Giuliano Giannetti na konferenci Data Restart 2019.
Data... nejvíc sexy job 21. století a taky hora vyhozených peněz. V průběhu prezentace se pokusím nadhodit problémy, které trápí datovou branži a taky pár podnětů k přemýšlení, až budete hledat téma vaší příští analýzy.
Co je nového v prediktivní analytice, a co nového teprve bude? Jak se na to připravit? A s čím je možné začít už dnes? Od hlubokých neuronových sítí po obyčejnou obsluhu zákazníka v obchodě.
Úvodní prezentace k semináři Nezamotejte se do výzkumných online sítí.
Prezentace byla součástí semináře SIMAR Nezamotejte se do výzkumných online sítí 23. dubna 2014.
4 hádanky budoucnosti e-mail marketinguTaste Medio
Jan Baštýř na konferenci E-mail Restart 2019.
4 hádanky budoucnosti e-mail marketingu, které vám již dnes pomohou nastavit směr vašeho e-mailingového Restartu, aneb... kde končí Data a začínají Big Data a jak z nich díky Machine Learningu a AI vytěžit maximum.
Giuliano Giannetti na konferenci Data Restart 2019.
Data... nejvíc sexy job 21. století a taky hora vyhozených peněz. V průběhu prezentace se pokusím nadhodit problémy, které trápí datovou branži a taky pár podnětů k přemýšlení, až budete hledat téma vaší příští analýzy.
Co je nového v prediktivní analytice, a co nového teprve bude? Jak se na to připravit? A s čím je možné začít už dnes? Od hlubokých neuronových sítí po obyčejnou obsluhu zákazníka v obchodě.
Úvodní prezentace k semináři Nezamotejte se do výzkumných online sítí.
Prezentace byla součástí semináře SIMAR Nezamotejte se do výzkumných online sítí 23. dubna 2014.
4 hádanky budoucnosti e-mail marketinguTaste Medio
Jan Baštýř na konferenci E-mail Restart 2019.
4 hádanky budoucnosti e-mail marketingu, které vám již dnes pomohou nastavit směr vašeho e-mailingového Restartu, aneb... kde končí Data a začínají Big Data a jak z nich díky Machine Learningu a AI vytěžit maximum.
Jiří Štěpán na konferenci Data Restart 2020: Ve světě webové analytiky probíhá plíživá revoluce. Spolehlivost měření postaveného na cookies se rok od roku zhoršuje. Roste význam event based analytiky, nástrojů jako GAv2 nebo Snowplow. Kam jdeme a co dál?
Jiří Štěpán: Personalizace digitální komunikaceKISK FF MU
Rozvoj cloudových technologií a strojového učení v posledních letech umožnil relativně snadné a levné uložení obrovskéh množství dat o návštěvnících webu. To co bylo dříve výsadou pouze vlád a největších koprporací může využívat středně velký eshop. Webová analytika se tak posunula od statistik návštěvnosti k detailnímu pohledu na jednotlivé uživatele. Tato data je možné dále zpracovávat a využívat k personalizaci prakticky veškeré digitální komunikace. V přednášce se podíváme na to co je dnes možné a kam se vývoj ubírá. Lehce se dotkneme i etických otázek, které s tímto oborem souvisí.
[Slajdy k přednášce předmětu Blok expertů.]
Proč selhávají BigData a AI projekty a jak se tomu vyhnoutGauss Algorithmic
Prezentace o tom, jak předejít selhání u BigData a AI projektů. Prezentována Janem Jančou z Gauss Algorithmic na konferenci New Media Inspiration 2018 v Praze.
Jak a proč vytěžovat lokační data v ecommerce (Lukáš Puchrik)Taste Medio
aké úlohy řeší lokační analýza v e-commerce a jak krok za krokem postupovat? Od interních a open source zdrojů dat, přes geokódování až po praktické analýzy.
20180201 1 big data jako nastroj pro hluboka transakcní miningProfinit
Prezentace pracovní snídaně s názvem „Big data – jak z nich těžit informace“. Salary detector – hledá vztah „zaměstnavatel – zaměstnanec“ mezi klienty (účty) banky na základě transakčních dat.
