O mnie

Transkrypt

1

2 O mnie

3 Cele sesji

4 Cele sesji

5

6 Dlaczego? Źródło:

7

8

9 Przypadek #1: big data lub nie

10 Przypadek #1: Rezultaty

11

12 Przypadek #2: PaaS kontra IaaS

13 Przypadek #2: Rezultaty

14 Przypadek #3: Spróbuj zamiast narzekać Dane źródłowe (xlsx) Machine Translation API Sentiment Analysis API Key phrase detection API

15 Cortana Intelligence Suite Data Sources Information Management Big Data Stores Machine Learning and Analytics Intelligence People Data Factory Data Lake Store Machine Learning Cognitive Services Data Catalog SQL Data Warehouse Data Lake Analytics Bot Framework Web Apps Event Hubs HDInsight (Hadoop and Spark) Cortana Apps Mobile Stream Analytics Bots Dashboards & Visualizations Sensors and devices Power BI Automated Systems Data Intelligence Action

16

17

18

19

20

21 Przypadek #4: Swoboda działań

22

23

24

25

26

27 Analiza ruchu godzinowego

28

29 Przypadek #4: Rezultaty

30

31 Przypadek #5: Think big

32 Architektura pilotażowa HDInsight cluster Revolution R VM Azure VM Custom UDFs (Streaming and/or Java) SQL DB JDBC/Sqoop Hive RStudio Log Ops Table HCatalog rxodbc MRS HDFS Scalable ETL Large-scale data analysis

33 Wykrywanie anomalii za pomocą segmentacji Skrajni użytkownicy SYSTEM_IDENTITY1 SYSTEM_IDENTITY2 ANON1 ANON2 ANON3 Rozmiar klastra Cluster # Cluster # Położenie klastra Cluster # avgopsperday avgsessionperday Acgopspersession Ipcnt

34 3 segmenty użytkowników [po usunięciu anomalii, bez normalizacji]

35 3 segmenty użytkowników [po usunięciu anomalii, z normalizacją] Rozmiar klastra Cluster # Cluster # Cluster # Położenie klastra Avgopsperday Avgsessionperday Avgopspersession Ipcnt Cluster # Cluster # Cluster # Segmenty Light users Active+mobile users Active+static users

36 Prediction Klasyfikacja użytkowników Rezultaty (w oparciu o drzewa decyzyjne): % % avgopspersession < 6.9 yes % avgopsperday < 7.1 no % avgopsperday >= % Confusion Matrix Reference avgopspersession < % ipcnt < % avgsessionperday >= 4.2 avgopsperday >= 15 Accuracy: % % % % % % % %

37 z wykorzystaniem Azure ML

38 Przypadek #5: Rezultaty

39

40 Przypadek #6: Plaża?

41 Najczęstsza przyczyna porażek

42

43 Przypadek #7: Arbuz

44 IBS Użytkownik Usługi Customer Support Manager Sprzedaż CIO

45 Dbanie o satysfakcję klienta już wkrótce Centralizacja danych Modele analityczne Synchronizacja z biznesem Wspólny zbiór danych pozwoli zunifikować sposób patrzenia na klientów Krótszy czas potrzebny na zmianę Nawiązanie dialogu pomiędzy różnymi interesariuszami

46 Satysfakcja klienta w przyszłości Bogatszy arsenał narzędzi do zbierania danych Opinie zbierane i analizowane na bieżąco Jednolity wizerunek firmy

47 Machine Learning University

48 Ciągłe doszkalanie

49 OneML Cykliczne, praktyczne wyzwania dla chętnych Scenariusze mocno osadzone w rzeczywistości Interdyscyplinarne zespoły

50 7 zasad zwiększających prawdopodobieństwo sukcesu

51 Co dalej? Advanced Analytics Labs (2 dni) R Labs (1-2 dni) (Bezpłatne) zaangażowanie w indywidualne projekty

52 Pytania?