Successfully reported this slideshow.
Your SlideShare is downloading. ×

A10 Analytics Evento Michal Kosinski Jul 2017

Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Loading in …3
×

Check these out next

1 of 19 Ad

More Related Content

Slideshows for you (20)

Similar to A10 Analytics Evento Michal Kosinski Jul 2017 (20)

Advertisement

Recently uploaded (20)

A10 Analytics Evento Michal Kosinski Jul 2017

  1. 1. Inteligencia de Negocios Analytics 10
  2. 2. Causas de crecimiento explosivo • IoT • Cámaras Digitales • Telefónica Digital • TV Digital • Monitoreo y Administración de mundo físico pasa a Digital Fuente: IDC, 2014
  3. 3. ¿Cómo democratizar la analítica?
  4. 4. Modernize Your Analytics Stack
  5. 5. 0.00001 0.0001 0.001 0.01 0.1 1 10 100 1000 10000 100000 1000000 10000000 100000000 1E+09 1954 1960 1965 1971 1976 1982 1987 1993 1998 2004 2009 2014 Memory Almacenamiento de Disco Flash Estado sólido The Future of Analytic Computing is In-Memory
  6. 6. Modelo de Madurez de Analytics10: Entendemos que no todas las soluciones requieren aplicar todos los pasos VALOR Nivel 1 - Datos Acceso a datos Asociación Y Blending Información relevante para Usuario Eventos, Alarmas, Sugerencias Nivel 2 - Información Nivel 3 - Conocimiento Nivel 4 - Acción
  7. 7. A cuantas diferentes fuentes de datos accedes? Solo el 6% de las organizaciones tienen todos sus datos en un solo lugar 31% 40% 9% 13% 2-4 fuentes 5-10 fuentes 11-15 fuentes sobre15 fuentes
  8. 8. Las nuevas oportunidades están en áreas fuera de lo tradicional Big Data Discovery Data Discovery Big Data Data Science Nuevas oportunidades de Negocios Valor del Dato (4V) Analítica tradicional Volumen / Variedad / Velocidad 3Vs
  9. 9. ¿Para qué áreas de tu empresa buscas soluciones?
  10. 10. 1. Extraer 2. Clasificar / Almacenar 3. Analizar / Visualizar Visión de Negocio Retail Comportamiento del cliente Meteorológico Renta Regional Demográficos ¿Comó te ayuda A10?
  11. 11. Qué incluimos en nuestra oferta de analítica ANALÍTICA AVANZADA Descriptivo Diagnóstico Predictivo Prescriptivo ¿Qué está pasando? ¿Por qué ocurrió? ¿Qué va a ocurrir? ¿Cómo podemos asegurarnos que suceda? ANALÍTICA ANALÍTICA AVANZADA Aritmética Sencilla Reportes / Tableros Plataformas comunes de BI “Nivel de Confort” Ciencia de Datos Solución de problemas de negocios Herramientas basadas en matemática Otras cosas extrañas ...
  12. 12. Big Data Millones de datos que pueden provenir de distintas fuentes Data blending y Analítica avanzada Qlik permite a los usuarios manejar fácilmente su data y Alteryx permite mezclar data y hacer análisis avanzado Data Discovery Self Service Los usuarios son los protagonistas Para analizar fácilmente los datos Supervisión y alcance de A10
  13. 13. Entendemos comó implantar soluciones en ambientes de TI corporativos complejos Sistemas Operacionales (ejemplos) Área de trabajo Ciencia de Datos Modelos Predictivos Minerva de datos Discovery Un área de trabajo de Ciencia de Datos facilita la Exploración (Discovery) data exploration and discovery Área de Pruebas (Sandbox) Data Warehouse Corporativo Herramienta BI Corporativa Data Warehouse departamental / BD de BI Herramienta BI Departamental Entrega BI Entrega BIExtraer-transformar y cargar (no ETL!) significa que los datos son transformados y cargados hacia los spokes o radios solo cuando es necesario. Entrega BI sobre Big Data Herramientas BI conscientes de estructuras Big- data pueden operar contra datos que no están trabajando bajo algún patrón predefinido. Pueden acceder directamente al Hub y hacer Discovery mientras herramientas tradicionales solo contra Data-warehouse o BD relacionases. Algunas soluciones Data-warehouse y BD de BI han integrado funcionalidad para soportar Hadoop. Estas pueden ser consideradas parte del Hub o de un Spoke según uno prefiera. Muchos Data warehouse y BD de BI se han transferido hacia los Spokes. ETL tradicional en Data-warehouse entregan calidad y estructura que es en ciertos casos necesitada para entregar soporte de calidad. Hub de Datos distribuidos Servicios de transformación del Hub Apps empaquetadas Apps móviles SaaS - PaaS apps ECM Apps Customizadas BPM DCM Social Sitios Web 2 1 3 3 3 3 4 5 5 5 5 6 HUB SO DW / BD BI Área de Pruebas Big data Stand alone Data Warehouse departamental / BD de BI Herramienta BI Departamental Data Warehouse departamental / BD de BI
  14. 14. Ayudamos a crear centros de excelencia o trabajar bajo la estructura que tu empresa decida Principios Organizacionales para posicionar a equipos de Analítica Avanzada y Científicos de Datos A10 2016 AA/CD = Analítica Avanzada/Científicos de Datos | LN = Línea de Negocios | CEA = Centro de Excelencia de Analítica Agilidad Visión que cruce funciones Compartir conocimiento Cercanía al negocio Cercanía al procesamiento y los datos Científicos de datos @ Línea de negocios Científicos de datos @ IT Científicos de datos separados de la unidad de negocios Expertos dispersos CEA
  15. 15. Aplicamos Experiencia de Usuario (UX) en nuestros desarrollos

