Big Data Business Intelligence for Telecom & Communication Service Providers Schulung

Aufschlüsselung der Themen auf Tagesbasis: (Jede Sitzung dauert 2 Stunden)

Tag-1: Sitzung -1: Business Überblick über das Warum Big Data Business Intelligenz in der Telekommunikation.

• Fallstudien von T-Mobile, Verizon usw.
• Big Data Anpassungsrate in nordamerikanischen Telekommunikationsunternehmen & und wie sie ihr zukünftiges Geschäftsmodell und ihren Betrieb auf Big Data BI ausrichten
• Breit angelegter Anwendungsbereich
• Netz- und Servicemanagement
• Kundenabwanderung Management
• Data Integration & Dashboard-Visualisierung
• Betrugsmanagement
• Business Regelerstellung
• Kundenprofilierung
• Lokalisierte Anzeigenschaltung

Tag 1: Sitzung 2: Einführung in Big Data-1

• Hauptmerkmale von Big Data-Volumen, Vielfalt, Schnelligkeit und Wahrhaftigkeit. MPP-Architektur für Volumen.
• Data Warehouses - statisches Schema, sich langsam entwickelnder Datensatz
• MPP Databases wie Greenplum, Exadata, Teradata, Netezza, Vertica usw.
• Hadoop-basierte Lösungen - keine Bedingungen an die Struktur der Datenmenge.
• Typisches Muster: HDFS, MapReduce (Crunch), Abruf aus HDFS
• Batch- geeignet für analytische/nicht interaktive
• Volumen: CEP-Streaming-Daten
• Typische Wahl - CEP-Produkte (z. B. Infostreams, Apama, MarkLogic usw.)
• Weniger produktionstauglich - Storm/S4
• NoSQL Databases - (spaltenweise und Key-Value): Am besten geeignet als analytische Ergänzung zu Data Warehouse/Datenbank

Tag-1 : Sitzung -3 : Einführung in Big Data-2

NoSQL Lösungen

• KV-Speicher - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
• KV-Speicher - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
• KV-Speicher (Hierarchisch) - GT.m, Cache
• KV-Speicher (geordnet) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
• KV-Cache - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
• Tupel-Speicher - Gigaspaces, Coord, Apache River
• Objekt Database - ZopeDB, DB40, Shoal
• Dokumentenspeicher - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Databases, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
• Breiter spaltenförmiger Speicher - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI

Arten von Daten: Einführung in Data Cleaning Thema in Big Data

• RDBMS - statische Struktur/Schema, fördert nicht die agile, forschende Umgebung.
• NoSQL - halbstrukturiert, genügend Struktur zum Speichern von Daten ohne genaues Schema vor dem Speichern von Daten
• Fragen der Datenbereinigung

Tag-1 : Sitzung-4 : Big Data Einführung-3 : Hadoop

• Wann sollte man Hadoop wählen?
• STRUKTURIERT - Data-Warehouses/Datenbanken für Unternehmen können große Datenmengen speichern (was mit Kosten verbunden ist), erzwingen aber eine Strukturierung (nicht gut für eine aktive Erkundung)
• SEMI STRUKTURIERTE Daten - mit herkömmlichen Lösungen (DW/DB) schwer zu realisieren
• Warehousing von Daten = RIESIGer Aufwand und auch nach der Implementierung statisch
• Für die Vielfalt und das Volumen der Daten, die auf handelsüblicher Hardware verarbeitet werden - HADOOP
• Commodity-Hardware erforderlich, um einen Hadoop Cluster zu erstellen

Einführung in MapReduce /HDFS

• MapReduce - Verteilen der Datenverarbeitung auf mehrere Server
• HDFS - stellt Daten lokal für den Rechenprozess zur Verfügung (mit Redundanz)
• Daten - können unstrukturiert/schemafrei sein (im Gegensatz zu RDBMS)
• Verantwortung des Entwicklers, die Daten sinnvoll zu nutzen
• Programming MapReduce = Arbeit mit Java (Vor- und Nachteile), manuelles Laden von Daten in HDFS

Tag-2: Sitzung-1.1: Spark: Verteilte In-Memory-Datenbank

• Was ist "In-Memory"-Verarbeitung?
• Spark SQL
• Spark SDK
• Spark-API
• RDD
• Spark Lib
• Hanna
• Wie man ein bestehendes Hadoop-System auf Spark migriert

Tag-2 Session -1.2: Storm -Echtzeitverarbeitung in Big Data

• Streams
• Sprossen
• Bolzen
• Topologien

Tag-2: Sitzung-2: Big Data Management System

• Bewegliche Teile, Rechenknoten starten/fallen aus :ZooKeeper - Für Konfiguration/Koordination/Benennungsdienste
• Komplexe Pipeline/Workflow: Oozie - Verwaltung von Arbeitsabläufen, Abhängigkeiten, Daisy Chain
• Bereitstellung, Konfiguration, Cluster-Management, Upgrade usw. (Systemadministrator) :Ambari
• In der Cloud: Whirr
• Sich entwickelnde Big Data Plattform-Tools zur Verfolgung von
• ETL-Schicht Anwendungsprobleme

