Big Data w strategii przedsiębiorstwa. Warszawa,
|
|
- Alina Antonina Rutkowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Big Data w strategii przedsiębiorstwa Warszawa,
2 Czemu stoję przed Paostwem? Przez przeszło 12 lat odpowiadałem za systemy raportujące w portalu Onet.pl. Odpowiadałem za wybór narzędzi do analizy danych. W tym za przejście z rozwiązao komercyjnych na rozwiązania open source. Brałem czynny udział w jednym z najciekawszych projektów Big Data w Alior Bank. Pracowałem przy wdrożeniu systemu rekomendacji treści w TVN. Obecnie w Allegro odpowiadam za rozwój platformy eksperymentacyjnej. Czynnie zajmuję się analizą dużych zbiorów danych i doborem narzędzi analitycznych od początku tego stulecia 2
3 O czym nie chcę mówid Nie chcę opowiadad o tym, o czym czytałem w Internecie tylko o czymś, co robiłem w praktyce. 3
4 Big Data vs Small Data Kategoria Big Data Small Data źródła danych media społeczne mierniki/czujniki logi dane tekstowe materiały wideo, streamy Internet rzeczy klasyczne systemy transakcyjne Systemy CRM (Customer Relationship Management) transakcje na stronach www dane finansowe wielkośd (Volume) Tera/Peta/Exa/Zetta Mega/Giga/Tera szybkośd pozyskiwania (Velocity) często czas rzeczywisty wymagają reakcji w czasie rzeczywistym zmiennośd (Variety) ustrukturyzowane nieustrukturyzowane częściowo ustrukturyzowane przetwarzanie wsadowe nie zawsze wymagają reakcji w czasie rzeczywistym ustrukturyzowane 4
5 Big Data vs Small Data Kategoria Big Data Small Data wartośd (Value) możliwośd przetworzenia w nowy sposób danych z przeszłości wyszukiwanie nowych wzorców technologie Hadoop Spark Cassandra elasticsearch sposób gromadzenia danych klastry tanich serwerów Business Intelligence klasyczne raportowanie klasyczne bazy relacyjne (SQL) drogie wyspecjalizowane serwery główny cel przewidzied przyszłośd wyjaśnid przeszłośd zawód Data Engineer Data Scientist analityk danych Częściowo w oparciu o materiały z kursu BerkeleyX: CS100.1x Introduction to Big Data with Apache Spark 5
6 Big Data definicja Gartnera 6
7 Data Science 7
8 Data Science Communication skills 8
9 Ale tak na koniec dnia Możliwośd stworzenia spójnego obrazu potrzeb klientów. Na podstawie wielu zróżnicowanych źródeł danych. Nadającego się do praktycznego wykorzystania. W rozsądnym czasie. Przy rozsądnych kosztach. Po co? Data driven company 9
10 A tak konkretniej Chcemy połączyd dane o zachowaniu naszych klientów: Systemy transakcyjne Co robią na naszych stronach Co piszą w mediach społecznych Jakich treści szukają w Internecie W jakiej sprawie dzwonili do call center Czy zainteresował ich mailling Jak korzystają z telefonu komórkowego 10
11 Jeszcze konkretniej Musimy przejśd z danych typu: identyfikator klienta data zdarzenia opis zdarzenia wartośd opłata rachunku za gaz 315 zł zakup w sklepie internetowym artykuły sportowe 124 zł do danych o postaci: identyfika tor klienta data zdarzenia url useragent iip Mozilla/5.0 (Windows NT 5.1; rv:26.0) pl Gecko/ Firefox/ identyfikator klienta wartośd rachunku za gaz M-6 wartośd rachunku za gaz M-5 rachunek za gaz ile dni przed/po terminie M-6 wartośd bilety lotnicze M-6 Kwota wydana na benzynę M-5 Kwota wydana na zakupy żywnościowe w sklepach wyższej półki M-5 Czas spędzony na serwisach o tematyce biznesowej M-6 Wydatki na edukację dziecka M-5 Klasa posiadanego telefonu zł 320 zł 10 0 zł 300 zł 20 zł 3: zł Wysoka zł 350 zł zł 500 zł 550 zł 0:15 0 zł średnia 11
12 Co mnie pociąga w analizie danych 1. Prawdziwy obraz zjawiska: nie ma podstawie deklaracji, nie na podstawie panelu, nie na podstawie sztucznego eksperymentu. 2. Możliwośd przekładu problemów biznesowych na język danych. 12
13 Miejsce Hadoop w ekosystemie firmy Systemy produkcyjne Systemy analityczne Systemy raportujące 13
14 Miejsce Hadoop w ekosystemie firmy Systemy produkcyjne Tysiące miliardy użytkowników Kilka typów użytkowników Zoptymalizowane pod utrzymanie usług Odporne na ataki z zewnątrz i wewnątrz Przeważnie nie wymagają korzystania z danych z przeszłości Działają na bardzo szczegółowych danych Poziom dostępności > 99,999% 14
15 Miejsce Hadoop w ekosystemie firmy Systemy raportujące Kilku kilkuset użytkowników Dziesiątki typów użytkowników Odporne na ataki z zewnątrz i wewnątrz Zapewniające detaliczną kontrolę dostępu Możliwość wycofywania transakcji i modyfikowania zapisów Rozbudowana wizualizacja wyników Jednolity interface zarówno dla komputerów jak i tabletów i urządzeń mobilnych Możliwość łatwego personalizowania widzianych treści na poziomie pojedynczych użytkowników i grup użytkowników Działają na bardzo zagregowanych danych Niskie umiejętności techniczne użytkowników 15
16 Miejsce Hadoop w ekosystemie firmy Systemy analityczne Kilku kilkuset użytkowników Kilka typów użytkowników Odporne na ataki z wewnątrz Zapewniające ogólną kontrolę dostępu Możliwość modyfikowania zapisów Działają na bardzo detalicznych danych Im dłuższy okres, za który mamy dane, tym lepiej Łatwość podpięcia narzędzi statystycznych Wysokie umiejętności techniczne użytkowników 16
