Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Perincian topik berdasarkan hari: (Setiap sesi berlangsung selama 2 jam)
Hari-1: Sesi -1: Tinjauan Bisnis Mengapa Big Data Business Intelligence di Telco.
- Kasus Studi dari T-Mobile, Verizon dll.
- Tingkat adaptasi Big Data di Telco Amerika Utara & bagaimana mereka mengatur model bisnis dan operasinya di sekitar Big Data BI
- Area Aplikasi Skala Luas
- Pengelolaan Jaringan dan Pelayanan
- Pengelolaan Perputaran Pelanggan
- Integrasi Data & Visualisasi Dashboard
- Pengelolaan Penipuan
- Pembuatan Aturan Bisnis
- Profil Pelanggan
- Pemasaran Lokal
Hari-1: Sesi-2 : Pengenalan Big Data-1
- Karakteristik utama Big Data- volume, variety, velocity dan veracity. Arsitektur MPP untuk volume.
- Data Warehouses – skema statis, dataset yang berkembang lambat
- Database MPP seperti Greenplum, Exadata, Teradata, Netezza, Vertica dll.
- Solusi Berbasis Hadoop – tidak ada kondisi pada struktur dataset.
- Polanya yang tipikal: HDFS, MapReduce (crunch), ambil dari HDFS
- Batch- cocok untuk analisis/non-interaktif
- Volume : Data streaming CEP
- Pilihan tipikal – produk CEP (contoh: Infostreams, Apama, MarkLogic dll)
- Lebih siap produksi – Storm/S4
- Database NoSQL – (kolom dan nilai kunci): Cocok sebagai tambahan analisis untuk data warehouse/database
Hari-1 : Sesi -3 : Pengenalan Big Data-2
Solusi NoSQL
- KV Store - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
- KV Store - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
- KV Store (Hierarchical) - GT.m, Cache
- KV Store (Ordered) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
- KV Cache - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
- Tuple Store - Gigaspaces, Coord, Apache River
- Object 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
Jenis-Jenis Data: Pengenalan Masalah Membersihkan Data di Big Data
- RDBMS – struktur/schema statis, tidak mempromosikan lingkungan yang fleksibel, eksploratif.
- NoSQL – semi terstruktur, cukup struktur untuk menyimpan data tanpa skema tepat sebelum menyimpan data
- Masalah membersihkan data
Hari-1 : Sesi-4 : Pengenalan Big Data-3 : Hadoop
- Kapan memilih Hadoop?
- STRUCTURED - Enterprise data warehouses/databases dapat menyimpan data besar (dengan biaya) tetapi memaksa struktur (tidak baik untuk eksplorasi aktif)
- Data SEMI STRUCTURED – sulit dilakukan dengan solusi tradisional (DW/DB)
- Data Warehousing = Usaha yang besar dan statis bahkan setelah implementasi
- Untuk variasi & volume data, diolah pada perangkat keras komoditas – HADOOP
- Perangkat keras komoditas yang dibutuhkan untuk membuat kluster Hadoop
Pengenalan Map Reduce /HDFS
- MapReduce – komputasi terdistribusi di beberapa server
- HDFS – memastikan data tersedia secara lokal untuk proses komputasi (dengan redundansi)
- Data – dapat tidak terstruktur/tanpa skema (berbeda dengan RDBMS)
- Tanggung jawab pengembang untuk mengolah data
- Memprogram MapReduce = bekerja dengan Java (kelebihan/kekurangan), memuat data secara manual ke HDFS
Hari-2: Sesi-1.1: Spark : Basis data terdistribusi dalam memori
- Apa itu “pemrosesan dalam memori”?
