感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
課程簡介
每日主題細分:(每節課2小時)
第 1 天:第 1 節:電信業為何使用大數據的業務概述 Business Intelligence。
- 來自 T-Mobile、Verizon 等的案例研究。
- 北美電信公司的大數據適應率,以及他們如何圍繞大數據BI調整未來的業務模式和運營
- 廣泛的應用領域
- 網路和服務管理
- 客戶流失 Management
- 數據集成和儀錶板可視化
- 欺詐管理
- 業務規則生成
- 客戶畫像
- 當地語系化廣告推送
第一天:第二節:Big Data-1介紹
- 大數據的主要特徵——數量、種類、速度和準確性。卷的 MPP 體系結構。
- 數據倉庫 – 靜態模式,緩慢演變的數據集
- MPP 資料庫,如 Greenplum、Exadata、Teradata、Netezza、Vertica 等。
- 基於Hadoop的解決方案 – 對數據集的結構沒有條件。
- 典型模式:HDFS、MapReduce(crunch)、從 HDFS 檢索
- 批處理 - 適用於分析/非互動式
- 卷 : CEP 流數據
- 典型選擇 – CEP 產品(例如 Infostreams、Apama、MarkLogic 等)
- 生產準備不足 – Storm/S4
- NoSQL 資料庫 – (列式和鍵值):最適合作為數據倉庫/資料庫的分析輔助工具
第 1 天:第 -3 節:Big Data-2 簡介
否SQL解決方案
- KV Store - Keyspace、Flare、SchemaFree、RAMCloud、Oracle NoSQL 資料庫 (OnDB)
- KV 商店 - Dynamo、Voldemort、Dynomite、SubRecord、Mo8onDb、DovetailDB
- KV 儲存(分層)- GT.m、快取
- KV Store(已訂購)- TokyoTyrant、Lightcloud、NMDB、Luxio、MemcacheDB、Actord
- KV 快取 - Memcached、Repcached、Coherence、Infinispan、EXtremeScale、JBossCache、Velocity、Terracoqua
- 元組存儲 - Gigaspaces、Coord、Apache River
- 對象資料庫 - ZopeDB、DB40、Shoal
- 文檔存儲 - CouchDB、Cloudant、Couchbase、MongoDB、Jackrabbit、XML-Databases、ThruDB、CloudKit、Prsevere、Riak-Basho、Scalaris
- 廣泛的列式存儲 - BigTable、HBase、Apache Cassandra、Hypertable、KAI、OpenNeptune、Qbase、KDI
數據的種類:大數據中的Data Cleaning問題簡介
- RDBMS – 靜態結構/模式,不提倡敏捷、探索性環境。
- NoSQL – 半結構化的,足夠的結構來存儲數據,在存儲數據之前沒有精確的模式
- 數據清理問題
第一天:第四節:大數據介紹-3:Hadoop
- 何時選擇 Hadoop?
- 結構化 - 企業數據倉庫/資料庫可以存儲大量數據(有成本),但會強加結構(不利於主動探索)
- SEMI 結構化數據 – 傳統解決方案 (DW/DB) 難以實現
- 倉儲數據 = 即使在實施后也付出了巨大的努力和靜態
- 對於各種數據和數據量,在商用硬體上處理 – HADOOP
- 創建 Hadoop 集群所需的商品硬體
Map Reduce /HDFS 簡介
- MapReduce – 將計算分佈在多個伺服器上
- HDFS – 使資料在本地可用於計算過程(具有冗餘)
- 資料 – 可以是非結構化的/無模式的(與 RDBMS 不同)
- 開發人員有責任理解數據
- Programming MapReduce = 使用 Java(優點/缺點),手動將數據載入到 HDFS 中
第 2 天:工作階段 1.1:Spark:記憶體中分散式資料庫
- 什麼是「記憶體中」處理?
