Курс "Аналитика больших данных для руководителей"

Код: EDU-BDAM
Специализация: Авторские курсы: СУБД и хранилища данных

Продолжительность - 3 дня

Курс «Аналитика больших данных для руководителей» - все, что нужно знать для успешной работы с большими данными: методы аналитики и машинного обучения, основы и функционал компонентов экосистемы Hadoop, безопасность озера данных, цифровизация бизнеса и GDPR.

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.

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.

В рамках курса вы будете выполнять проект, в рамках которого вы разработаете план цифровой трансформации вашей организации на основе больших данных.

Также в рамках курса у вас будет возможность разобрать интересующие вас вопросы и обсудить перспективы применения полученных знаний и рассмотренных инструментов в контексте решения ваших рабочих задач.

Чему Вы научитесь:

• Разрабатывать стратегии цифровой трансформации организаций на основе больших данных
• разрабатывать бизнес-кэйсы для проектов анализа больших даннных
• эффективно применять фрэймворки управления проектами анализа больших данных
• 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, 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.

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

Длительность обучения: 24 акад. часов за 6 дней.

Программа курса

1. Введение в Big Data (Большие данные)

• Большие данные и цифровизация бизнеса.
• Характеристики data-driven организации. Data-driven и data-informed организации: основные отличия.
• Принятие data-driven решений и путь к ценности данных.
• Базовые принципы и отличия от классических подходов к работе с данными.
• Сравнительный анализ фрэймворков управления проектами анализа больших данных CRISP DM, Domino, TDSP, SEMMA, Enterprise Big Data Framework.
• 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. Правовые аспекты организации защиты персональных данных

• Правовое регулирование в области защиты персональных данных
• Права субъекта и обязанности оператора при обработке ПД
• Нарушители безопасности ПД
• Государственные регуляторы и их нормативно-правовая документация в области защиты ПД
• Осуществление проверки соблюдения правил в области защиты ПД и ответственность за их нарушение
• GDPR

Практическое задание

Постановка целей для функции Big Data в вашей организации, выявление зон и способов развития организации на пути к data-driven.

3. Понимание Бизнеса (Business Understanding)

• Влияние Big Data на бизнес. Правильные вопросы бизнесу.
• Определение бизнес целей для проекта Big Data.
• Этапы жизненного цикла проекта анализа больших данных, модель DSCPLC.
• Инициация проекта — критические факторы успеха. Основные проблемы.
• Оценка ситуации: риски, ROI, IRR, доступные ресурсы, оценка зрелости компании.
• Приоритизация задач: Что делаем, а что нет.
• Высокоуровневый план проекта.

Практическое задание

Выявление проблем, с которыми может столкнуться организация при реализации BIg Data проектов, постановка вопросов бизнесу.

4. Понимание данных (Data Understanding)

• Проблемы при работе с большими данными, модель 4V’s
• Определение источников данных.
• Специфика работы с потоковыми и пакетными данными 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.

5. 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.

Практическое задание

Выявление факторов и рисков реализации BIg Data проектов в вашей организации. Идентификация датасетов, необходимых для исследования в рамках BIg Data проектов.

Анализ стратегий управления данными с учетом челенджей больших данных в соответствии с моделью 4V’s.

Выявление зон развития функции управления большими данными.

6. 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.
• 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.

7. Построение команды Data Science

• Таксономия Data Science. Система
• Команда Data Science: специалисты и их компетенции, роли. Таксономия Data Science. Система OSEMN.
• Техники найма команды Data Science. Удержание и развитие талантов в команде Data Science

Практическое задание

Построение команды Data Science в вашей организации, определение ключевых ролей и навыков команды, разработка стратегии развития и удержания команды.

8. Оценка результатов (Evaluation)

• Бизнес-метрики оценки качества моделирования.
• Отличие Data-driven метрик от традиционных.
• Операционные метрики. Vaniti метрики. Фрэймворк AARRR.
• Оценка 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.

9. 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.