- Spark SQL
- Spark SDK
- Spark API
- RDD
- Spark Lib
- Hanna
- Bagaimana cara migrasi sistem Hadoop yang ada ke Spark
Hari-2 Sesi -1.2: Storm - Pemrosesan waktu nyata di Big Data
- Streams
- Sprouts
- Bolts
- Topologies
Hari-2: Sesi-2: Sistem Pengelolaan Big Data
- Bagian yang bergerak, node komputasi mulai/gagal : ZooKeeper - Untuk layanan konfigurasi/koordinasi/nama
- Pipa/pengaliran yang rumit: Oozie – mengelola alur kerja, dependensi, rantai daisy
- Deploys, konfigurasi, pengelolaan kluster, pengembangan dll (sys admin) : Ambari
- Di Cloud : Whirr
- Perangkat lunak platform Big Data yang berkembang untuk pemantauan
- Masalah aplikasi lapisan ETL
Hari-2: Sesi-3: Analisis Prediktif dalam Business Intelligence -1: Teknik Dasar & Business Intelligence berbasis Machine Learning :
- Pengenalan Machine Learning
- Belajar teknik klasifikasi
- Prediksi Bayesian-persiapan file latihan
- Markov random field
- Belajar terawasi dan tidak terawasi
- Ekstraksi fitur
- Support Vector Machine
- Jaringan Sarang
- Belajar penguatan
- Big Data masalah variabel besar -Hutan Acak (RF)
- Belajar representasi
- Belajar mendalam
- Masalah otomatisasi Big Data – Multi-model ensemble RF
- Otomatisasi melalui Soft10-M
- LDA dan pemodelan topik
- Belajar agile
- Belajar berbasis agen - Contoh dari operasi Telco
- Belajar terdistribusi – Contoh dari operasi Telco
- Pengenalan Peralatan Open Source untuk Analisis Prediktif : R, Rapidminer, Mahut
- Analisis yang lebih skalabel-Apache Hama, Spark dan CMU Graph lab
Hari-2: Sesi-4 Sistem ekosistem analisis prediktif-2: Masalah analisis prediktif umum dalam Telekomunikasi
- Analisis wawasan
- Analisis visualisasi
- Analisis prediktif terstruktur
- Analisis prediktif tidak terstruktur
- Profil pelanggan
- Mesin rekomendasi
- Pendeteksi pola
- Penemuan aturan/skenario – kegagalan, penipuan, optimasi
- Penemuan penyebab akar
- Analisis sentimen
- Analisis CRM
- Analisis jaringan
- Analisis teks
- Tinjauan ulasan yang didukung teknologi
- Analisis penipuan
- Analisis waktu nyata
Hari-3 : Sesi-1 : Analisis Operasi Jaringan-analisis penyebab akar kegagalan jaringan, gangguan pelayanan dari metadata, IPDR dan CRM:
- Penggunaan CPU
- Penggunaan Memori
- Penggunaan Antrian QoS
- Suhu Perangkat
- Kesalahan Antarmuka
- Versi IoS
- Acara Routing
- Variasi Laten
- Analisis syslog
- Pemakaian Paket
- Simulasi Beban
- Inferensi Topologi
- Ambang Batas Kinerja
- Trap Perangkat
- Pengumpulan dan pemrosesan IPDR ( rekam detail IP)
- Pemakaian data IPDR untuk Konsumsi bandwidth pelanggan, pemakaian antarmuka jaringan, status modem dan diagnostik
- Informasi HFC
Hari-3: Sesi-2: Peralatan untuk analisis kegagalan pelayanan jaringan:
- Dashboard Ringkasan Jaringan: pantau deploymen jaringan secara keseluruhan dan pantau kinerja kunci organisasi Anda
- Dashboard Analisis Masa Puncak: pahami tren aplikasi dan pelanggan yang mendorong pemakaian puncak, dengan tingkat kepentingan lokasi
- Dashboard Efisiensi Routing: kendalikan biaya jaringan dan bangun kasus bisnis untuk proyek modal dengan pemahaman lengkap tentang hubungan interkoneksi dan transit
- Dashboard Hiburan Waktu Nyata: akses metrik yang penting, termasuk tampilan video, durasi, dan kualitas pengalaman video (QoE)
- Dashboard Transisi IPv6: penelitian adopsi IPv6 yang sedang berlangsung di jaringan Anda dan mendapatkan wawasan tentang aplikasi dan perangkat yang mendorong tren
- Kasus-Studi-1: Pengambil Data Alcatel-Lucent Big Network Analytics (BNA)
- Inteligensi mobile multi-dimensional (m.IQ6)
Hari-3 : Sesi 3: Big Data BI untuk Pemasaran/Penjualan – Memahami penjualan/pemasaran dari data penjualan: (Semua akan ditunjukkan dengan demo analisis prediktif langsung )
- Untuk mengidentifikasi pelanggan dengan kecepatan tertinggi
- Untuk mengidentifikasi pelanggan untuk produk tertentu
- Untuk mengidentifikasi set produk yang tepat untuk pelanggan ( Mesin rekomendasi)
- Teknik pemisahan pasar
- Teknik penawaran silang dan peningkatan
- Teknik pemisahan pelanggan
- Teknik peramalan pendapatan penjualan