Prezentace z odborná snídaně na téma Datová architektura -
obecné pojetí datové architektury, její hlavní prvky, logický datový model organizace, Master Data Management, téma datové kvality a metodu Data Landscape Mapping.
Roman Appeltauer a André Heller na konferenci Data Restart 2019.
Data vám mají především pomáhat dělat správná rozhodnutí. Ukážeme vám, kdy a jak můžete udělat správné rozhodnutí i bez dokonalých dat a jak si honbou za data-driven můžete důležitá data snadno rozbít.
Přednáška Pavla Jaška na ČZU, která se uskutečnila 11. 12. 2013. Pavel se věnoval webové analytice a prezentace byla součástí širšího webdesignového bloku.
Jak vypadá pojetí Big Data v České republice? Jaké nástroje se u nás používají ke zpracování velkého množství dat? A jak je lze efektivně využít pro ještě lepší marketing (nejenom) v online světě?
Jak se mění práce analytika (Martin Bosák)Taste Medio
Jaké problémy dnes řeší dnešní datový analytik v různých firmách a co ho brzy čeká? Ukážeme konkrétní příklady z projektů, jejich řešní a také komplikace po cestě.
AI Restart 2024: Alexander Bruna - AI transformace podnikání, od kreativy po ...Taste
Přednáška se zaměří na roli umělé inteligence v automatizaci procesů a výzvách spojených se samotným implementačním procesem. Prozkoumáme potenciál AI v efektivním zpracování rutinních úkolů či zvýšení produktivity a podíváme se na klíčovou výzvu v podobě change managementu, kde firmy musí aktivně řídit transformaci a zapojení zaměstnanců - ať už z pohledu strategie, vzdělávání nebo firemní kultury.
Data Restart 2022: Roman Appeltauer - Aktivace first-party dat pomocí SGTMTaste
Server-side GTM není jen k měření ze serveru. Skvěle slouží i jako real-time integrační nástroj, který šetří kapacity a focus vývojářů, a přitom efektivně a kontrolovaně předává data mezi aplikacemi, které si samy povídat neumí, nebo ne tak, jak potřebujete.
Řízení dokumentů a monitoring aktivit zaměstnancůPavel Kratky
Prezentace ze IV. konference ČIMIB v Praze - Lidský faktor v informační bezpečnosti, na téma Řízení dokumentů a monitoring aktivit zaměstnanců - Pavel Krátký, COSECT.
Jiří Štěpán na konferenci Data Restart 2020: Ve světě webové analytiky probíhá plíživá revoluce. Spolehlivost měření postaveného na cookies se rok od roku zhoršuje. Roste význam event based analytiky, nástrojů jako GAv2 nebo Snowplow. Kam jdeme a co dál?
Jiří Štěpán: Personalizace digitální komunikaceKISK FF MU
Rozvoj cloudových technologií a strojového učení v posledních letech umožnil relativně snadné a levné uložení obrovskéh množství dat o návštěvnících webu. To co bylo dříve výsadou pouze vlád a největších koprporací může využívat středně velký eshop. Webová analytika se tak posunula od statistik návštěvnosti k detailnímu pohledu na jednotlivé uživatele. Tato data je možné dále zpracovávat a využívat k personalizaci prakticky veškeré digitální komunikace. V přednášce se podíváme na to co je dnes možné a kam se vývoj ubírá. Lehce se dotkneme i etických otázek, které s tímto oborem souvisí.
[Slajdy k přednášce předmětu Blok expertů.]
Proč selhávají BigData a AI projekty a jak se tomu vyhnoutGauss Algorithmic
Prezentace o tom, jak předejít selhání u BigData a AI projektů. Prezentována Janem Jančou z Gauss Algorithmic na konferenci New Media Inspiration 2018 v Praze.
