[Школа Больших Данных] Аналитика больших данных для руководителей (Николай Комиссаренко)

[Аноним]

Ссылка на картинку

Аналитика больших данных для руководителей

Все, что нужно знать для успешной работы с большими данными: методы аналитики и машинного обучения, принципы работы и функциональные возможности компонентов экосистемы Hadoop, безопасность озера данных, цифровизация бизнеса.

О продукте:

Сегодня информация — это основа любого бизнеса, инструмент эффективного управления и оптимизации рабочих процессов. Аналитика больших данных (Big Data) вашего бизнеса поможет своевременно выявить и даже предупредить множество проблем, от оттока клиентов до утечки персональных данных. Чтобы понимать возможности современных технологий и выбирать среди них наилучшее соотношение «стоимость/результат», менеджеру необходимо разбираться в базовых понятиях и прикладных решениях.
Теоретический курс «Аналитика больших данных для руководителей» ориентирован на руководство государственных предприятий и частных компаний, менеджеров и специалистов, которые хотят получить расширенные знания по инструментам и методам анализа больших данных для участия в проектах Big Data и цифровизации бизнеса, в том числе, в условиях импортозамещения.

Аудитория: Руководство государственных предприятий и частных компаний, менеджеры и специалисты.
Уровень подготовки: Предварительный опыт не требуется.

Программа курса:

1. Введение в Big Data (Большие данные)

• Большие данные и цифровизация бизнеса.
• Базовые принципы и отличия от классических подходов к работе с данными.
• Обзор методологии CRISP DM — модели жизненного цикла аналитики данных: получение данных, подготовка данных, планирование модели, построение модели, проверка результатов, внедрение.
• Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
• Тенденции в подходах Big Data и что актуально на сегодняшний день.
• Технологии Big Data в условиях импортозамещения.

2. Понимание Бизнеса (Business Understanding)

• Определение бизнес целей для проекта Big Data.
• Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
• Инициация проекта — критические факторы успеха. Основные проблемы.
• Оценка ситуации: риски, ROI, доступные ресурсы, оценка зрелости компании.
• Приоритизация задач: Что делаем, а что нет.
• Высокоуровневый план проекта.
• Начинаем формировать команду проекта: специалисты и их компетенции, роли.

3. Понимание данных (Data Understanding)

• Определение источников данных.
• Специфика работы с потоковыми данными и batch в Big Data.
• Принципы формирования Data Lake: выбор платформы.
• Первичный сбор и анализ данных: инструментарий и доступные методы.
• Описание данных и сбор метаданных.
• Data management и Data Governance.
• Оценка качества данных Data Quality.
• Основные трудности и проблемы, критические факторы успеха, роли и навыки.
• Разбор сценариев (cases) для фазы Data Understanding.

4. Подготовка данных (Data Preparation)

• Подготовка данных – подходы Data Science: нормализация, очистка, выборки, enrichment, форматирование данных.
• Подготовка данных – как процесс формирования Data Pipeline:
  • Процессы ETL и ELT,
  • Зонирование Data Lake и сегментирование данных,
  • Назначение и сравнительная характеристика компонент экосистемы Apache Hadoop, NoSQL, DWH, платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии),
  • Инструменты оркестрирования и автоматизации (Data Flow).
• И снова о Метаданных: Data Lineage, Data Provenance, Data Governance, …
• Безопасность больших данных.
• Основные трудности и проблемы, критические факторы успеха.
• Специалисты и их компетенции на данной стадии.

5. Выбор и построение моделей (Modeling)

• Классы аналитических задач и подходы к их решению.
• Обзор техник моделирования.
• Построение моделей и оценка моделей.
• Что нужно для успешного моделирования.
• Инструментарий для решения аналитических задач этапа моделирования.
• Оценка моделей и среда тестирования моделей: технические метрики оценки качества проведенного моделирования.
• А также песочницы, Machine & Deep learning, AI, Нейронные сети и многое другое.
• Команда Data Science и их компетенции.
• Основные трудности и проблемы фазы моделирования, критические факторы успеха.
• Облачные платформы для быстрой разработки.
• Место DevOps, MLOps для организации процессов разработки.
• Рассмотрение фазы моделирования на сквозных сценариях (cases): место, участники, взаимодействие с другими фазами и процессами.

6. Оценка результатов (Evaluation)

• Про бизнес-метрики оценки качества моделирования.
• Что делать если все плохо? – возвращаемся на предыдущие фазы.
• Рассматриваем данную стадию в рамках наших сценариев (cases).
• Отличия среды разработки и эксплуатации.
• Особенности этапа оценки.

7. Развертывание (Deployment)

• Планирование развертывания модели.
• Мониторинг и обслуживание модели.
• Методологии автоматизации и вывода продуктов в промышленную эксплуатацию – DevOps и MLOps.
• Задачи финального обеспечения фаз жизненного цикла Data Science: цикличность reviews, обновления и вывод из эксплуатации.

8. Финальная переоценка проекта

• Постанализ рисков и BIA, ROI и генерация ценности.
• Допущенные просчеты и методы их решения.
• Оценка процессов и оценка зрелости компании.
• Типичные ошибки применения CRISP DM.
• Альтернативные подходы и расширения CRISP DM (Domino, TDSP, SEMMA).

Чему Вы научитесь:

• Разбираться в основных понятиях Больших Данных, Машинного обучения (Machine Learning), Искусственного интеллекта (Artificial Intelligence)
• понимать назначение компонентов экосистемы Hadoop, Spark, Kafka или терминов Data Lake, Delta Lake,
• знать, в чем отличие Apache Hadoop, Arenadata, NoSQL, MPP или Greenplum,
• выявить нюансы облачных решений, контейнеризации и применимости к вашей отрасли бизнеса,
• знать, что такое политики Data Governance,
• знать особенности применения методологий для реализации процессов аналитики больших данных на примере CRISP-DM.