17 Miejsce Hadoop w ekosystemie firmy Czemu wydzielać systemy analityczne? Zapytania mogą bardzo obciążać system i pojawiać w trudnych do przewidzenia momentach w czasie. Konieczność dostępu do dużej ilości bardzo detalicznych danych Nie muszą mieć wyrafinowanych mechanizmów bezpieczeństwa Nie muszą mieć bardzo wysokiego poziomu dostępności Nie muszą zapewniać bardzo krótkiego czasu odpowiedzi 17
18 Miejsce Hadoop w ekosystemie firmy Hadoop jako podstawa systemu analitycznego Słabe mechanizmy bezpieczeństwa (praktycznie tylko na poziomie systemu operacyjnego) Brak możliwości wycofania transakcji Stosunkowo długi i trudny do przewidzenia czas odpowiedzi Wymaga umiejętności technicznych od użytkowników 18
19 Miejsce Hadoop w ekosystemie firmy Hadoop jako podstawa systemu analitycznego Łatwo skalowalny Oparty o tani sprzęt Open Source Radzi sobie z dużymi zbiorami danych Może przejmować zarówno dane o wyraźnej strukturze (np.: z baz relacyjnych), pseudostrukturze (XML, JSON), czy bez struktury 19
20 Przykładowe rozwiązania Zabierzcie się ze swoją analityką Drogi ale spełniający najwyższe standardy jakości system transakcyjny Dane 1-1 przenoszone do Hadoop Analiza tylko w Hadoop Dane z systemów zewnętrznych pozyskiwane w nieregularnych odcinkach czasu, duże zróżnicowanie danych, różna identyfikacja użytkownika 20
21 Przykładowe rozwiązania Zabierzcie się ze swoją analityką Tani w utrzymaniu system analityczny Możliwość prowadzenia dowolnie skomplikowanych lub eksperymentalnych analiz Bezpieczeństwo (?!) 21
22 Przykładowy problem Chcemy połączyć dane o zachowaniu użytkownika w Internecie z danymi z systemów transakcyjnych. Problemy? 22
23 Przykładowy problem Chcemy połączyć dane o zachowaniu użytkownika w Internecie z danymi z systemów transakcyjnych. Problemy? 1. Jednolita identyfikacja użytkownika w Internecie i w naszych systemach. 23
24 Przykładowy problem Chcemy połączyć dane o zachowaniu użytkownika w Internecie z danymi z systemów transakcyjnych. Zapewnienie jednolitej identyfikacji użytkownika między stronami web (naszymi i instytucji, z którymi współpracujemy): 1. Wspólne międzydomenowe cookie 2. Przekazywanie parametru w url 24
25 Przykładowy problem Chcemy połączyć dane o zachowaniu użytkownika w Internecie z danymi z systemów transakcyjnych. Przejście od cookie do identyfikatora w naszych systemach: Regularne współwystępowanie user-agent i adresu IP w obu systemach 25
26 Przykładowe rozwiązania Hadoop jako podstawa gromadzenia danych Dane z systemów transakcyjnych są zapisywane do Hadoopa poprzez serwery Kafki Dane nie są przechowywane nigdzie więcej poza Hadoopem W Hadoop następuje agregacja danych dla systemów raportujących (opartych o bazy relacyjne i systemy klasy Business Intelligence) 26
27 Przykładowe rozwiązania Hadoop jako podstawa gromadzenia danych Możliwe różne modele dostępu do danych: od niewielki zespół analityków do praktycznie cała firma Potencjalne źródło wycieku danych Ryzyko redundancji danych zespoły mogą utrzymywać kopie dużych wolumenów danych Ryzyko używania różnych definicji biznesowych 27
28 Przykładowe rozwiązania Hadoop jako podstawa gromadzenia danych Duża innowacyjność Duża elastyczność co do zakresu gromadzonych danych W przypadku problemów z jakością danych przetworzonych jest do czego sięgać Można prowadzić analizy według nowych wytycznych na danych przeszłości 28
29 Architektura Lambda/Kappa 29
30 Strata+Hadoop World
31 Dwa światy Szybkie analizy (czas odpowiedzi < minuta) Przetwarzanie wsadowe 31
32 Szybka analiza
33 Hadoop + dostęp do czystego JSON, praca na samoopisujących się danych lepsze zarządzanie zadaniami 33
34 Różne mechanizmy wykonywania zapytań 34
35 Różne mechanizmy wykonywania zapytań 35
36 Big Data technologia pierwsze wrażenie Klasyczne systemy Big data 36
37 Big Data - kooperacja 1. Big Data: wydajniejsza kontrola jakości danych. 2. Big Data: możliwośd integracji danych pochodzących z różnych źródeł. 3. Big Data: szybki dostęp do danych z dowolnie długiego okresu czasu i dla dowolnie dużej grupy klientów. 4. Zaawansowane techniki analizy tekstu. 5. Analiza danych grafowych. 6. A wszystko to, żeby zmienid Big w Small 37
38 Big Data To nie jest coś co się dopiero może wydarzy. Dla wielu firm, to codziennośd od wielu lat. Dla innych firm, to bardzo pociągająca przyszłośd. Coś co musi się wydarzyd. Tam, gdzie pojawia się Big Data, zmieniają warunki gry. 38
39 Dziękuję za uwagę. 39
Big Data. Chwilowe zauroczenie czy trwały element krajobrazu? 26 listopada 2014
Big Data. Chwilowe zauroczenie czy trwały element krajobrazu? 26 listopada 2014 1 Czemu stoję przed Państwem? Przez przeszło 12 lat odpowiadałem za systemy raportujące w portalu Onet.pl. Odpowiadałem za
Bardziej szczegółowoAnalityka danych w środowisku Hadoop. Piotr Czarnas, 5 czerwca 2017
Analityka danych w środowisku Hadoop Piotr Czarnas, 5 czerwca 2017 Pytania stawiane przez biznes 1 Jaka jest aktualnie sytuacja w firmie? 2 Na czym jeszcze możemy zarobić? Które procesy możemy usprawnić?
