Big Data Business Intelligence for Telecom and Communication Service Providers Eğitimi

Günlük konuların dökümü: (Her oturum 2 saattir)

1. Gün: Oturum-1: Business Telekomünikasyonda Big Data Business Intelligence'ye Genel Bakış.

• T-Mobile, Verizon vb.'den örnek olaylar.
• Kuzey Amerika Telekomünikasyonunda Big Data adaptasyon oranı ve gelecekteki iş modellerini ve operasyonlarını Big Data BI etrafında nasıl uyarladıkları.
• Geniş Ölçekli Uygulama Alanları
• Ağ ve Hizmet Yönetimi
• Müşteri Kaybı Management
• Data Integration & Gösterge Panosu görselleştirmesi
• Sahtekarlık Yönetimi
• Business Kural Oluşturma
• Müşteri Profili Oluşturma
• Yerelleştirilmiş Reklam İtme

1. Gün: Oturum-2: Big Data-1'e Giriş

• Big Data'nın ana özellikleri - hacim, çeşitlilik, hız ve doğruluk. Hacim için MPP mimarisi.
• Data Warehouse'ler – statik şema, yavaşça gelişen veri seti
• MPP Database'ler: Greenplum, Exadata, Teradata, Netezza, Vertica vb.
• Hadoop Tabanlı Çözümler – veri setinin yapısı üzerinde herhangi bir koşul yok.
• Tipik desen: HDFS, MapReduce (crunch), HDFS'den alma
• Toplu – analitik/etkileşimli olmayanlar için uygundur
• Hacim: CEP akış verileri
• Tipik seçenekler – CEP ürünleri (örneğin Infostreams, Apama, MarkLogic vb.)
• Üretim için daha az hazır – Storm/S4
• NoSQL Database'ler – (sütunlu ve anahtar-değer): Veri ambarı/veritabanına analitik bir katkı olarak en uygunudur

1. Gün: Oturum-3: Big Data-2'ye Giriş

NoSQL çözümleri

• KV Mağazası - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• KV Mağazası - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• KV Mağazası (Hiyerarşik) - GT.m, Cache
• KV Mağazası (Sıralı) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• KV Önbelleği - Memcached, Repcached, Coherence, InfiniSpan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Tuple Mağazası - Gigaspace, Coord, Apache River
• Nesne Database - ZopeDB, DB40, Shoal
• Belge Mağazası - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Database'ler, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Geniş Sütunlu Mağaza - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Çeşitli Veriler: Big Data'daki Data Cleaning sorununun tanıtımı

• RDBMS – statik yapı/şema, çevik, keşif ortamını teşvik etmez.
• NoSQL – yarı yapılandırılmış, verileri tam bir şemaya sahip olmadan saklamak için yeterli yapı.
• Veri temizleme sorunları

1. Gün: Oturum-4: Big Data Giriş-3: Hadoop

• Hadoop'ü ne zaman seçmelisiniz?
• YAPILANDIRILMIŞ - Kurumsal veri ambarları/veritabanları büyük miktarda veri sakıyabilir (bir maliyetle) ancak yapı dayatır (aktif keşif için iyi değil).
• YARI YAPILANDIRILMIŞ veri – geleneksel çözümlerle (DW/DB) yapmak zordur.
• Verileri depolamak = büyük çaba ve uygulandıktan sonra bile statik.
• Çeşitlilik ve hacim için, ucuz donanımda ezilen – HADOOP.
• Hadoop Kümesi oluşturmak için ucuz H/W'ye ihtiyaç vardır.

MapReduce / HDFS'ye Giriş

• MapReduce – hesaplamayı birden fazla sunucuya dağıtın
• HDFS – hesaplama işlemi için verileri yerel olarak kullanılabilir hale getirin (artıklık ile).
• Veri – yapılandırılmamış/şemasız olabilir (RDBMS'den farklı olarak).
• Verileri anlamlandırmak geliştiricinin sorumluluğundadır.
• Programming MapReduce = Java ile çalışma (artıları/eksileri), verileri HDFS'ye manuel olarak yükleme

2. Gün: Oturum-1.1: Spark: Bellekte dağıtılmış veritabanı

• "Bellekte" işlemenin ne olduğu?
• Spark SQL
• Spark SDK
• Spark API
• RDD
• Spark Lib
• Hanna
• Mevcut Hadoop sistemini Spark'a nasıl geçirebilirsiniz?