Jak a proč vytěžovat lokační data v ecommerce (Lukáš Puchrik)Taste Medio
aké úlohy řeší lokační analýza v e-commerce a jak krok za krokem postupovat? Od interních a open source zdrojů dat, přes geokódování až po praktické analýzy.
20180201 1 big data jako nastroj pro hluboka transakcní miningProfinit
Prezentace pracovní snídaně s názvem „Big data – jak z nich těžit informace“. Salary detector – hledá vztah „zaměstnavatel – zaměstnanec“ mezi klienty (účty) banky na základě transakčních dat.
Prezentace z odborná snídaně na téma Datová architektura -
obecné pojetí datové architektury, její hlavní prvky, logický datový model organizace, Master Data Management, téma datové kvality a metodu Data Landscape Mapping.
Roman Appeltauer a André Heller na konferenci Data Restart 2019.
Data vám mají především pomáhat dělat správná rozhodnutí. Ukážeme vám, kdy a jak můžete udělat správné rozhodnutí i bez dokonalých dat a jak si honbou za data-driven můžete důležitá data snadno rozbít.
Přednáška Pavla Jaška na ČZU, která se uskutečnila 11. 12. 2013. Pavel se věnoval webové analytice a prezentace byla součástí širšího webdesignového bloku.
Jak vypadá pojetí Big Data v České republice? Jaké nástroje se u nás používají ke zpracování velkého množství dat? A jak je lze efektivně využít pro ještě lepší marketing (nejenom) v online světě?
Jak se mění práce analytika (Martin Bosák)Taste Medio
Jaké problémy dnes řeší dnešní datový analytik v různých firmách a co ho brzy čeká? Ukážeme konkrétní příklady z projektů, jejich řešní a také komplikace po cestě.
AI Restart 2024: Alexander Bruna - AI transformace podnikání, od kreativy po ...Taste
Přednáška se zaměří na roli umělé inteligence v automatizaci procesů a výzvách spojených se samotným implementačním procesem. Prozkoumáme potenciál AI v efektivním zpracování rutinních úkolů či zvýšení produktivity a podíváme se na klíčovou výzvu v podobě change managementu, kde firmy musí aktivně řídit transformaci a zapojení zaměstnanců - ať už z pohledu strategie, vzdělávání nebo firemní kultury.
Data Restart 2022: Roman Appeltauer - Aktivace first-party dat pomocí SGTMTaste
Server-side GTM není jen k měření ze serveru. Skvěle slouží i jako real-time integrační nástroj, který šetří kapacity a focus vývojářů, a přitom efektivně a kontrolovaně předává data mezi aplikacemi, které si samy povídat neumí, nebo ne tak, jak potřebujete.
Řízení dokumentů a monitoring aktivit zaměstnancůPavel Kratky
Prezentace ze IV. konference ČIMIB v Praze - Lidský faktor v informační bezpečnosti, na téma Řízení dokumentů a monitoring aktivit zaměstnanců - Pavel Krátký, COSECT.
25. 2. 2016 produktivita a efektivita v digitálním světě - v1.01
1. Jak využívat umělou inteligenci ke zvyšování
produktivity práce a efektivity využívání zdrojů
2. Gauss Algorithmic - představení v cuku letu
● Pomáháme organizacím využívat bohatství skryté v datech - “We must know, we will know”.
● Analýza (velkých) dat, strojové učení a prediktivní analytika.
● Vývoj nástrojů pro kybernetickou bezpečnost, monitoring produktivity a efektivity organizace.
● Behaviorální profilování lidí / zařízení, detekce anomálií, rozpoznávání obrazu.
● Návrh i realizace infrastruktur pro zpracování velkého množství dat v reálném čase.
Carl Friedrich Gauss
1777 - 1855
● Matematik / Statistik
● Fyzik / Astronom
● Otec, matka a strýc
pojišťovací matematiky
David Hilbert
1862- 1943
● Matematik
● Optimista
● Wir müssen wissen.
● Wir werden wissen.
