Big Data Business Intelligence for Telecom and Communication Service Providers Träningskurs

Uppdelning av ämnen på daglig basis: (Varje session är 2 timmar)

Dag-1: Session -1: Business Översikt över varför Big Data Business Intelligence in Telco.

• Fallstudier från T-Mobile, Verizon etc.
• Big Data anpassningshastighet i nordamerikanska telekom och hur de anpassar sin framtida affärsmodell och verksamhet kring Big Data BI
• Användningsområde i bred skala
• Nätverks- och tjänstehantering
• Kundavgång Management
• Data Integration & Dashboardvisualisering
• Bedrägerihantering
• Business Regelgenerering
• Kundprofilering
• Lokaliserad annonstryckning

Dag-1: Session-2: Introduktion av Big Data-1

• Huvudegenskaper för Big Data-volym, variation, hastighet och sanningsenlighet. MPP-arkitektur för volym.
• Data Warehouses – statiskt schema, långsamt utvecklande dataset
• MPP Databases som Greenplum, Exadata, Teradata, Netezza, Vertica etc.
• Hadoop Baserade lösningar – inga villkor för datauppsättningens struktur.
• Typiskt mönster: HDFS, MapReduce (crunch), hämta från HDFS
• Batch-lämpad för analytisk/icke-interaktiv
• Volym : CEP-strömmande data
• Typiska val – CEP-produkter (t.ex. Infostreams, Apama, MarkLogic etc)
• Mindre produktionsklar – Storm/S4
• NoSQL Databases – (kolumn och nyckel-värde): Lämpar sig bäst som analytiskt komplement till datalager/databas

Dag-1 : Session -3 : Introduktion till Big Data-2

NoSQL lösningar

• KV Store - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• KV Store - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• KV Store (hierarkisk) - GT.m, Cache
• KV Store (beställd) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• KV Cache - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Tuple Store - Gigaspaces, Coord, Apache River
• Objekt Database - ZopeDB, DB40, Shoal
• Document Store - 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

Datavarianter: Introduktion till Data Cleaning nummer i Big Data

• RDBMS – statisk struktur/schema, främjar inte smidig, utforskande miljö.
• NoSQL – semistrukturerad, tillräckligt med struktur för att lagra data utan exakt schema innan data lagras
• Datarensningsproblem

Dag-1: Session-4: Big Data Introduktion-3: Hadoop

• När ska man välja Hadoop?
• STRUKTURERAD - Företagsdatalager/databaser kan lagra enorma data (till en kostnad) men påtvinga struktur (inte bra för aktiv utforskning)
• HALVSTRUKTURERAD data – svårt att göra med traditionella lösningar (DW/DB)
• Lagerdata = ENORM ansträngning och statisk även efter implementering
• För variation och volym av data, knäppt på råvaruhårdvara – HADOOP
• Vara H/W behövs för att skapa ett Hadoop kluster

Introduktion till Map Reduce /HDFS

• MapReduce – distribuera datoranvändning över flera servrar
• HDFS – gör data tillgänglig lokalt för beräkningsprocessen (med redundans)
• Data – kan vara ostrukturerad/schemalös (till skillnad från RDBMS)
• Utvecklaransvar för att förstå data
• Programming MapReduce = arbetar med Java (för-/nackdelar), laddar data manuellt till HDFS

Dag-2: Session-1.1: Spark: I minnesdistribuerad databas

• Vad är "In memory"-behandling?
• Spark SQL
• Spark SDK
• Spark API
• RDD
• Spark Lib
• Hanna
• Hur man migrerar ett befintligt Hadoop system till Spark

Dag-2 Session -1.2: Storm -Realtidsbearbetning i Big Data

• Strömmar
• Groddar
• Bultar
• Topologier

Dag-2: Session-2: Big Data Management System

• Rörliga delar, beräkningsnoder startar/misslyckas :ZooKeeper - För konfigurations-/koordinations-/namntjänster
• Komplex pipeline/arbetsflöde: Oozie – hantera arbetsflöde, beroenden, seriekedja
• Distribuera, konfigurera, klusterhantering, uppgradering etc (sys admin) :Ambari
• In Cloud: Whirr
• Utvecklande Big Data plattformsverktyg för spårning
• ETL-lagerapplikationsproblem