Tag-2: Sitzung-3: Prädiktive Analytik in Business Intelligence -1: Grundlegende Techniken und auf maschinellem Lernen basierende BI :

• Einführung in maschinelles Lernen
• Klassifizierungstechniken lernen
• Bayessche Vorhersage - Vorbereitung der Trainingsdatei
• Markov-Zufallsfeld
• Überwachtes und unüberwachtes Lernen
• Merkmalsextraktion
• Support-Vektor-Maschine
• Neuronales Netz
• Verstärkendes Lernen
• Big Data Problem der großen Variablen -Random Forest (RF)
• Repräsentationslernen
• Tiefes Lernen
• Big Data Automatisierungsproblem - Multimodel-Ensemble RF
• Automatisierung durch Soft10-M
• LDA und Themenmodellierung
• Agile Lernen
• Agentenbasiertes Lernen - Beispiel aus dem Telco-Betrieb
• Verteiltes Lernen - Beispiel aus dem Telco-Betrieb
• Einführung in Open-Source-Tools für prädiktive Analytik: R, Rapidminer, Mahut
• Skalierbarere Analytik-Apache Hama, Spark und CMU Graph lab

Tag-2: Sitzung-4 Prädiktive Analytik-Ökosystem-2: Gemeinsame prädiktive analytische Probleme in Telecom

• Einsicht-Analytik
• Visualisierung Analytik
• Strukturierte prädiktive Analytik
• Unstrukturierte prädiktive Analytik
• Kundenprofilierung
• Empfehlungsmaschine
• Erkennung von Mustern
• Regel-/Szenarioerkennung - Fehler, Betrug, Optimierung
• Entdeckung der Grundursache
• Sentiment-Analyse
• CRM-Analytik
• Netzwerk-Analytik
• Text-Analyse
• Technologiegestützte Überprüfung
• Betrugsanalytik
• Echtzeit-Analytik

Tag 3: Sesion-1: Analyse des Netzwerkbetriebs - Ursachenanalyse von Netzwerkausfällen, Serviceunterbrechungen anhand von Metadaten, IPDR und CRM:

• CPU-Nutzung
• Speicherauslastung
• QoS-Warteschlangenauslastung
• Gerätetemperatur
• Schnittstellenfehler
• IoS-Versionen
• Routing-Ereignisse
• Latenzschwankungen
• Syslog-Analysen
• Paketverlust
• Last-Simulation
• Topologie-Inferenz
• Leistungsschwellenwert
• Geräte-Traps
• Erfassung und Verarbeitung von IPDR-Daten (IP Detailed Record)
• Verwendung von IPDR-Daten für den Bandbreitenverbrauch des Teilnehmers, die Auslastung der Netzwerkschnittstelle, den Modemstatus und die Diagnose
• HFC-Informationen

Tag 3: Sitzung 2: Tools für die Analyse von Netzwerkdienstausfällen:

• Network Summary Dashboard: Überwachen Sie den gesamten Netzwerkeinsatz und verfolgen Sie die wichtigsten Leistungsindikatoren Ihres Unternehmens
• Peak Period Analysis Dashboard: Verstehen der Anwendungs- und Teilnehmertrends, die die Spitzenauslastung bestimmen, mit standortspezifischer Granularität
• Routing Efficiency Dashboard: Kontrollieren Sie die Netzwerkkosten und erstellen Sie Business Cases für Investitionsprojekte mit einem vollständigen Verständnis der Interconnect- und Transitbeziehungen
• Real-Time Entertainment Dashboard: Zugriffsmetriken, die von Bedeutung sind, einschließlich Videoaufrufe, Dauer und Qualität der Videoerfahrung (QoE)
• IPv6 Transition Dashboard: Untersuchen Sie die laufende Einführung von IPv6 in Ihrem Netzwerk und gewinnen Sie Einblicke in die Anwendungen und Geräte, die die Trends vorantreiben
• Fallstudie 1: Der Alcatel-Lucent Big Network Analytics (BNA) Data Miner
• Mehrdimensionale mobile Intelligenz (m.IQ6)

Tag 3: Session 3: Big Data BI für Marketing/Vertrieb - Verstehen von Vertrieb/Marketing anhand von Vertriebsdaten: (Alle Themen werden anhand einer Live-Demo zur prädiktiven Analytik gezeigt)

• Identifizierung von Kunden mit der höchsten Umsatzgeschwindigkeit
• Identifizierung von Kunden für ein bestimmtes Produkt
• Identifizierung der richtigen Produkte für einen Kunden (Recommendation Engine)
• Technik der Marktsegmentierung
• Cross-Sale und Upsale Technik
• Technik der Kundensegmentierung
• Technik zur Vorhersage von Verkaufserlösen

Tag 3: Sitzung 4: BI für das CFO-Büro von Telekommunikationsunternehmen:

• Überblick über Business Analytische Arbeiten, die in einem CFO-Büro benötigt werden
• Risikoanalyse bei Neuinvestitionen
• Umsatz- und Gewinnprognose
• Prognosen zur Neukundengewinnung
• Verlustprognose
• Betrugsanalyse der Finanzen (Details in der nächsten Sitzung)

Tag 4: Sitzung 1: Betrugsprävention BI von Big Data in Telco-Betrugsanalyse:

• Bandbreitenverluste/Bandbreitenbetrug
• Lieferantenbetrug/Überfakturierung für Projekte
• Betrug bei Kundenrückerstattungen/-ansprüchen
• Betrug bei der Reisekostenrückerstattung

Tag 4: Sitzung 2: Von der Churning-Vorhersage zur Churning-Prävention:

• 3 Arten von Abwanderung: aktiv/absichtlich, rotierend/unbeabsichtigt, passiv/unfreiwillig
• 3 Klassifizierungen von abgewanderten Kunden: Vollständig, versteckt, partiell
• Verständnis der CRM-Variablen für Abwanderung
• Datenerhebung zum Kundenverhalten
• Erhebung von Daten zur Kundenwahrnehmung
• Erhebung von demografischen Kundendaten
• Bereinigung von CRM-Daten
• Unstrukturierte CRM-Daten (Kundenanrufe, Tickets, E-Mails) und ihre Umwandlung in strukturierte Daten für die Analyse der Kundenabwanderung
• Social Media CRM - ein neuer Weg zur Extraktion des Kundenzufriedenheitsindex
• Fallstudie 1: T-Mobile USA: Verringerung der Kundenabwanderung um 50

Tag 4: Sitzung 3: Wie man prädiktive Analysen für die Ursachenanalyse von Kundenunzufriedenheit nutzt:

• Fallstudie -1: Verknüpfung von Unzufriedenheit mit Problemen - Buchhaltung, technische Fehler wie Serviceunterbrechungen, schlechter Bandbreitenservice
• Fallstudie-2: Big Data QA-Dashboard zur Verfolgung des Kundenzufriedenheitsindex anhand verschiedener Parameter wie Anrufeskalationen, Kritikalität von Problemen, anstehende Serviceunterbrechungen usw.

4. Tag: Session-4: Big Data Dashboard für den schnellen Zugriff auf verschiedene Daten und deren Anzeige:

• Integration der bestehenden Anwendungsplattform mit Big Data Dashboard
• Big Data-Verwaltung
• Fallstudie zu Big Data Dashboard: Tableau und Pentaho
• Verwendung der Big Data-App, um ortsbezogene Werbung zu schalten
• Tracking-System und Verwaltung

Tag 5: Sitzung 1: Wie rechtfertigt man die Big Data BI-Implementierung in einer Organisation?

• Definition des ROI für die Big Data-Implementierung
• Fallstudien zur Einsparung von Analystenzeit für die Sammlung und Aufbereitung von Daten - Steigerung der Produktivität
• Fallstudien zur Umsatzsteigerung durch Kundenabwanderung
• Umsatzsteigerung durch standortbezogene und andere gezielte Werbung
• Ein integrierter Tabellenkalkulationsansatz zur Berechnung der ungefähren Kosten im Vergleich zu den Einnahmegewinnen/Einsparungen aus der Big Data-Implementierung.

Tag 5: Sitzung 2: Schrittweises Vorgehen bei der Ablösung eines alten Datensystems durch ein Big Data-System:

• Verstehen des praktischen Big Data-Migrationsfahrplans
• Welche wichtigen Informationen sind vor der Planung einer Big Data-Implementierung erforderlich?
• Welches sind die verschiedenen Methoden zur Berechnung von Datenvolumen, -geschwindigkeit, -vielfalt und -wahrheit?
• Wie kann man das Datenwachstum abschätzen?
• Fallstudien in 2 Telekommunikationsunternehmen

Tag 5: Sitzung 3 & 4: Überblick über die Big Data-Anbieter und ihre Produkte. Q/A-Sitzung:

• AccentureAlcatel-Lucent
• Amazon - A9
• APTEAN (ehemals CDC Software)
• Cisco Systeme
• Cloudera
• Dell
• EMC
• GoodData Gesellschaft
• Guavus
• Hitachi Datensysteme
• Hortonworks
• Huawei
• HP
• IBM
• Informatica
• Intel
• Jaspersoft
• Microsoft
• MongoDB (ehemals 10Gen)
• MU Sigma
• Netapp
• Opera-Lösungen
• Oracle
• Pentaho
• Platfora
• Qliktech
• Quantum
• Rackspace
• Revolution Analytik
• Salesforce
• SAP
• SAS Institut
• Sisense
• Software AG/Terracotta
• Soft10 Automatisierung
• Splunk
• Sqrrl
• Supermicro
• Tableau Software
• Teradata
• Think Big Analytik
• Tidemark-Systeme
• VMware (Teil von EMC)