Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
コース概要
毎日のトピックの内訳: (各セッションは 2 時間)
1 日目: セッション -1: Business 理由の概要 Big Data Business 通信会社のインテリジェンス。
- T-Mobile、Verizon などのケーススタディ
- Big Data 北米の通信会社における適応率と、将来のビジネス モデルと運用を Big Data BI にどのように調整しているか
- 広範な応用分野
- ネットワークとサービスの管理
- 顧客離れ Management
- Data Integration & ダッシュボードの視覚化
- 不正行為の管理
- Business ルールの生成
- 顧客プロファイリング
- ローカライズされた広告プッシュ
Day-1: Session-2 : Big Data-1の紹介
- Big Data の主な特徴は、量、多様性、速度、真実さです。ボリューム用の MPP アーキテクチャ。
- Data Warehouses – 静的スキーマ、ゆっくりと進化するデータセット
- MPP Database は、Greenplum、Exadata、Teradata、Netezza、Vertica などです。
- Hadoop ベースド ソリューション – データセットの構造に条件はありません。
- 典型的なパターン: HDFS、MapReduce (クランチ)、HDFS からの取得
- バッチ - 分析/非対話型に適しています
- 容量:CEPストリーミングデータ
- 一般的な選択肢 – CEP 製品 (例: Infostreams、Apama、MarkLogic など)
- 本番環境の準備が整っていない – Storm/S4
- NoSQL Databases – (列およびキー値): データ ウェアハウス/データベースの分析補助として最適
Day-1 : セッション -3 : Big Data-2 の紹介
NoSQL ソリューション
- KV ストア - キースペース、フレア、スキーマフリー、RAMCloud、Oracle NoSQL Database (OnDB)
- KV ストア - Dynamo、Voldemort、Dynomite、SubRecord、Mo8onDb、DovetailDB
- KV ストア (階層) - GT.m、キャッシュ
- KV ストア (注文済み) - TokyoTyrant、Lightcloud、NMDB、Luxio、MemcacheDB、Acted
- KV キャッシュ - Memcached、再キャッシュ、Coherence、Infinispan、EXtremeScale、JBossCache、Velocity、Terracoqua
- Tuple Store - Gigaspaces、Coord、Apache River
- オブジェクト Database - ZopeDB、DB40、ショール
- ドキュメント ストア - CouchDB、Cloudant、Couchbase、MongoDB、Jackrabbit、XML-Databases、ThruDB、CloudKit、Prsevere、Riak-Basho、Scalaris
- ワイドカラム型ストア - BigTable、HBase、Apache Cassandra、Hypertable、KAI、OpenNeptune、Qbase、KDI
データの種類: Big Data の Data Cleaning 問題の紹介
- RDBMS – 静的な構造/スキーマ。アジャイルで探索的な環境を促進しません。
- NoSQL – 半構造化されており、データを保存する前に正確なスキーマがなくてもデータを保存できる十分な構造
- データクリーニングの問題
Day-1 : セッション-4 : Big Data イントロダクション-3 : Hadoop
- Hadoopを選択するのはどのような場合ですか?
- 構造化 - エンタープライズ データ ウェアハウス/データベースは大量のデータを (コストをかけて) 保存できますが、構造化が必要です (アクティブな探索には適していません)。
- 半構造化データ – 従来のソリューション (DW/DB) では困難
- データの保管 = 多大な労力がかかり、実装後も静的なデータ
- 汎用ハードウェアで処理されるさまざまなデータと量のデータ – HADOOP
- Hadoop クラスターの作成に必要な汎用ハードウェア
Map Reduce /HDFS の概要
- MapReduce – 複数のサーバーにコンピューティングを分散します
- HDFS – コンピューティング プロセスでデータをローカルで利用できるようにします (冗長性あり)
- データ – 非構造化/スキーマレスの可能性があります (RDBMS とは異なります)
- データを理解する開発者の責任
- Programming MapReduce = Java と連携して (長所/短所)、手動でデータを HDFS にロードします
2 日目: セッション 1.1: Spark : インメモリ分散データベース
- 「インメモリ」処理とは何ですか?
