Embed Size (px)
Citation preview
Data Everywhere
Big DataBig data es el análisis de la información para identificar tendencias, patrones y
conocimientos que nos permitan tomar mejores decisiones de negocio
La oportunidadLas nuevas tecnologías para el tratamiento de datos hacen posible gestionar y analizar todos los datos disponiblesen su forma nativa:
no estructurada
estructurada
streaming
Impacto en el negocioAgilidad Operativa
Analizar todos los datos operativos disponibles, reaccionar en tiempo real y optimizar los procesos.
Conocer todo acerca de nuestros cliente Analizar todas las fuentes de datos para conocer a nuestros clientes y personalizar la oferta de productos y servicios de las interacciones de canal, a los medios de comunicación social.
Prevención del Fraude y Riesgo Desarrollar mejores modelos de fraude / riesgo mediante el análisis de todos los datos disponibles, y detectar el fraude en tiempo real con el análisis de las transacciones de streaming.
Impulsar y escalar la innovación Captura todas las fuentes de datos retroalimentación y análisis de grandes cantidades de datos para el desarrollo de nuevos productos y servicios.
ASP Value addDescubrimiento, visualización y navegación de datos.
Analisis Agil de los datos para mejorar la visión de negocio e identificar nuevas oportunidades.
Analisis en streaming de los datos para la toma de decisones en tiempo real.
Soluciones ágiles en base a tecnologías abiertas
Analisis ÀgilNecesidad del cliente
Ingerir datos tal y como son en Hadoop y obtener una visión de ella Proceso de grandes volúmenes de datos diversos dentro de Hadoop Combinar conocimientos con el almacén de datos Analis nálisis ad-hoc para probar nuevas hipótesis
Proposición de Valor Adquirir nuevos conocimientos a partir de una variedad y combinación de fuentes de datos Superar el costo prohibitivo de la conversión fuentes de datos no estructurados a un formato estructurado Extender el valor del almacén de datos mediante la incorporación de nuevos tipos de datos y la conducción de nuevos tipos de análisis Experimentar con el análisis de diferentes combinaciones de datos para modificar los modelos analíticos en el almacén de datos
Ejemplos de clientes Oferta personalizada de servicos financieros en Monty
Streaming de datosNecesidad del cliente
Captura y proceso de datos en tiempo real, selección y agregación de información valiosa de negocio para su posterior procesamiento Proceso y analice de los datos perecederos, para la toma las decisiones oportunas.
Proposición de Valor Se ha reducido significativamente el tiempo de procesamiento y costo - proceso y luego almacenar lo que es valioso Reaccionar en tiempo real para capturar oportunidades antes de que caduquen
Ejemplos de clientes Pedro Sanz - Generación automatica de oferttas personalizadas para captar y retener los clientes.
Descubrimiento y Navegación
Necesidad del cliente Comprender las fuentes de datos existentes Exponer los datos dentro existente sistemas de archivos de gestión de contenidos y para nuevos usos, sin copiar el datos a una ubicación central Buscar y navegar por grandes datos de orígenes multicana
Proposición de Valor Póngase en marcha rápidamente ydescubrir y recuperar grandes datos relevantes Utilizar fuentes de datos grandes en nuevo aplicaciones centradas en la información
Ejemplos de clientes Telefonica MSS SAQQRA - Generacíon de una vista 360 ° de las amenazas y vulnerabilidades de seguridad de sus clientes
Soluciones Àgiles
Necesidad del cliente Comprender las fuentes de datos existentes Exponer los datos dentro existente sistemas de archivos de gestión de contenidos y para nuevos usos, sin copiar el datos a una ubicación central Buscar y navegar por grandes datos de orígenes multicana
Proposición de Valor Póngase en marcha rápidamente y descubrir y recuperar grandes datos relevantes Utilizar fuentes de datos grandes en nuevo aplicaciones centradas en la información
Ejemplos de clientes Telefonica MSS SAQQRA - Generación de una vista 360 ° de las amenazas y vulnerabilidades de seguridad de sus clientes
Es el momento
¿Preparado?
1. Define your Goals
Proceso tradicional
Convergencia de datosDivergencia analítica
DescubreRecopila
FiltraIntegra Aumenta
AnalizaActúa
3-6 meses 2 meses 2-4 meses
Proceso ágil
Convergencia de datosDivergencia analítica
DescubreRecopila
FiltraIntegra Aumenta
AnalizaActúa
3-6 meses 2 meses 2-4 meses
MPV, con un simple modelo de frecuencia
Mide el uso actual y sus beneficios
Aprende y evoluciona hacia una mejor comprensión
80/20
Un ejemplo
¿Qué características tienen los clientes que nos están dejando?
¿Qué comportamientos de compra tienen
los clientes que se están yendo?
¿Cómo podemos retener a clientes de alto valor que
están a punto de abandonarnos?
¿Qué están diciendo los clientes que están a punto de irse en las RRSS?
¿Podemos determinar el sentimiento denuestros clientes antes de irse?¿Podemos determinar el sentimiento de
nuestros clientes antes de irse?
¿Podemos determinar el sentimiento denuestros clientes antes de irse?
¿Qué secuencia de eventos parece que es la anima a nuestros clientes
a quedarse?
¿Qué secuencia de eventos parece que es la anima a nuestros clientes
a quedarse?
Escalando la solución
Nuestra arquitectura de referencia
Arquitectura Lambda
Arquitectura Lambda
Batch-Hadoop (MR1)
Batc-MapReduce
Batch-Cascading
Batch-Spark
Batch-MPP database
Velocidad
Batch
Speed
Serving Query
query = function(all data)
All Data
Velocidad. Storm
Servicio.
Batch
Speed
Serving Query
query = function(all data)
All Data
Pull-based Batch Loads
EnterpriseData Models
Complex ETL Logic
Poorly Suited to Non-Relational Data
El diseño emergente es difícil
Arquitecturas convencionales
Drive Towards in memory Processing
https://www.tele-task.de/archive/lecture/overview/5721/
In memory Computing
https://www.tele-task.de/archive/lecture/overview/5721/
https://www.tele-task.de/archive/lecture/overview/5721/
Apache Spark
Data Structures
Algorithmshttps://www.flickr.com/photos/herrolsen/7645876896/
Raw Data Data Structure Algorithm Insight
Estructura
Traditional Data Flow
Streaming Data Flow
aspgems.com@aspgems
Gracias
