BDAM: Аналитика больших данных для руководителей — обучение по программе в России

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

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

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

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

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

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

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

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)