica predictiva en vivo)

• Para identificar los clientes de mayor velocidad
• Identificar clientes para un determinado producto
• Identificar el conjunto correcto de productos para un cliente (motor de recomendación)
• Técnica de segmentación de mercado
• Técnica de venta cruzada y venta adicional
• Técnica de segmentación de clientes
• Técnica de previsión de ingresos por ventas

Día-3: Sesión 4: BI necesario para la oficina del CFO de telecomunicaciones:

• Descripción general de Business Trabajos de análisis necesarios en una oficina de CFO
• Análisis de riesgos en nuevas inversiones
• Previsión de ingresos y beneficios
• Previsión de adquisición de nuevos clientes
• Previsión de pérdidas
• Análisis de fraude en las finanzas ( detalles próxima sesión )

Día-4 : Sesión-1: BI de prevención de fraude desde Big Data en Telco-Fraud analytic:

• Fuga de ancho de banda / Fraude de ancho de banda
• Fraude de proveedores/cobro excesivo por proyectos
• Fraudes de reembolsos/reclamaciones de clientes
• Fraudes en el reembolso de viajes

Día-4 : Sesión-2: De la predicción de la pérdida de clientes a la prevención de la pérdida de clientes:

• 3 tipos de abandono: activo/deliberado, rotativo/incidental, pasivo involuntario
• 3 Clasificación de clientes abandonados: Total, Oculto, Parcial
• Descripción de las variables de CRM para la pérdida de clientes
• Recopilación de datos sobre el comportamiento del cliente
• Recopilación de datos de percepción del cliente
• Recopilación de datos demográficos de los clientes
• Limpieza de datos de CRM
• Datos no estructurados de CRM (llamadas de clientes, tickets, correos electrónicos) y su conversión en datos estructurados para el análisis de Churn
• Social Media CRM: nueva forma de extraer el índice de satisfacción del cliente
• Estudio de caso-1 : T-Mobile USA: Reducción de la pérdida de clientes en un 50%

Día-4 : Sesión-3: Cómo utilizar el análisis predictivo para el análisis de la causa raíz de la insatisfacción del cliente:

• Estudio de caso -1 : Vinculación de la insatisfacción con los problemas - Contabilidad, Fallas de ingeniería como interrupción del servicio, servicio de ancho de banda deficiente
• Estudio de caso 2: Big Data Panel de control de calidad para realizar un seguimiento del índice de satisfacción del cliente a partir de varios parámetros, como escalamientos de llamadas, criticidad de problemas, eventos pendientes de interrupción del servicio, etc.

Día-4: Sesión-4: Big Data Panel de control para un rápido acceso a diversos datos y visualización:

• Integración de la plataforma de aplicaciones existente con Big Data Dashboard
• Gestión de Big Data
• Estudio de caso de Big Data Dashboard: Tableau y Pentaho
• Utilice la aplicación Big Data para impulsar la publicidad basada en la ubicación
• Sistema de seguimiento y gestión

Día-5 : Sesión-1: Cómo justificar Big Data la implementación de BI dentro de una organización:

• Definición del ROI para la implementación Big Data
• Casos prácticos para ahorrar tiempo a los analistas en la recopilación y preparación de datos: aumento de la productividad
• Casos prácticos de aumento de ingresos por abandono de clientes
• Aumento de ingresos de anuncios basados en la ubicación y otros anuncios dirigidos
• Un enfoque de hoja de cálculo integrado para calcular aprox. gastos frente a ganancias/ahorros de ingresos de Big Data implementación.

Día-5 : Sesión-2: Procedimiento paso a paso para reemplazar el sistema de datos heredado a Big Data Sistema:

• Comprensión práctica Big Data de la hoja de ruta de la migración
• ¿Cuál es la información importante que se necesita antes de diseñar una implementación Big Data
• ¿Cuáles son las diferentes formas de calcular el volumen, la velocidad, la variedad y la veracidad de los datos?
• Cómo estimar el crecimiento de los datos
• Casos de estudio en 2 Telco

Día-5: Sesión 3 y 4: Revisión de Big Data Proveedores y revisión de sus productos. Sesión de preguntas y respuestas:

• AccentureAlcatel-Lucent
• Amazonas –A9
• APTEAN (anteriormente software de los CDC)
• Sistemas Cisco
• Cloudera
• Dell
• EMC
• Corporación GoodData
• Guavus
• Sistemas de datos de Hitachi
• Hortonworks
• Huawei
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (anteriormente 10Gen)
• MU Sigma
• Netapp
• Soluciones de Opera
• Oráculo
• Pentaho
• Platfora
• Qliktech
• Cuanto
• Espacio en rack
• Análisis de Revolution
• Ventas de ventas
• SAVIA
• Instituto SAS
• Sisense
• Software AG/Terracotta
• Automatización de Soft10
• Splunk
• Sqrrl
• Supermicro
• Tableau Software
• Teradata
• Piensa en grande en analítica
• Sistemas de señalización de mareas
• VMware (Parte de EMC)