Практическое задание

Выявление качественных и количественных критериев успеха для Big Data-проектов.

10. Экономическая оценка проекта

• Метрики экономической эффективности проекта
• Принципы разработки бизнес-кэйсов для проектов анализа больших данных. Типовые ошибки при разработке бизнес-кэйсов. Разбор примеров бизнес-кэйсов.
• Защита бизнес-кэйсов и бюджета проекта

11. Цифровая трансформация организации

• Факторы цифровой трансформации организации
• Этапы цифровой трансформации. Уровни зрелости организации
• Как не повторить «ловушки стартапов». Челенджи на пути к цифровой трансформации
• Критерии оценки зрелости аналитики данных в организации

Практическое задание

Разработка бизнес-кэйсов для Big Data-проектов, разработка плана цифровой трансформации вашей организации.

Программа читается совместно с Школа Больших Данных.

В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.

В современном мире сложно обойтись без информационных технологий и их производных - компьютеров, мобильных телефонов, интернета и т.д., особенно в крупных компаниях и государственных организациях, работающих с большим количеством людей, а не только с парой VIP-клиентов, как это может быть в случае небольшой компании. А там, где есть большое количество контрагентов, заявителей и т.д. - не обойтись без баз данных, необходимых для обработки информации. Естественно, что времена гроссбухов и карточек, памятных многим по библиотекам, давно прошли, сегодня используются персональные компьютеры и электронные базы данных.

Сегодня невозможно представить работу крупнейших компаний, банков или государственных организаций без использования баз данных и средств Business Intelligence. Базы данных позволяют нам хранить и получать доступ к большим объемам информации, а система управления базами данных (СУБД) — осуществлять менеджмент доступных хранилищ информации.

В Учебном центре « Интерфейс» Вы научитесь эффективно использовать системы управления базами данных: быстро находить нужную информацию, ориентироваться в схеме базы данных, создавать запросы, осуществлять разработку и создание баз данных.

Обучение позволит Вам не только получить знания и навыки, но и подтвердить их, сдав соответствующие экзамены на статус сертифицированного специалиста . Опытные специалисты по СУБД Microsoft SQL Server или Oracle могут быть заинтересованы в изучении систем бизнес-аналитики. Это задачи достаточно сложные, использующие громоздкий математический аппарат, но они позволяют не только анализировать происходящие процессы, но и делать прогнозы на будущее, что востребовано крупными компаниями. Именно поэтому специалисты по бизнес-аналитике востребованы на рынке, а уровень оплаты их труда весьма и весьма достойный, хотя и квалифицированным специалистам по базам данных, администраторам и разработчикам, жаловаться на низкий уровень дохода тоже не приходится. Приходите к нам на курсы и получайте востребованную и высокооплачиваемую профессию. Мы ждем Вас!

В конце обучения на курсах проводится итоговая аттестация в виде теста или путём выставления оценки преподавателем за весь курс обучения на основании оценок, полученных обучающимся при проверке усвоения изучаемого материала на основании оценок за практические работы, выполненные в процессе обучения.

Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.

• Нужна помощь в поиске курса?
  Наша цель заключается в обеспечении подготовки специалистов, когда и где им это необходимо. Возможна корректировка программ курсов по желанию заказчиков! Мы расскажем Вам о том, что интересует именно Вас, а не только о том, что жестко зафиксировано в программе курса. Если вам нужен курс, который вы не видите на графике или у нас на сайте, или если Вы хотите пройти курс в другое время и в другом месте, пожалуйста, сообщите нам, по адресу mail@interface.ru или shopadmin@itshop.ru
• Поговорите со своим личным тренинг-менеджером!
  Мы предоставляет Вам индивидуальное обслуживание. Если у вас есть потребность обсудить, все вопросы касательно обучения, свяжитесь, пожалуйста c нами по телефонам: +7 (495) 925-0049, + 7 (495) 229-0436. Или любым другим удобным для Вас средствами связи, которые Вы можете найти на сайтах www.interface.ru или www.itshop.ru