Bardziej szczegółowoAnalityka danych w środowisku Hadoop. Piotr Czarnas, 27 czerwca 2017
Analityka danych w środowisku Hadoop Piotr Czarnas, 27 czerwca 2017 Hadoop i Business Intelligence - wyzwania 1 Ładowane danych do Hadoop-a jest trudne 2 Niewielu specjalistów dostępnych na rynku Dostęp
Bardziej szczegółowoWprowadzenie do Hurtowni Danych
Wprowadzenie do Hurtowni Danych BIG DATA Definicja Big Data Big Data definiowane jest jako składowanie zbiorów danych o tak dużej złożoności i ilości danych, że jest to niemożliwe przy zastosowaniu podejścia
Bardziej szczegółowoOrganizacyjnie. Prowadzący: dr Mariusz Rafało (hasło: BIG)
Big Data Organizacyjnie Prowadzący: dr Mariusz Rafało mrafalo@sgh.waw.pl http://mariuszrafalo.pl (hasło: BIG) Zaliczenie: Praca na zajęciach Egzamin Projekt/esej zaliczeniowy Plan zajęć # TEMATYKA ZAJĘĆ
Bardziej szczegółowoOd Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych Tomasz Demski StatSoft Polska www.statsoft.pl Analiza danych Zaawansowana analityka, data
Bardziej szczegółowoUsługi analityczne budowa kostki analitycznej Część pierwsza.
Usługi analityczne budowa kostki analitycznej Część pierwsza. Wprowadzenie W wielu dziedzinach działalności człowieka analiza zebranych danych jest jednym z najważniejszych mechanizmów podejmowania decyzji.
Bardziej szczegółowoRola analityki danych w transformacji cyfrowej firmy
Rola analityki danych w transformacji cyfrowej firmy Piotr Czarnas Querona CEO Analityka biznesowa (ang. Business Intelligence) Proces przekształcania danych w informacje, a informacji w wiedzę, która
Bardziej szczegółowoSage ACT! Twój CRM! Zdobywaj, zarządzaj, zarabiaj! Zdobywaj nowych Klientów! Zarządzaj relacjami z Klientem! Zarabiaj więcej!
Sage ACT! Twój CRM! Zdobywaj, zarządzaj, zarabiaj! Zdobywaj nowych Klientów! Zarządzaj relacjami z Klientem! Zarabiaj więcej! Sage ACT! Sprawdzone przez miliony Użytkowników i skuteczne rozwiązanie z rodziny
Bardziej szczegółowoOrganizacyjnie. Prowadzący: dr Mariusz Rafało (hasło: BIG)
Big Data Organizacyjnie Prowadzący: dr Mariusz Rafało mrafalo@sgh.waw.pl http://mariuszrafalo.pl (hasło: BIG) DANE W CZASIE RZECZYWISTYM 3 Tryb analizowania danych 4 Okno analizowania 5 Real-time: Checkpointing
Bardziej szczegółowoAnalityka danych & big data
TomaszJangas.com Analityka danych & big data 15 października 2017 W tym artykule opiszę architekturę, jaka często wykorzystywana jest dzisiaj w środowiskach do analityki danych w wielu różnych organizacjach
Bardziej szczegółowoHurtownie danych. Wstęp. Architektura hurtowni danych. http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH
Wstęp. Architektura hurtowni. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/hur CO TO JEST HURTOWNIA DANYCH B. Inmon, 1996: Hurtownia to zbiór zintegrowanych, nieulotnych, ukierunkowanych
Bardziej szczegółowoAdam Dolega Architekt Rozwiązań Biznesowych Microsoft adam.dolega@microsoft.com
Adam Dolega Architekt Rozwiązań Biznesowych Microsoft adam.dolega@microsoft.com Budowa rozwiązań Rozwiązania dla programistów Narzędzia integracyjne Zarządzanie infrastrukturą Zarządzanie stacjami, urządzeniami
Bardziej szczegółowoHadoop i Spark. Mariusz Rafało
Hadoop i Spark Mariusz Rafało mrafalo@sgh.waw.pl http://mariuszrafalo.pl WPROWADZENIE DO EKOSYSTEMU APACHE HADOOP Czym jest Hadoop Platforma służąca przetwarzaniu rozproszonemu dużych zbiorów danych. Jest
Bardziej szczegółowoWprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mariusz.rafalo@hotmail.com WPROWADZENIE DO HURTOWNI DANYCH Co to jest hurtownia danych? Hurtownia danych jest zbiorem danych zorientowanych tematycznie, zintegrowanych,
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty
Bardziej szczegółowoCo to jest Business Intelligence?
Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl
Bardziej szczegółowoTechnologie cyfrowe i użytkowanie internetu przez firmy kanadyjskie w 2012 r. 2015-11-18 21:36:34
Technologie cyfrowe i użytkowanie internetu przez firmy kanadyjskie w 2012 r. 2015-11-18 21:36:34 2 W 2012 r. sprzedaż kanadyjskich przedsiębiorstw dóbr i usług drogą internetową osiągnęła wartość 122
Bardziej szczegółowoLIDERZY DATA SCIENCE CENTRUM TECHNOLOGII ICM CENTRUM TECHNOLOGII ICM ICM UW TO NAJNOWOCZEŚNIEJSZY OŚRODEK DATA SCIENCE W EUROPIE ŚRODKOWEJ.