- 火花 SQL
- Spark SDK
- Spark API
- RDD型
- Spark 庫
- 漢娜
- 如何將現有Hadoop系統遷移到Spark
第 2 天工作階段 -1.2:Storm - Big Data 中的實時處理
- 流
- 豆芽
- 螺栓
- 拓撲
第2天:第二節:大數據Management系統
- 移動部件、計算節點啟動/失敗:ZooKeeper - 用於配置/協調/命名服務
- 複雜的流水線/工作流:Oozie – 管理工作流、依賴項、菊花鏈
- 部署、配置、群集管理、升級等(系統管理員):Ambari
- 在雲中:呼嘯
- 不斷發展的 Big Data 跟蹤平臺工具
- ETL 層應用程式問題
第 2 天:第 3 節:Business Intelligence -1 中的預測分析:基礎技術和基於機器學習的 BI:
- 機器學習簡介
- 學習分類技術
- 貝葉斯預測準備訓練檔
- 瑪律可夫隨機場
- 監督學習和無監督學習
- 特徵提取
- 支援向量機
- 神經網路
- 強化學習
- Big Data 大變數問題 -隨機森林 (RF)
- 表徵學習
- 深度學習
- Big Data 自動化問題 – 多模型集成射頻
- 通過Soft10-M實現自動化
- LDA 和主題建模
- 敏捷學習
- 基於智慧體的學習 - 電信運營示例
- 分散式學習——以電信運營為例
- 用於預測分析的開源工具簡介:R、Rapidminer、Mahut
- 更具可擴展性的 Analytic-Apache Hama、Spark 和 CMU Graph 實驗室
第2天:第4節預測分析生態系統2:Telecom中常見的預測分析問題
- 洞察分析
- 可視化分析
- 結構化預測分析
- 非結構化預測分析
- 客戶畫像
- 推薦引擎
- 模式檢測
- 規則/場景發現 - 失敗、欺詐、優化
- 發現根本原因
- 情緒分析
- CRM分析
- 網路分析
- 文本分析
- 技術輔助審查
- 欺詐分析
- 即時分析
第3天:第1天:網路運營分析——網路故障的根本原因分析、元數據服務中斷、IPDR和CRM:
- CPU 使用率
- 記憶體使用方式
- QoS 佇列使用方式
- 設備溫度
- 介面錯誤
- IoS 版本
- 路由事件
- 延遲變化
- Syslog 分析
- 丟包
- 負載類比
- 拓撲推理
- 性能閾值
- 設備陷阱
- IPDR(IP詳細記錄)收集和處理
- 將IPDR數據用於使用者頻寬消耗、網路介面利用率、數據機狀態和診斷
- HFC資訊
第3天:第2節:網路服務故障分析工具:
- 網路摘要儀錶板:監控整體網路部署並跟蹤組織的關鍵績效指標
- 高峰期分析儀錶板:了解推動高峰利用率的應用程式和用戶趨勢,並具有特定於位置的粒度
- 路由效率儀錶板:通過全面瞭解互連和傳輸關係,控制網路成本併為資本專案構建業務案例
- 即時娛樂儀錶板:訪問重要指標,包括視頻觀看次數、持續時間和視頻體驗品質 (QoE)
- IPv6 過渡儀錶板:調查 IPv6 在您的網路上的持續採用情況,並深入瞭解推動趨勢的應用程式和設備
- 案例研究1:阿爾卡特朗訊大網路分析(BNA)數據挖掘器
- 多維移動智慧(m.IQ6)
第 3 天:第 3 節:Marketing/Sales 的大數據 BI – 從銷售數據中了解銷售/行銷:(所有這些都將通過實時預測分析演示展示)
- 識別速度最快的用戶端
- 標識給定產品的用戶端
- 為客戶確定正確的產品集(推薦引擎)
- 市場市場區隔分技術
- 交叉銷售和追加銷售技術
- 客戶細分技術
- 銷售收入預測技術
第3天:第4節:電信首席財務官辦公室需要BI:
- CFO 辦公室所需的 Business 分析工作概述
- 新投資風險分析
- 收入、利潤預測
- 新客戶獲取預測
- 損失預測
- 財務欺詐分析(下節詳述)
第 4 天:第 1 節:電信欺詐分析中 Big Data 的欺詐預防 BI:
- 帶寬洩漏/頻寬欺詐