- スパーク SQL
- スパークSDK
- スパークAPI
- RDD
- スパークリブ
- ハンナ
- 既存の Hadoop システムを Spark に移行する方法
2 日目セッション -1.2: ストーム - Big Data のリアルタイム処理
- ストリーム
- スプラウト
- ボルト
- トポロジ
2日目: セッション2: Big Data Management システム
- 可動部分、計算ノードの起動/失敗 :ZooKeeper - 構成/調整/ネーミング サービス用
- 複雑なパイプライン/ワークフロー: Oozie – ワークフロー、依存関係、デイジー チェーンを管理
- デプロイ、構成、クラスター管理、アップグレードなど (システム管理者) :Ambari
- クラウド内: うなり声
- 追跡用の進化する Big Data プラットフォーム ツール
- ETL層アプリケーションの問題
2 日目: セッション 3: Business インテリジェンスにおける予測分析 -1: 基本的なテクニックと機械学習ベースの BI :
- 機械学習の概要
- 分類手法の学習
- ベイジアン予測作成トレーニング ファイル
- マルコフ乱数場
- 教師あり学習と教師なし学習
- 特徴抽出
- サポートベクターマシン
- ニューラルネットワーク
- 強化学習
- Big Data 大変数問題 - ランダムフォレスト(RF)
- 表現学習
- ディープラーニング
- Big Data 自動化の問題 – マルチモデルアンサンブル RF
- Soft10-Mによる自動化
- LDA とトピックモデリング
- Agile 学習
- エージェントベースの学習 - 通信事業者の運用例
- 分散学習 – 通信事業の例
- 予測分析用のオープンソース ツールの紹介: R、Rapidminer、Mahut
- よりスケーラブルな Analytic-Apache Hama、Spark、および CMU Graph ラボ
2 日目: セッション 4 予測分析エコシステム 2: Telecom の一般的な予測分析の問題
- 洞察分析
- 視覚化分析
- 構造化された予測分析
- 非構造化予測分析
- 顧客プロファイリング
- レコメンデーションエンジン
- パターン検出
- ルール/シナリオの発見 - 失敗、不正、最適化
- 根本原因の発見
- 感情分析
- CRM分析
- ネットワーク分析
- テキスト分析
- テクノロジー支援によるレビュー
- 不正行為分析
- リアルタイム分析
3 日目: セッション 1: ネットワーク運用分析 - ネットワーク障害、メタデータからのサービス中断、IPDR および CRM の根本原因分析:
- CPU使用率
- メモリ使用量
- QoSキューの使用状況
- デバイスの温度
- インターフェースエラー
- IOSバージョン
- イベントのルーティング
- レイテンシーの変動
- Syslog分析
- パケットロス
- 負荷シミュレーション
- トポロジー推論
- パフォーマンスのしきい値
- デバイストラップ
- IPDR(IP詳細レコード)の収集と処理
- 加入者の帯域幅消費量、ネットワーク インターフェイスの使用率、モデムのステータスおよび診断のための IPDR データの使用
- HFC情報
3 日目: セッション 2: ネットワーク サービス障害分析用ツール:
- ネットワーク概要ダッシュボード: ネットワーク展開全体を監視し、組織の主要なパフォーマンス指標を追跡します。
- ピーク期間分析ダッシュボード: 場所固有の粒度で、ピーク使用率を促進するアプリケーションと加入者の傾向を理解します。
- ルーティング効率ダッシュボード: 相互接続と中継関係を完全に理解して、ネットワーク コストを管理し、資本プロジェクトのビジネス ケースを構築します。
- リアルタイム エンターテイメント ダッシュボード: ビデオの再生回数、再生時間、ビデオの体験品質 (QoE) などの重要な指標にアクセスします。
- IPv6 移行ダッシュボード: ネットワーク上での IPv6 の継続的な導入を調査し、トレンドを推進するアプリケーションとデバイスについての洞察を得る
- ケーススタディ 1: Alcatel-Lucent ビッグ ネットワーク アナリティクス (BNA) データ マイナー
- 多次元モバイル インテリジェンス (m.IQ6)
3 日目: セッション 3: Big Data Marketing/販売の BI – 販売データから販売/マーケティングを理解する: (すべてのライブ予測分析デモが表示されます)
- 最高速度のクライアントを特定するには
- 特定の製品の顧客を特定するため
- クライアントにとって適切な製品セットを特定するため (レコメンデーション エンジン)
- 市場セグメンテーション手法
- クロスセールとアップセールのテクニック
- クライアントセグメント化手法
- 売上収益予測手法
3 日目: セッション 4: 通信会社 CFO オフィスに必要な BI:
- 【4】CFOオフィスに必要な分析業務の概要
- 新規投資のリスク分析