Dag-2: Session-3: Predictive analytics i Business Intelligence -1: Fundamental Techniques & Machine learning based BI:

• Introduktion till maskininlärning
• Att lära sig klassificeringstekniker
• Bayesian Prediction-förberedande träningsfil
• Markov slumpmässigt fält
• Övervakat och oövervakat lärande
• Särdragsextraktion
• Stöd Vector Machine
• Neuralt nätverk
• Förstärkningsinlärning
• Big Data stort variabelt problem -Slumpmässig skog (RF)
• Representationsinlärning
• Djup lärning
• Big Data Automationsproblem – Multi-modell ensemble RF
• Automatisering genom Soft10-M
• LDA och ämnesmodellering
• Agile lärande
• Agentbaserat lärande- Exempel från Telco-drift
• Distribuerat lärande – Exempel från Telco-drift
• Introduktion till Open source-verktyg för prediktiv analys: R, Rapidminer, Mahut
• Mer skalbart Analytic-Apache Hama, Spark och CMU Graph lab

Dag-2: Session-4 Predictive analytics ekosystem-2: Vanliga prediktiva analytiska problem i Telecom

• Insiktsanalys
• Visualiseringsanalytisk
• Strukturerad prediktiv analys
• Ostrukturerad prediktiv analys
• Kundprofilering
• Rekommendation Motor
• Mönsterdetektering
• Upptäckt av regel/scenario – misslyckande, bedrägeri, optimering
• Rotorsak upptäckt
• Sentimentanalys
• CRM-analys
• Nätverksanalys
• Textanalys
• Teknikstödd granskning
• Bedrägerianalys
• Realtidsanalys

Dag-3 : Session-1 : Nätverksdriftsanalys – rotorsaksanalys av nätverksfel, tjänstavbrott från metadata, IPDR och CRM:

• CPU-användning
• Minnesanvändning
• QoS-köanvändning
• Enhetstemperatur
• Gränssnittsfel
• IoS-versioner
• Routing händelser
• Latensvariationer
• Syslog-analys
• Paketförlust
• Lastsimulering
• Topologi slutledning
• Prestandatröskel
• Enhetsfällor
• IPDR (IP detailed record) insamling och bearbetning
• Användning av IPDR-data för abonnentbandbreddsförbrukning, nätverksgränssnitt, modemstatus och diagnostik
• HFC-information

Dag-3: Session-2: Verktyg för analys av nätverkstjänstfel:

• Nätverksöversikt Dashboard: övervaka övergripande nätverksinstallationer och spåra din organisations nyckelprestandaindikatorer
• Peak Period Analysis Dashboard: förstå applikations- och prenumeranttrender som driver toppanvändning, med platsspecifik granularitet
• Routing Efficiency Dashboard: kontrollera nätverkskostnader och skapa affärscase för kapitalprojekt med en fullständig förståelse för sammankoppling och transitrelationer
• Realtidsunderhållningsinstrumentpanel: åtkomst till mätvärden som är viktiga, inklusive videovisningar, varaktighet och videokvalitet för upplevelsen (QoE)
• IPv6 Transition Dashboard: undersök den pågående adoptionen av IPv6 i ditt nätverk och få insikt i applikationer och enheter som driver trender
• Fallstudie-1: Alcatel-Lucents Big Network Analytics (BNA) Data Miner
• Multidimensionell mobil intelligens (m.IQ6)

Dag-3: Session 3: Big Data BI för Marketing/Försäljning – Förstå försäljning/marknadsföring från försäljningsdata: (Alla av dem kommer att visas med en liveförutsägande analytisk demo)

• För att identifiera klienter med högsta hastighet
• För att identifiera kunder för en given produkt
• För att identifiera rätt produktuppsättning för en kund (Recommendation Engine)
• Marknadssegmenteringsteknik
• Korsförsäljning och uppförsäljningsteknik
• Klientsegmenteringsteknik
• Teknik för prognostisering av försäljningsintäkter