- 供應商欺詐/項目多收費用
- 客戶退款/索賠欺詐
- 差旅報銷欺詐
第4天:第2節:從流失預測到流失預防:
- 3 種流失類型:主動/故意、輪換/偶然、被動、非自願
- 流失客戶的3種分類:總計、隱藏、部分
- 了解客戶流失的CRM變數
- 客戶行為數據收集
- 客戶感知數據收集
- 客戶人口統計數據收集
- 清理CRM數據
- 非結構化CRM數據(客戶電話、工單、電子郵件)及其轉換為結構化數據以進行客戶流失分析
- Social Media CRM-提取客戶滿意度指數的新方法
- 案例研究 1 : T-Mobile USA:客戶流失率降低 50%
第4天:第3節:如何使用預測分析進行客戶不滿意的根本原因分析:
- 案例研究 -1 : 將不滿意與問題聯繫起來 – 會計、工程故障,如服務中斷、帶寬服務差
- 案例研究-2:Big Data QA 儀錶板,用於跟蹤來自各種參數的客戶滿意度指數,例如呼叫升級、問題的嚴重性、待處理的服務中斷事件等。
第 4 天:第 4 節:Big Data 用於快速存取各種資料和顯示的儀錶板:
- 現有應用平臺與大數據儀錶盤的整合
- 大數據管理
- 大數據儀錶板案例研究:Tableau 和 Pentaho
- 使用大數據應用程式推送基於位置的廣告
- 跟蹤系統和管理
第 5 天:第 1 節:如何證明 Big Data BI 在組織內實施的合理性:
- 定義 Big Data 實施的 ROI
- 節省分析師收集和準備數據時間的案例研究 - 提高生產力
- 客戶流失帶來的收入增長案例研究
- 基於位置的廣告和其他定向廣告的收入收益
- 一種集成的電子錶格方法,用於計算 Big Data 實施的近似費用與收入收益/節省。
第 5 天:第 2 節:將遺留數據系統替換為 Big Data 系統的分步過程:
- 了解實用 Big Data 遷移路線圖
- 在構建 Big Data 實現之前需要哪些重要資訊
- 計算數據量、速度、多樣性和準確性的不同方法有哪些
- 如何估算數據增長
- 2 家電信公司的案例研究
第 5 天:第 3 節和第 4 節:審查 Big Data 供應商並審查他們的產品。問答環節:
- 埃森哲阿爾卡特朗訊
- 亞馬遜–A9
- APTEAN(前身為 CDC Software)
- 思科系統
- 克勞德拉
- 山谷
- 電磁相容
- GoodData公司
- 番石榴
- 日立數據系統
- 霍頓工廠
- 華為
- 惠普
- IBM公司
- 資訊網
- 英特爾
- Jaspersoft的
- Microsoft
- MongoDB(以前稱為 10Gen)
- MU西格瑪
- NetApp 的
- Opera 解決方案
- 神諭
- 貝爾塔霍
- 普拉特福拉
- Qliktech的
- 量子
- 機架空間
- 革命分析
- Salesforce的
- 樹液
- SAS學院
- 西森
- 軟體 AG/Terracotta
- Soft10 自動化
- Splunk的
- 平方
- Supermicro 超微
- Tableau 軟體
- Teradata的
- 大分析思維
- 潮汐系統
- VMware (EMC 的一部分)
最低要求
- 應具備其領域內 Telecom 的業務運營和數據系統的基本知識
- 必須對 SQL/Oracle 或關係資料庫有基本的瞭解
- 對統計學有基本的瞭解(在Excel級別中)
35 時間:
客戶評論 (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
Course - 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
Course - Big Data Business Intelligence for Telecom and Communication Service Providers
Understanding big data beter