ROZUMIEĆ DANE 1 Pozyskiwanie wartościowych informacji ze zbiorów danych to jedna z kluczowych kompetencji warunkujących przewagę konkurencyjną we współczesnej gospodarce. Jednak do efektywnej i wydajnej
Bardziej szczegółowoOne Size Doesn t Fit All, czyli case study stworzenia BI dostosowanego do strategicznych, operacyjnych oraz analitycznych potrzeb
One Size Doesn t Fit All, czyli case study stworzenia BI dostosowanego do strategicznych, operacyjnych oraz analitycznych potrzeb X Kongres Business Intelligence Warszawa, 17.03.2016 Joanna Łuczak Multi-Partnerski
Bardziej szczegółowo2014-03-17. Misja. Strategia. Cele UNIT4 TETA BI CENTER. Plan prezentacji. Grupa UNIT4 TETA. Grupa kapitałowa UNIT4 UNIT4 TETA BI CENTER
Plan prezentacji Prowadzący: Mateusz Jaworski m.jaworski@tetabic.pl 1. Grupa kapitałowa UNIT4. 2. Grupa UNIT4 TETA. 3. UNIT4 TETA BI CENTER. 4. TETA Business Intelligence. 5. Analiza wielowymiarowa. 6..
Bardziej szczegółowoHurtownie danych wykład 5
Hurtownie danych wykład 5 dr Sebastian Zając SGH Warszawa 7 lutego 2017 1 Współbieżność i integracja Niezgodność impedancji 2 bazy danych Współbieżność i integracja Niezgodność impedancji Bazy relacyjne
Bardziej szczegółowoSystem INTEGRYB jako zintegrowane repozytorium danych umożliwiające zaawansowaną analitykę badawczą
System INTEGRYB jako zintegrowane repozytorium danych umożliwiające zaawansowaną analitykę badawczą Lena Szymanek 1, Jacek Seń 1, Krzysztof Skibicki 2, Sławomir Szydłowski 2, Andrzej Kunicki 1 1 Morski
Bardziej szczegółowoSamodzielny Business Intelligence in memory duże i małe. Paweł Gajda Business Solution Architect
Samodzielny Business Intelligence in memory duże i małe Paweł Gajda Business Solution Architect Agenda 1. Zapytania biznesowe 2. SAP Visual Intelligence 3. Szybkość 4. Zaangażowanie 5. Samoobsługa 6. Kreatywność
Bardziej szczegółowoEfektywne przetwarzanie informacji
Efektywne przetwarzanie informacji pozyskiwanych z różnych źródeł Prowadzący Michał Jaskólski dyrektor sprzedaży i marketingu rozwiązania IT Wsparcie Jakub Michalak konsultant biznesowy www.xsystem.pl
Bardziej szczegółowoSERWERY KOMUNIKACYJNE ALCATEL-LUCENT
SERWERY KOMUNIKACYJNE ALCATEL-LUCENT OmniPCX Enterprise Serwer komunikacyjny Alcatel-Lucent OmniPCX Enterprise Communication Server (CS) to serwer komunikacyjny dostępny w formie oprogramowania na różne
Bardziej szczegółowoSpecjalizacja magisterska Bazy danych
Specjalizacja magisterska Bazy danych Strona Katedry http://bd.pjwstk.edu.pl/katedra/ Prezentacja dostępna pod adresem: http://www.bd.pjwstk.edu.pl/bazydanych.pdf Wymagania wstępne Znajomość podstaw języka
Bardziej szczegółowoPlatforma Cognos. Agata Tyma CMMS Department Marketing & Sales Specialist atyma@aiut.com.pl. 2011 AIUT Sp. z o. o.
Platforma Cognos Agata Tyma CMMS Department Marketing & Sales Specialist atyma@aiut.com.pl Business Intelligence - Fakty Kierownicy tracą około 2 godzin dziennie na szukanie istotnych informacji. Prawie
Bardziej szczegółowoAUREA BPM Oracle. TECNA Sp. z o.o. Strona 1 z 7
AUREA BPM Oracle TECNA Sp. z o.o. Strona 1 z 7 ORACLE DATABASE System zarządzania bazą danych firmy Oracle jest jednym z najlepszych i najpopularniejszych rozwiązań tego typu na rynku. Oracle Database
Bardziej szczegółowoJarosław Żeliński analityk biznesowy, projektant systemów
Czy chmura może być bezpiecznym backupem? Ryzyka systemowe i prawne. Jarosław Żeliński analityk biznesowy, projektant systemów Agenda Definicja usługi backup i cloud computing Architektura systemu z backupem
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2012 Zagadnienia do omówienia 1. Miejsce i rola w firmie 2. Przegląd architektury
Bardziej szczegółowoDigital Analytics vs Business Analytics Jak łączyć by osiągnąć maksimum korzyści? Maciej Gałecki
Digital Analytics vs Business Analytics Jak łączyć by osiągnąć maksimum korzyści? Maciej Gałecki Jak Digital Analytics może wpływać na biznes? 2 Jak rozumiem Digital Analytics? Digital Analytics to na
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowodr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r.