2. Gün Oturum -1.2: Storm - Big Data'da gerçek zamanlı işleme

• Akışlar
• Tomurcuklar
• Cıvatalar
• Topolojiler

2. Gün: Oturum-2: Büyük Data Management Sistem

• Hareketli parçalar, hesaplama düğümleri başlatılır/başarısız olur: Zookeeper - Yapılandırma/koordinasyon/adlandırma hizmetleri için
• Karmaşık boru hattı/iş akışı: Oozi – iş akışını, bağımlılıkları, papyon zincirini yönetin
• Dağıtın, yapılandırın, küme yönetimi, yükseltme vb. (sys admin): Ambari
• Bulutta: Whirr
• Big Data platform araçları ile izleme gelişimi
• ETL katmanı uygulama sorunları

2. Gün: Oturum-3: Business Intelligence'de Tahmini Analitik-1: Temel Teknikler ve Makine Öğrenimine Dayalı BI:

• Makine Öğrenimine Giriş
• Sınıflandırma tekniklerini öğrenme
• Bayes Tahmini-eğitim dosyası hazırlama
• Markov rastgele alanı
• Denetimli ve denetimsiz öğrenme
• Özellik çıkarma
• Destek Vektör Makinesi
• Sinir Ağı
• Pekiştirmeli öğrenme
• Big Data büyük değişken sorunu - Rastgele Orman (RF)
• Temsil öğrenimi
• Derin öğrenme
• Big Data Otomasyon sorunu – Çok Modlu Ensemble RF
• Yumuşak 10-M ile otomasyon
• LDA ve konu modelleme
• Ajan tabanlı öğrenme- Telekomünikasyon operasyonlarından örnek
• Dağıtılmış öğrenme – Telekomünikasyon operasyonlarından örnek
• Tahmini analitik için Açık Kaynak Araçlarına Giriş: R, Rapidminer, Mahut
• Daha ölçeklenebilir Analitik-Apache Hama, Spark ve CMU Graph lab

2. Gün: Oturum-4 Tahmini Analitik Ekosistemi-2: Telecom'te Yaygın Tahmini Analitik Sorunları

• İçgörüsel analitik
• Görselleştirme analitiği
• Yapılandırılmış tahmini analitik
• Yapılandırılmamış tahmini analitik
• Müşteri profili oluşturma
• Öneri Motoru
• Desen tespiti
• Kural/Senaryo keşfi – arıza, sahtekarlık, optimizasyon
• Kök neden keşfi
• Duygu analizi
• CRM analitiği
• Ağ analitiği
• Metin Analitiği
• Teknoloji Destekli İnceleme
• Sahtekarlık analitiği
• Gerçek Zamanlı Analitik

3. Gün: Sesion-1: Ağ Operasyon analitiği- ağ arızalarının, meta verilerin, IPDR'nin ve CRM'nin neden olduğu hizmet kesintilerinin kök neden analizi:

• CPU Kullanımı
• Bellek Kullanımı
• QoS Sıra Kullanımı
• Cihaz Sıcaklığı
• Arayüz Hatası
• IoS sürümleri
• Yönlendirme Olayları
• Gecikme varyasyonları
• Syslog analitiği
• Paket Kaybı
• Yük simülasyonu
• Topoloji çıkarımı
• Performans Eşiği
• Cihaz Tuzakları
• IPDR (IP ayrıntılı kayıt) toplama ve işleme
• Ağ arayüzü kullanımı, modem durumu ve teşhis için IPDR verilerinin kullanımı
• HFC bilgisi

3. Gün: Oturum-2: Ağ hizmeti arızası analizi için araçlar:

• Ağ Özet Panosu: genel ağ dağıtımlarını izleyin ve temel performans göstergelerinizi izleyin
• Yoğun Dönem Analizi Panosu: uygulamaları ve aboneleri yönlendiren yoğun kullanım eğilimlerini, özellikle de konum bazlı ayrıntılarla anlayın
• Yönlendirme Verimliliği Panosu: maliyetleri kontrol edin ve sermaye projeleri için iş gerekçeleri oluşturun
• Gerçek Zamanlı Eğlence Panosu: video görünümleri, süre ve video deneyimi (QoE) dahil olmak üzere ölçümleri izleyin
• IPv6 Geçiş Panosu: ağınızdaki IPv6'nın benimsenmesini araştırın ve eğilimleri yönlendiren uygulamaları ve cihazları anlayın
• Vaka Çalışması-1: Alcatel-Lucent Big Network Analytics (BNA) Veri Madencisi
• Çok boyutlu mobil istihbarat (m.IQ6)

3. Gün: Oturum 3: Big Data BI for Marketing/Sales – Satışlardan/pazarlamadan satış verileriyle anlayış (Hepsi canlı bir tahmini analitik gösterimi ile gösterilecektir)

• En hızlı müşterileri belirlemek
• Bir ürün için müşterileri belirlemek
• Bir müşteri için doğru ürün kümesini belirlemek (Öneri Motoru)
• Pazar segmentasyonu tekniği
• Çapraz Satış ve Yükseltme tekniği
• Müşteri segmentasyonu tekniği
• Satış gelirleri tahmin tekniği