Hari-3: Sesi 4: BI yang diperlukan untuk kantor CFO Telco:
- Tinjauan pekerjaan analisis bisnis yang diperlukan di kantor CFO
- Analisis risiko pada investasi baru
- Peramalan pendapatan, laba
- Peramalan penambahan pelanggan baru
- Peramalan kerugian
- Analisis penipuan keuangan ( detail sesi berikutnya )
Hari-4 : Sesi-1: BI pemantauan penipuan dari Big Data di Telco-Analisis penipuan:
- Penggelapan/penipuan bandwidth
- Penipuan vendor/pemerintahan biaya untuk proyek
- Penipuan pengembalian uang/penuntutan pelanggan
- Penipuan pengembalian biaya perjalanan
Hari-4 : Sesi-2: Dari Prediksi Perputaran ke Pencegahan Perputaran:
- 3 Jenis Perputaran : Aktif/Sengaja , Rotasi/Kejanggalan, Pasif Tidak Sengaja
- 3 klasifikasi pelanggan yang putus : Total, Terpendam, Parcial
- Memahami variabel CRM untuk perputaran
- Pengumpulan data perilaku pelanggan
- Pengumpulan data persepsi pelanggan
- Pengumpulan data demografi pelanggan
- Membersihkan Data CRM
- Data CRM tidak terstruktur (panggilan pelanggan, tiket, email) dan konversinya menjadi data terstruktur untuk analisis perputaran
- Media sosial CRM-caranya baru untuk mengekstrak indeks kepuasan pelanggan
- Kasus Studi-1 : T-Mobile USA: Penurunan perputaran 50%
Hari-4 : Sesi-3: Cara menggunakan analisis prediktif untuk analisis penyebab akar kekecewaan pelanggan :
- Kasus Studi -1 : Mengkaitkan kekecewaan dengan masalah – Kegagalan akuntansi, teknik seperti gangguan layanan, layanan bandwidth yang buruk
- Kasus Studi-2: Dashboard Big Data QA untuk melacak indeks kepuasan pelanggan dari berbagai parameter seperti perpanjangan panggilan, kewajiban masalah, acara gangguan layanan yang tertunda dll.
Hari-4: Sesi-4: Dashboard Big Data untuk aksesibilitas cepat dan penampilan data beragam :
- Integrasi platform aplikasi yang ada dengan Dashboard Big Data
- Pengelolaan Big Data
- Kasus Studi Dashboard Big Data: Tableau dan Pentaho
- Gunakan aplikasi Big Data untuk memasukkan iklan berdasarkan lokasi
- Sistem pelacakan dan manajemen
Hari-5 : Sesi-1: Cara membenarkan implementasi Big Data BI dalam sebuah organisasi:
- Mendefinisikan ROI untuk implementasi Big Data
- Kasus studi tentang penghematan waktu analis untuk pengumpulan dan persiapan data – peningkatan kinerja
- Kasus studi tentang peningkatan pendapatan dari perputaran pelanggan
- Peningkatan pendapatan dari iklan yang berorientasi lokasi dan lainnya
- Pendekatan lembar kerja terintegrasi untuk menghitung biaya vs. Peningkatan/hemat pendapatan dari implementasi Big Data.
Hari-5 : Sesi-2: Langkah-langkah untuk menggantikan sistem data legacy dengan sistem Big Data:
- Memahami peta jalan migrasi Big Data praktis
- Apa informasi penting yang dibutuhkan sebelum merancang implementasi Big Data
- Apa cara-cara berbeda untuk menghitung volume, kecepatan, variasi, dan kejelasan data
- Bagaimana cara menghitung pertumbuhan data
- Kasus studi di 2 Telco
Hari-5: Sesi 3 & 4: Ulasan Vendor Big Data dan ulasan produk mereka. Sesu Sesi:
- AccentureAlcatel-Lucent
- Amazon –A9
- APTEAN (Dahulu CDC Software)
- Cisco Systems
- Cloudera
- Dell
- EMC
- GoodData Corporation
- Guavus
- Hitachi Data Systems
- Hortonworks
- Huawei
- HP
- IBM
- Informatica
- Intel
- Jaspersoft
- Microsoft
- MongoDB (Dahulu 10Gen)
- MU Sigma
- Netapp
- Opera Solutions
- Oracle
- Pentaho
- Platfora
- Qliktech
- Quantum
- Rackspace
- Revolution Analytics
- Salesforce
- SAP
- SAS Institute
- Sisense
- Software AG/Terracotta
- Soft10 Automation
- Splunk
- Sqrrl
- Supermicro
- Tableau Software
- Teradata
- Think Big Analytics
- Tidemark Systems
- VMware (Bagian dari EMC)
Persyaratan
- Harus memiliki pengetahuan dasar tentang operasi bisnis dan sistem data di Telecom dalam domain mereka
- Harus memiliki pemahaman dasar tentang SQL/Oracle atau database relasional
- Pemahaman dasar tentang Statistika (tingkat Excel)
35 Jam
Testimoni (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
Kursus - 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
Kursus - Big Data Business Intelligence for Telecom and Communication Service Providers
Understanding big data beter