dr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r. Big Data w praktyce, z perspektywy konsultanta Business Intelligence Parę słów
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoNEC & CONNECTIA - siła w perfekcji
NEC & CONNECTIA - siła w perfekcji W dzisiejszym świecie jednym z podstawowych wyznaczników jakości jest doskonała komunikacja. Definiujemy ją przez wygodne, nowoczesne, bezpieczne i niezawodne kanały
Bardziej szczegółowoKształcenie analityków danych sektora publicznego
XI Konferencja Naukowa Bezpieczeostwo w Internecie. Analityka danych Kształcenie analityków danych sektora publicznego dr inż. Janusz Dygaszewicz Dyrektor Departamentu Systemów Teleinformatycznych, Geostatystyki
Bardziej szczegółowoSystem Obsługi Wniosków
System Obsługi Wniosków Wersja 2.0 1 System Obsługi Wniosków wersja 2.0 System Obsługi Wniosków to nowoczesne rozwiązanie wspierające proces obsługi wniosków o produkty bankowe. Pozwala na przyjmowanie,
Bardziej szczegółowoDeduplikacja danych. Zarządzanie jakością danych podstawowych
Deduplikacja danych Zarządzanie jakością danych podstawowych normalizacja i standaryzacja adresów standaryzacja i walidacja identyfikatorów podstawowa standaryzacja nazw firm deduplikacja danych Deduplication
Bardziej szczegółowoPrzetwarzanie danych z wykorzystaniem technologii NoSQL na przykładzie serwisu Serp24
Przetwarzanie danych z wykorzystaniem technologii NoSQL na przykładzie serwisu Serp24 Agenda Serp24 NoSQL Integracja z CMS Drupal Przetwarzanie danych Podsumowanie Serp24 Darmowe narzędzie Ułatwia planowanie
Bardziej szczegółowoIII Edycja ITPro 16 maja 2011
III Edycja ITPro 16 maja 2011 SharePoint 2010 SharePoint jako platforma ERP Paweł Szczecki pawel.szczecki@predica.pl Prelegent Paweł Szczecki Współwłaściciel firmy Predica sp. z o.o. Odpowiedzialny za
Bardziej szczegółowoNowoczesne aplikacje mobilne i ich rola w podnoszeniu jakości danych
Nowoczesne aplikacje mobilne i ich rola w podnoszeniu jakości danych www.ascen.pl 1 Agenda O firmie Zarządzanie jakością danych Aplikacje mobilne i ich rola w zarządzaniu jakością danych 2 O firmie Data
Bardziej szczegółowoTrendy BI z perspektywy. marketingu internetowego
Trendy BI z perspektywy marketingu internetowego BI CECHUJE ORGANIZACJE DOJRZAŁE ANALITYCZNIE 2 ALE JAKA JEST TA DOJRZAŁOŚĆ ANALITYCZNA ORGANIZACJI? 3 Jaka jest dojrzałość analityczna organizacji? Zarządzanie
Bardziej szczegółowoHP Service Anywhere Uproszczenie zarządzania usługami IT
HP Service Anywhere Uproszczenie zarządzania usługami IT Robert Nowak Architekt rozwiązań HP Software Dlaczego Software as a Service? Najważniejsze powody za SaaS UZUPEŁNIENIE IT 2 Brak zasobów IT Ograniczone
Bardziej szczegółowoOrganizacyjnie. Prowadzący: dr Mariusz Rafało (hasło: BIG)
Big Data Organizacyjnie Prowadzący: dr Mariusz Rafało mrafalo@sgh.waw.pl http://mariuszrafalo.pl (hasło: BIG) Automatyzacja Automatyzacja przetwarzania: Apache NiFi Źródło: nifi.apache.org 4 Automatyzacja
Bardziej szczegółowoSystem Profesal. Zarządzanie przez fakty
System Profesal Zarządzanie przez fakty Obecny Profesal jest systemem powstałym w wyniku 25 lat doświadczeń firmy ASTOR 150 użytkowników Ponad 450 000 notatek Ponad 11 000 artykułów bazy wiedzy Ponad 35
Bardziej szczegółowoAsseco HOME: obniżenie kosztów operacyjnych telekomów dzięki rozwiązaniu Big Data.
Asseco HOME: obniżenie kosztów operacyjnych telekomów dzięki rozwiązaniu Big Data. asseco.pl Klient. Klient jest jednym z wiodących w Polsce operatorów telekomunikacyjnych, obsługujących ponad 10 mln abonentów.
Bardziej szczegółowoCZY TWOJE ŚRODOWISKO PLIKOWE RÓWNIEŻ ROŚNIE SZYBCIEJ NIŻ BAZODANOWE?
1 CZY TWOJE ŚRODOWISKO PLIKOWE RÓWNIEŻ ROŚNIE SZYBCIEJ NIŻ BAZODANOWE? STAN OBECNY I WYZWANIA Z informacji otrzymanych od naszych Klientów wynika, że dotychczasowe rozwiązania w zakresie przechowywania
Bardziej szczegółowoBaza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.
PI-14 01/12 Baza danych to zbiór wzajemnie powiązanych ze sobą i zintegrowanych danych z pewnej dziedziny.! Likwidacja lub znaczne ograniczenie redundancji (powtarzania się) danych! Integracja danych!