3. Gün: Oturum 4: CFO ofisi için ihtiyaç duyulan BI:

• Business Analitik çalışmalarının CFO ofisinde nasıl uygulanacağı genel bakış
• Yeni yatırımlar için risk analizi
• Gelir, kâr tahmini
• Yeni müşteri edinme tahmini
• Kayıp tahmini
• Finanslardaki sahtekarlık analizi (detaylar bir sonraki oturumda)

4. Gün: Oturum-1: Telekomünikasyonda Big Data BI'dan Sahtekarlık Önleme, Sahtekarlık Analizi:

• Bant genişliği sızıntısı / Bant genişliği sahtekarlığı
• Satıcı sahtekarlığı / projeler için fazla faturalandırma
• Müşteri geri ödeme / talepler sahtekarlığı
• Seyahat masrafları sahtekarlığı

4. Gün: Oturum-2: Müşteri Kaybını Tahmin Etmekten Müşteri Kaybını Önlemeye:

• 3 Tür Müşteri Kaybı: Aktif/Kasıtlı, Döngüsel/Tesadüfi, Pasif İstemsiz
• 3 sınıflandırılmış müşteri kaybı: Toplam, Gizli, Kısmi
• CRM değişkenlerini anlamak
• Müşteri davranış verileri toplama
• Müşteri algısı verileri toplama
• Müşteri demografik verileri toplama
• CRM Verilerini Temizleme
• Yapılandırılmamış CRM verileri (müşteri çağrıları, biletler, e-postalar) ve müşteri kaybı analizi için yapılandırılmış verilere dönüştürülmesi
• Social Media CRM-müşteri memnuniyet endeksini belirlemenin yeni bir yolu
• Vaka Çalışması-1: T-Mobile USA: Müşteri kaybında %50 azalma

4. Gün: Oturum-3: Müşteri memnuniyetsizliğinin kök nedenlerini analiz etmek için tahmini analizi nasıl kullanabilirsiniz:

• Vaka Çalışması -1: Muhasebe, mühendislik arızaları gibi hizmet kesintileri, zayıf bant genişliği hizmeti ile sorunlara bağlantı
• Vaka Çalışması-2: Big Data QA panosu, çeşitli parametrelerden (çağrı yükseltmeleri, sorunların ciddiyeti, bekleyen hizmet kesintisi olayları vb.) müşteri memnuniyet endeksini izlemek için

4. Gün: Oturum-4: Çeşitli verilerin hızlı erişimi ve görüntülenmesi için Big Data Panosu:

• Mevcut uygulama platformunun Big Data Panosu ile entegrasyonu
• Big Data yönetimi
• Big Data Panosu Vaka Çalışması: Tableau ve Pentaho
• Konuma dayalı Reklamları göndermek için Big Data uygulamasını kullanın
• İzleme sistemi ve yönetimi

5. Gün: Oturum-1: Big Data BI uygulamasının bir kuruluş içinde nasıl haklı çıkarılacağı:

• Big Data uygulamasının ROI'sinin tanımlanması
• Veri toplama ve hazırlama için analist süresini kurtarma, üretkenlik kazancı artışı üzerine vaka çalışmaları
• Müşteri kaybından gelir kazancı üzerine vaka çalışmaları
• Konuma dayalı ve diğer hedefli Reklamlardan elde edilen gelir
• Big Data uygulamasından elde edilen gider/kazanç/tasarrufların yaklaşık olarak hesaplanması için entegre bir elektronik tablo yaklaşımı.

5. Gün: Oturum-2: Eski veri sistemini Big Data Sistemine geçirmek için adım adım prosedür:

• Pratik Big Data Geçiş Yol Haritasını Anlamak
• Big Data uygulamasının mimarisini tasarlamadan önce hangi bilgilerin gerekli olduğunu anlamak
• Verilerin hacminin, hızının, çeşitliliğinin ve doğruluğunun nasıl hesaplanacağını anlamak
• Veri büyümesini nasıl tahmin edebilirsiniz
• 2 Telekomünikasyonda vaka çalışmaları

5. Gün: Oturum 3 & 4: Big Data Satıcılarının gözden geçirilmesi ve ürünlerinin gözden geçirilmesi. Soru-Cevap oturumu:

• AccentureAlcatel-Lucent
• Amazon –A9
• APTEAN (Eski CDC Yazılımı)
• Cisco Sistemler
• Cloudera
• Dell
• EMC
• GoodData Corporation
• Guavus
• Hitachi Data Systems
• Hortonworks
• Huawei
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (Eski 10Gen)
• MU Sigma
• Netapp
• Opera Solutions
• Oracle
• Pentaho
• Platfora
• Qliktech
• Quantum
• Rackspace
• Revolution Analytics
• Salesforce
• SAP
• SAS Enstitüsü
• Sisense
• Software AG/Terracotta
• Soft10 Otomasyon
• Splunk
• Sqrrl
• Supermicro
• Tableau Yazılım
• Teradata
• Think Big Analytics
• Tidemark Systems
• VMware (EMC'nin bir parçası)