Editor's Notes

  • Fast Moving World
    In 2014, the BI & Analytics market was $14B & growing at double digits, yet has the software kept up w/ the needs of users & consumers of BI. The world is a very fast moving place. Have the current BI & Analytics providers kept up w/ the changing demands of a fast moving world? 8-10 Zettabytes of data is currently being created. That’s more than data created this past year than previous 5000 years of civilization…
  • The Big Data? But where is the Big Value? The Hadoop world has gotten terribly interesting in the last few years.
    Suddenly everyone who was calling for the end of SQL have started building real-time query processing engines that circumnavigate MapReduce.
    My guess what’s returned with a vengeance in these real-time query processing engines: that’s right folks, SQL has Never Left the Building.
  • Corfe Castle in Southern England. It was built after 1066 when William the Conquer & his band of Normans. It played in seminal role in the English Civil War in 1642. It is truly a place of enormous historical significance.
    The ruins of Corfe represent the last generation of analytics platforms. They’re hugely important to understand where we’ve been and how we got here.

    But in the modern era, prepping your data using archaic functions like “SAS data statement” or building analytical functions using “proc SQL” is simply antiquated.
    To that note, we’re excited to support the ability to read and write from the SAS & SPSS file formats.

    It represents the ability to bring your data from the old way of doing things into the modern age…
  • The is the price of Memory and Storage for the last 50 years…

    We’ve moved from the age of scarcity into the age of abundance.

    Raw materials of our industry
    Cost a fraction of what they did
    Enables a new way for doing everything…

    The last generation of analytic platforms were written in the age of scarcity…

    While the new analytics stack is rising in the age of abundance…
  • Hasta un sistema nervioso central necesita un cerebro. Un centro o hub de analitica. Un lugar donde se guarden los metadatos finales y los datos de analitica finales u “originales” la organizacion sigue con el riesgo de operar con distintas realidades. A esto se pueden conectar una serie de brazos que le den libertad local a departamentos para que ellos los utilicen como vean apto. Por ejemplo para hacer analitica avanzada y aplicar estos set de datos a diferentes modelos o para crear vistas que no son estandares etc. Este HUB tiene que estar administrado y guiado.
  • El sistema nervioso necesita un cerebro. En la parte tecnica es el HUB central (Cloudera, etc) y en lo que es RH tiene que haber un lider de analitica. Un CAO (Chief Analytics Office) con un equipo que este 100% capacitado para llevar adelante esto. Ellos son responsables por los metadatos y los datos para analitica. Tambien son responsables para impulsar la cultura dentro de la empresa (no son responsables por la cultura, eso seria el CEO pero son responsables para crearle contenido a esta cultura y asi impulsarla). Ahora igual como el area de finanzas que tiene “representantes” en cada division este centro de analitica debe tener representantes en diferentes areas con tal de salvaguardar los intereses del area central de analitica en cada decision tomada. Este modelo hibrido se ha mostrado el mas eficiente.

×