Dag-3: Session 4: BI behövs för Telco CFO-kontor:

• Översikt över Business Analysarbeten som behövs på ett CFO-kontor
• Riskanalys på nyinvestering
• Intäkter, vinstprognoser
• Prognos för nya kundförvärv
• Förlustprognoser
• Bedrägerianalys om ekonomi (detaljer nästa session)

Dag-4: Session-1: Fraud prevention BI från Big Data i Telco-Fraud analytic:

• Bandbreddsläckage / Bandbreddsbedrägeri
• Leverantörsbedrägeri/överdebitering för projekt
• Kundåterbetalning/skadebedrägerier
• Bedrägerier med reseersättning

Dag-4: Session-2: Från churning-prediktion till churn-prevention:

• 3 typer av avhopp: aktiv/avsiktlig, roterande/oavsiktlig, passiv ofrivillig
• 3 klassificering av churned kunder: Total, Hidden, Partial
• Förstå CRM-variabler för churn
• Insamling av kundbeteendedata
• Insamling av kunduppfattningsdata
• Insamling av kunddemografisk data
• Rengöring av CRM-data
• Ostrukturerad CRM-data (kundsamtal, biljetter, e-postmeddelanden) och deras konvertering till strukturerad data för Churn-analys
• Social Media CRM-nytt sätt att extrahera kundnöjdhetsindex
• Fallstudie-1: T-Mobile USA: Churn-minskning med 50 %

Dag-4: Session-3: Hur man använder prediktiv analys för grundorsaksanalys av missnöje hos kunder:

• Fallstudie -1: Koppla missnöje till problem – Redovisning, tekniska fel som tjänstavbrott, dålig bandbreddstjänst
• Fallstudie-2: Big Data QA-instrumentpanel för att spåra kundnöjdhetsindex från olika parametrar som eskalering av samtal, kritiska problem, väntande serviceavbrottshändelser etc.

Dag-4: Session-4: Big Data Instrumentpanel för snabb åtkomst av olika data och visning:

• Integrering av befintlig applikationsplattform med Big Data Dashboard
• Big Data ledning
• Fallstudie av Big Data Dashboard: Tableau och Pentaho
• Använd appen Big Data för att driva platsbaserad annons
• Spårningssystem och ledning

Dag-5: Session-1: Hur man motiverar Big Data BI-implementering inom en organisation:

• Definiera ROI för Big Data implementering
• Fallstudier för att spara analytikertid för insamling och förberedelse av data – ökad produktivitetsökning
• Fallstudier av intäktsvinst från kundförlust
• Intäktsvinst från platsbaserad och annan riktad annons
• En integrerad kalkylbladsmetod för att beräkna ca. kostnad kontra intäktsvinst/besparingar från Big Data implementering.

Dag-5: Session-2: Steg för steg-procedur för att ersätta äldre datasystem till Big Data System:

• Förstå praktiska Big Data Migration Roadmap
• Vilken är den viktiga information som behövs innan en Big Data-implementering utformas
• Vilka är de olika sätten att beräkna volym, hastighet, variation och sanningshalt för data
• Hur man uppskattar datatillväxt
• Fallstudier i 2 Telco

Dag-5: Session 3 & 4: Granskning av Big Data leverantörer och recension av deras produkter. Frågestund:

• Accenture Alcatel-Lucent
• Amazon –A9
• APTEAN (tidigare CDC-programvara)
• Cisco System
• Cloudera
• Dell
• EMC
• GoodData Corporation
• Guavus
• Hitachi datasystem
• Hortonworks
• Huawei
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (tidigare 10Gen)
• MU Sigma
• Netapp
• Operalösningar
• Oracle
• Pentaho
• Platfora
• Qliktech
• Kvant
• Rackspace
• Revolution Analytics
• Salesforce
• SAP
• SAS Institutet
• Sisense
• Software AG/Terracotta
• Soft10 Automation
• Splunk
• Sqrrl
• Supermicro
• Tableau Programvara
• Teradata
• Tänk Big Analytics
• Tidemark Systems
• VMware (Del av EMC)