Bardziej szczegółowoInstalacja SQL Server Express. Logowanie na stronie Microsoftu
Instalacja SQL Server Express Logowanie na stronie Microsoftu Wybór wersji do pobrania Pobieranie startuje, przechodzimy do strony z poradami. Wypakowujemy pobrany plik. Otwiera się okno instalacji. Wybieramy
Bardziej szczegółowoArchitecture Best Practices for Big Data Deployments
GLOBAL SPONSORS Architecture Best Practices for Big Data Deployments Kajetan Mroczek Systems Engineer GLOBAL SPONSORS Rozwój analityki biznesowej EKSPLORACJA DANYCH UCZENIE MASZYNOWE SZTUCZNA INTELIGENCJA
Bardziej szczegółowoSzkolenia SAS Cennik i kalendarz 2017
Szkolenia SAS Spis treści NARZĘDZIA SAS FOUNDATION 2 ZAAWANSOWANA ANALITYKA 2 PROGNOZOWANIE I EKONOMETRIA 3 ANALIZA TREŚCI 3 OPTYMALIZACJA I SYMULACJA 3 3 ROZWIĄZANIA DLA HADOOP 3 HIGH-PERFORMANCE ANALYTICS
Bardziej szczegółowoAnalityka skoncentrowana na kliencie
Analityka skoncentrowana na kliencie Wyzwania w dobie personalizacji i multichannel Aleksandra Lisiecka, Digital Analyst, Bluerank Karolina Wróńska-Boukhalfa, Account Manager, Opiniac.com Analityka to
Bardziej szczegółowoPortal Technology Day 29.02.2012
Portal Technology Day 29.02.2012 Trendy Technologii Portalowych Marek Najmajer, B2B Trendy? Trendy Technologii Portalowych Potrzeby użytkowników Zachowanie dostawców Sytuacja w Polsce Portale cieszą ciągle
Bardziej szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoSzybkość instynktu i rozsądek rozumu$
Szybkość instynktu i rozsądek rozumu$ zastosowania rozwiązań BigData$ Bartosz Dudziński" Architekt IT! Już nie tylko dokumenty Ilość Szybkość Różnorodność 12 terabajtów milionów Tweet-ów tworzonych codziennie
Bardziej szczegółowoZastosowania narzędzi analitycznych w komunikacji społecznej
Zastosowania narzędzi analitycznych w komunikacji społecznej Jarosław Romaniuk/ 11 maja 2015 Media Społeczne dziś Użytkownicy sieci społecznościowych w 2014r (mln) Na Świecie W Polsce Liczba użytkowników
Bardziej szczegółowoRozpocznij swój pierwszy projekt IoT i AR z Transition Technologies PSC
Rozpocznij swój pierwszy projekt IoT i AR z Transition Technologies PSC _www.ttpsc.pl _iot@ttpsc.pl Transition Technologies PSC Sp. z o.o. Łódź, Piotrkowska 276, 90-361 tel.: +48 42 664 97 20 fax: +48
Bardziej szczegółowopilotażowe staże dla nauczycieli i instruktorów kształcenia zawodowego w przedsiębiorstwach
pilotażowe staże dla nauczycieli i instruktorów kształcenia zawodowego w przedsiębiorstwach IT W FIRMIE ADAM LASKOWSKI IT W FIRMIE SPIS TREŚCI: CEL ISTNIENIA IT UMIEJSCOWIENIE IT W ORGANIZACJI STRUKTURA
Bardziej szczegółowoPolityka prywatności serwisów internetowych Narodowego Instytutu Architektury i Urbanistyki (NIAiU) i plików cookies
Polityka prywatności serwisów internetowych Narodowego Instytutu Architektury i Urbanistyki (NIAiU) i plików cookies Polityka prywatności realizowana przez serwisy: www.niaiu.pl; Letnie Studium Miasta
Bardziej szczegółowoBigData rewolucja czy ewolucja w świecie rozwiązań analityki biznesowej. Grzegorz Oleś Big Data Sales Executive
BigData rewolucja czy ewolucja w świecie rozwiązań analityki biznesowej Grzegorz Oleś Big Data Sales Executive Big Data??? wielu o tym pisze Big Data??? wielu o tym mówi Zasadnicze pytania O co chodzi
Bardziej szczegółowobo od menedżera wymaga się perfekcji ANKIETY ONLINE W SYSTEMIE BUSINESS NAVIGATOR
bo od menedżera wymaga się perfekcji ANKIETY ONLINE W SYSTEMIE BUSINESS NAVIGATOR SPIS TREŚCI 1. INFORMACJE O FIRMIE... 3 2. CHARAKTERYSTYKA PLATFORMY BUSINESS NAVIGATOR... 4 3. WYKORZYSTANIE USŁUGI ANKIETY
Bardziej szczegółowoZapewnienie dostępu do Chmury
Zapewnienie dostępu do Chmury O bezpiecznym i sprawnym dostępie do Chmury i danych w Chmurze. Marcin Tynda Business Development Manager Grupa Onet S.A. Warszawa, 24.06.2013 1 Kto jest kim Klient? Kim jest
Bardziej szczegółowoPraktyczne aspekty pozyskiwania wiedzy z danych z perspektywy matematyka w bankowości. 2014-01-23 (VI zajęcia) Jakub Jurdziak
Praktyczne aspekty pozyskiwania wiedzy z danych z perspektywy matematyka w bankowości 2014-01-23 (VI zajęcia) Jakub Jurdziak CEL ZAJĘĆ: Prezentacja nowoczesnego banku uniwersalnego jako organizacji opartej
Bardziej szczegółowoTomasz Grześ. Systemy zarządzania treścią
Tomasz Grześ Systemy zarządzania treścią Co to jest CMS? CMS (ang. Content Management System System Zarządzania Treścią) CMS definicje TREŚĆ Dowolny rodzaj informacji cyfrowej. Może to być np. tekst, obraz,
Bardziej szczegółowoPotwierdzanie tożsamości w cyfrowym świecie VII Konferencja i Narodowy Test Interoperacyjności Podpisu Elektronicznego CommonSign 2017
Potwierdzanie tożsamości w cyfrowym świecie VII Konferencja i Narodowy Test Interoperacyjności Podpisu Elektronicznego CommonSign 2017 Warszawa, 25-26 października 2017 roku W urzędzie, placówce służby
Bardziej szczegółowoEXPERIENCE IS THE KING
EXPERIENCE IS THE KING ANALITYKA CUSTOMER JOURNEY W AKCJI MARKETING PROGRESS, 13.10.2016 DOŚWIADCZENIE TECHNOLOGIA 38 lat na świecie, 22 lata w Polsce Wydajny silnik przetwarzania danych i analityki Pełna
Bardziej szczegółowoBig Data w poszukiwaniu actionable data.