- 売上・利益予想
- 新規顧客獲得予測
- 損失予測
- 財務に関する不正分析 (詳細は次回のセッション)
4 日目: セッション 1: 通信詐欺分析の Big Data による不正防止 BI:
- 帯域幅漏洩 / 帯域幅詐欺
- ベンダー詐欺/プロジェクトの過剰請求
- 顧客による返金/不正請求
- 旅行代金詐欺
4 日目: セッション 2: チャーン予測からチャーン防止まで:
- 3 種類のチャーン : 積極的/意図的、循環的/偶発的、受動的非自発的
- 解約した顧客の 3 つの分類: 全体、非表示、部分的
- チャーンに関する CRM 変数を理解する
- 顧客行動データの収集
- 顧客認識データの収集
- 顧客人口統計データの収集
- CRMデータのクリーニング
- 非構造化 CRM データ (顧客からの電話、チケット、電子メール) とチャーン分析のための構造化データへの変換
- Social Media CRM - 顧客満足度指数を抽出する新しい方法
- ケーススタディ-1 : T-Mobile USA: 解約率 50% 削減
4 日目: セッション 3: 顧客の不満足の根本原因分析に予測分析を使用する方法:
- ケーススタディ - 1 : 不満を問題に結び付ける – サービスの中断、帯域幅サービスの低下などの会計、エンジニアリングの失敗
- ケーススタディ-2: Big Data 通話エスカレーション、問題の重大度、保留中のサービス中断イベントなどのさまざまなパラメーターから顧客満足度指数を追跡する QA ダッシュボード。
4 日目: セッション 4: Big Data 多様なデータと表示に素早くアクセスできるダッシュボード:
- 既存のアプリケーション プラットフォームと Big Data ダッシュボードの統合
- Big Data管理
- Big Data ダッシュボードのケーススタディ: Tableau および Pentaho
- Big Data アプリを使用して位置情報ベースの広告をプッシュします
- 追跡システムと管理
Day-5 : セッション-1: Big Data 組織内での BI 導入を正当化する方法:
- Big Data 実装の ROI の定義
- アナリストのデータ収集と準備にかかる時間を節約するためのケーススタディ – 生産性の向上
- 顧客離れによる収益増加のケーススタディ
- 位置情報ベースの広告やその他のターゲットを絞った広告からの収益増加
- 統合されたスプレッドシート アプローチにより、およその値を計算します。 Big Data の実装による経費と収益の増加/節約。
5 日目: セッション 2: レガシー データ システムを Big Data システムに置き換えるステップバイステップ手順:
- 実践的な Big Data 移行ロードマップを理解する
- Big Data 実装を設計する前に必要な重要な情報は何ですか?
- データの量、速度、多様性、真実性を計算するさまざまな方法は何ですか
- データの増加を見積もる方法
- 2 通信会社のケーススタディ
5 日目: セッション 3 & 4: Big Data ベンダーのレビューとその製品のレビュー。 Q/Aセッション:
- アクセンチュアアルカテル・ルーセント
- アマゾン –A9
- APTEAN (旧 CDC ソフトウェア)
- Cisco システム
- クラウドデラ
- デル
- EMC
- Go株式会社オッドデータ
- グアバス
- 日立データシステムズ
- ホートンワークス
- ファーウェイ
- HP
- IBM
- インフォマティカ
- インテル
- ジャスパーソフト
- Microsoft
- MongoDB (旧 10Gen)
- ミューシグマ
- ネットアップ
- オペラソリューション
- Oracle
- Pentaho
- プラットフォーラ
- Qliktech
- 量子
- ラックスペース
- 革命分析
- Salesforce
- SAP
- SAS研究所
- シセンス
- ソフトウェアAG/テラコッタ
- Soft10 オートメーション
- Splunk
- スクラル
- スーパーマイクロ
- Tableau ソフトウェア
- Teradata
- 大きな分析を考える
- タイマークシステム
- VMware (EMC の一部)
要求
- Telecomの業務運用やデータシステムに関する基本的な知識を有していること 。
- SQL/Oracleまたはリレーショナルデータベースの基本的な理解を持っていること 。
- 統計の基本的な理解(Excelレベル) 。
35 時間
お客様の声 (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
コース - 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
コース - Big Data Business Intelligence for Telecom and Communication Service Providers
Understanding big data beter