120 mln odsłon, 500 mln zdarzeń, miliardy impresji i rekomendacji, dziennie. I co z tego? Big Data w poszukiwaniu actionable data. Mariusz Trejtowicz Grupa Onet - Ringier Axel Springer 2 skala czyli codla
Bardziej szczegółowoegroupware czy phpgroupware jest też mniej stabilny.
Opengroupware to projekt udostępniający kompletny serwer aplikacji oparty na systemie Linux. Dostępny na licencji GNU GPL, strona domowa: http://www.opengroupware.org/ Jego cechy to wysoka stabilność,
Bardziej szczegółowoVI Kongres BOUG Praktyczne aspekty wykorzystania Business Intelligence w przemyśle wydobywczym węgla kamiennego
VI Kongres BOUG Praktyczne aspekty wykorzystania Business Intelligence w przemyśle wydobywczym węgla kamiennego mgr Artur Wroński mgr inż. Przemysław Kapica 25.04.2012 Agenda: Środowisko platformy BI Użytkownicy
Bardziej szczegółowoPLANOWANIE I BUDŻETOWANIE Z WYKORZYSTANIEM NARZĘDZI CYFROWYCH
PLANOWANIE I BUDŻETOWANIE Z WYKORZYSTANIEM NARZĘDZI CYFROWYCH 1 Budżet same problemy Zmienność danych Planowanie wieloletnie Postępowania przetargowe NIK Poziomy wydatków Koszty utrzymaniowe vs majątkowe
Bardziej szczegółowoTECHNOLOGIE BIG DATA A BEZPIECZEŃSTWO INFORMATYCZNE WE KNOW YOU KNOW. silmine.com
TECHNOLOGIE BIG DATA A BEZPIECZEŃSTWO INFORMATYCZNE WE KNOW YOU KNOW. silmine.com 13 + 13 LAT DOŚWIADCZENIA PONAD 480 ZREALIZOWANYCH PROJEKTÓW PARTNERSTWO Naszą ambicją jest dostarczać klientom szeroki
Bardziej szczegółowoLearnIT project PL/08/LLP-LdV/TOI/140001
LearnIT project PL/08/LLP-LdV/TOI/140001 Newsletter Issue 2 April 2009 Drogi czytelniku, Przedstawiamy z przyjemnością drugie wydanie biuletynu projektu LearnIT. W tym wydaniu chcemy powiedzieć więcej
Bardziej szczegółowoIBM MobileFirst! Wprowadzenie do strategii IBM w zakresie rozwiązań mobilnych! Włodek Dymaczewski"
IBM MobileFirst Wprowadzenie do strategii IBM w zakresie rozwiązań mobilnych Włodek Dymaczewski" Te są idealne Już nie mogę się doczekać, żeby kupić je taniej na Allegro Jakie jest hasło do Waszego WiFi?
Bardziej szczegółowoAnaliza internetowa czyli Internet jako hurtownia danych
Analiza internetowa czyli Internet jako hurtownia danych Agenda 1. Hurtownie danych, eksploracja danych i OLAP 3. Internet 5. Analiza Internetowa 7. Google Analytics 9. Podsumowanie Hurtownie danych (definicja)
Bardziej szczegółowoBank innowacyjny w erze cyfrowej
Bank innowacyjny w erze cyfrowej Wprowadzenie do panelu dyskusyjnego Grzegorz Kuliszewski 09 czerwca 2017 Horyzonty Bankowości Transformacja poprzez ewolucję i tworzenie nowych modeli biznesowych Możliwości
Bardziej szczegółowoPaweł Gołębiewski. Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl
Paweł Gołębiewski Softmaks.pl Sp. z o.o. ul. Kraszewskiego 1 85-240 Bydgoszcz www.softmaks.pl kontakt@softmaks.pl Droga na szczyt Narzędzie Business Intelligence. Czyli kiedy podjąć decyzję o wdrożeniu?
Bardziej szczegółowoSplunk w akcji. Radosław Żak-Brodalko Solutions Architect Linux Polska Sp. z o.o.
Splunk w akcji Radosław Żak-Brodalko Solutions Architect Linux Polska Sp. z o.o. 1 Splunk agent wiedzy o infrastrukturze czyli SIEM i coś więcej 2 Splunk gromadzi oraz integruje informacje dotyczące funkcjonowania
Bardziej szczegółowoSAS Access to Hadoop, SAS Data Loader for Hadoop Integracja środowisk SAS i Hadoop. Piotr Borowik
SAS Access to Hadoop, SAS Data Loader for Hadoop Integracja środowisk SAS i Hadoop Piotr Borowik Wyzwania związane z Big Data Top Hurdles with Big data Source: Gartner (Sep 2014), Big Data Investment Grows
Bardziej szczegółowoTURNING DATA INTO GOLD. Od czego zacząć?
TURNING DATA INTO GOLD Od czego zacząć? 2 www.netsprint.group 3 86% reklam programatycznych w Europie wykorzystuje dane beahwioralne Wielkość rynku reklamy Europa: wydatki na targetowane reklamy (mld )
Bardziej szczegółowoPierwsze wdrożenie SAP BW w firmie
Pierwsze wdrożenie w firmie Mirosława Żurek, BCC Poznao, maj 2013 Zakres tematyczny wykładu Podstawowe założenia i pojęcia hurtowni danych ; Przykładowe pierwsze wdrożenie w firmie i jego etapy; Przykładowe
Bardziej szczegółowoOpis Architektury Systemu Galileo
Opis Architektury Systemu Galileo Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Marek Sobierajski 5 czerwca 2006 1 Spis treści 1 Wprowadzenie 5 1.1 Cel.......................................... 5 1.2 Zakres........................................
Bardziej szczegółowoPolityka prywatności
Polityka prywatności Data rozpoczęcia: Data zakończenia: Styczeń 01, 2017 do odwołania Definicje Polityka Polityka ochrony prywatności JDM, określająca zasady przetwarzania i ochrony danych osobowych przekazanych
Bardziej szczegółowoJak wybrać 45 najlepszych prezentacji na FORUM?
Być data driven company w erze Big Data. Jak wybrać 45 najlepszych prezentacji na FORUM? Doświadczenia z budowy platformy do prowadzenia na dużą skalę eksperymentów A/B Joanna Radosław Komuda, Kita, IAB
Bardziej szczegółowoFUNKCJE REALIZOWANE PRZEZ PRZYKŁADOWE APLIKACJE CRM W OPARCIU O DANE Z CENTRAL SLICAN
FUNKCJE REALIZOWANE PRZEZ PRZYKŁADOWE APLIKACJE CRM W OPARCIU O DANE Z CENTRAL SLICAN Integracja serwerów / central telekomunikacyjnych Slican z aplikacją ProfitCRM, firmy AC SOFTWARE poprzez protokół
Bardziej szczegółowoWSTĘP PARADYGMATY I DETERMINANTY ROZWOJU SPOŁECZEŃSTWA INFORMACYJNEGO I GOSPODARKI OPARTEJ NA WIEDZY... 17
SPIS TREŚCI WSTĘP... 11 1. PARADYGMATY I DETERMINANTY ROZWOJU SPOŁECZEŃSTWA INFORMACYJNEGO I GOSPODARKI OPARTEJ NA WIEDZY... 17 1.1. Istota społeczeństwa informacyjnego i gospodarki opartej na wiedzy (Celina
Bardziej szczegółowoReferat pracy dyplomowej
Referat pracy dyplomowej Temat pracy: Wdrożenie intranetowej platformy zapewniającej organizację danych w dużej firmie na bazie oprogramowania Microsoft SharePoint Autor: Bartosz Lipiec Promotor: dr inż.
Bardziej szczegółowoHurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl
Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykładów Wprowadzenie - integracja
Bardziej szczegółowoBig Data to skalowalność i prostota obsługi wielkich ilości danych!
Obsługa aplikacji, które operują na ogromnych zbiorach danych, czyli na przykład portali społecznościowych, przekracza możliwości zwykłych relacyjnych baz. Praca ze złożonymi zbiorami danych wymaga architektury
Bardziej szczegółowoSQL Server i T-SQL w mgnieniu oka : opanuj język zapytań w 10 minut dziennie / Ben Forta. Gliwice, Spis treści
SQL Server i T-SQL w mgnieniu oka : opanuj język zapytań w 10 minut dziennie / Ben Forta. Gliwice, 2017 Spis treści O autorze 9 Wprowadzenie 11 Lekcja 1. Zrozumieć SQL 15 Podstawy baz danych 15 Język SQL
Bardziej szczegółowoInternet wszechrzeczy W KIERUNKU REALLY BIG DATA
Internet wszechrzeczy W KIERUNKU REALLY BIG DATA Czym jest Sieć? Internet of things Internet of everything Kwestie fundamentalne Które z poniższych rozumieć jako treści: Dane Informacje Wiedza Treści w
Bardziej szczegółowoHurtownie danych - przegląd technologii
Hurtownie danych - przegląd technologii Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Plan wykład adów Wprowadzenie - integracja
Bardziej szczegółowoPortale raportowe, a narzędzia raportowe typu self- service
Portale raportowe, a narzędzia raportowe typu self- service Bartłomiej Graczyk Kierownik Projektów / Architekt rozwiązań Business Intelligence E mail: bartek@graczyk.info.pl Site: www.graczyk.info.pl Agenda
Bardziej szczegółowoPlan prezentacji 0 Wprowadzenie 0 Zastosowania 0 Przykładowe metody 0 Zagadnienia poboczne 0 Przyszłość 0 Podsumowanie 7 Jak powstaje wiedza? Dane Informacje Wiedza Zrozumienie 8 Przykład Teleskop Hubble
Bardziej szczegółowoCASE STUDY SUKCES KAMPANII NAPĘDZANEJ DANYMI DLA MARKI RAINBOW
CASE STUDY SUKCES KAMPANII NAPĘDZANEJ DANYMI DLA MARKI RAINBOW www.hitspot.media 1 Kluczem do sukcesu w kampanii dla marki Rainbow było zrozumienie potrzeb klienta i stworzenie mechanizmu umożliwiającego
Bardziej szczegółowoGalileo - encyklopedia internetowa Plan testów
Galileo - encyklopedia internetowa Plan testów Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Matek Sobierajski 5 czerwca 2006 1 Spis treści 1 Wprowadzenie 3 1.1 Cel..........................................
Bardziej szczegółowoCELE I TREŚCI NAUCZANIA POSZCZEGÓLNYCH PRZEDMIOTÓW I. PRZEDMIOTY PODSTAWOWE, WSPÓLNE DLA OBYDWU ŚCIEŻEK:
CELE I TREŚCI NAUCZANIA POSZCZEGÓLNYCH PRZEDMIOTÓW PODYPLOMOWYCH STUDIÓW INFOBROKERSTWA I ZARZĄDZANIA INFORMACJĄ I. PRZEDMIOTY PODSTAWOWE, WSPÓLNE DLA OBYDWU ŚCIEŻEK: 1. Informacja w nauce, społeczeństwie
Bardziej szczegółowoStudium przypadku Bank uniwersalny
Studium przypadku Bank uniwersalny Przedsiębiorstwo będące przedmiotem studium przypadku jest bankiem uniwersalnym. Dominującą strategią banku jest przywództwo produktowe. Cele banku koncentrują się, zatem
Bardziej szczegółowo