4. Kvíz - proč se bát / nebát inovací (nehodící se škrtněte)
Newtonovy zákony
1687
Boyle Mariottův zákon Coulombův zákon
Gaussův zákon elektrostatiky
Carnotův cyklus Maxwellovy rovnice Planckova konstanta
Fotoelektrický jev
Von Neumannova
architektura
Tranzistor
1947
● Není problém přiznat, že inovaci nerozumíme, pokud chápeme její
přínos a dokážeme ho kontrolovat a řídit.
● Nikdy nevíme vše. Manager je placen za rozhodování za nejistoty.
5. Kvíz - proč se bát / nebát inovací (nehodící se škrtněte)
Zdroj: http://reddevilmotors.blogspot.cz/2015/06/dapper-chimp-riding-bike.html
6. K podstatě průmyslových inovací
● Fyzikální podstata motivace zavádění průmyslových
inovací je stále stejná.
● Při konstantní spotřebě energie a materiálu a ve stále
stejném čase vyprodukovat více.
Ek Mk Tk P
7. K podstatě průmyslových inovací
Možnosti zvyšování produktivity a efektivity v organizaci:
1. Větší / lepší kladivo.
2. Lepší informace a kontrola sběr dat a jejich analýza.
3. Změna paradigmatu umělá inteligence.
Nezapomínejme na bod 2. v očekávání příchodu bodu 3.
8. Managerské nástrojeUložení a zpracování dat
Digitalizace a automatizace - kontrola skrze datovou analýzu
Data ze
sensorů / IoT
Real-time
zpracování
DWH
Billingová
data
Cloud
analýza dat
CRM
Geolokační
data
Zdroje dat
Data třetích
stran
etc…
Kontrola
produktivity
Kontrola
efektivity
Automatické
řízení
procesů
Kontrola
bezpečnosti
Zpracování a analýza dat
inform
ace
Čištění a
validace dat
Obohacování
dat
Detekce
anomálií
Risk
management
modely
Optimalizační
modely
Prediktivní
modely
Behaviorální
modely
zákazníků
Adaptivní
cenotvorba
Modely pro
real-time
rozhodování
data
9. Digitalizace a automatizace - iluze kontroly
● Co právě dělá stroj/pracovník?
● Jaká je spotřeba energie?
● Jak dlouho trvá start stroje?
● Jaká je spotřeba materiálu?
● Jak dlouho trvá výrobní úkon?
● Jak se vyvíjí trh / kolik vyrábět?
● Jaká jsou rizika a jak je minimalizovat?
● Jaké jsou požadavky klientů?
● Jaké jsou nejčastější reklamace?
● Jaké jsou důvody vzniku poruch?
● Jaká je nejvyšší možná cena?
● Jak si vede konkurence?
● etc…
otázky
DATA
Vše měříme, ukládáme data a myslíme si, že tak známe otázky na všechny odpovědi.
odpovědi
10. Průzkum: představa o dopadu analýzy dat* na výrobu
* Firemních i externích dat. Zdroj: http://www.lnsresearch.com/
11. Digitalizace a automatizace - iluze kontroly vs. realita
12 000 0000instalovaných fyzických serverů jen v USA
77 miliard kWhročně spotřebují produkci 5 dukovanských elektráren
30 % serverů v průběhu
posledních 6 měsíců
vůbec nic nespočítalo.
Pouze 10 % - 15 % servery
spotřebované elektřiny je
využíváno na výpočty.
Zdroj: https://www.nrdc.org/, http://anthesisgroup.com/30-of-servers-are-sitting-comatose/
12. Digitalizace a automatizace - iluze kontroly vs. realita
Co to znamená?
● Organizace kupují zbytečnou IT infrastrukturu a hromadí na ní data.
● Neumí se ptát a nacházet v datech informace.
● Nepoužívaná data jsou pouze náklad (HW + energie).
● Managemanet poslouchá DWH analytiky zaseknuté v 90. letech.
● Management nemůže dobře řídit digitální organizaci, pokud nemá
informace pro kontrolu procesů, lidí a jejich činnosti v reálném čase.
Co nekontrolujete, to neřídíte.
13. Tři faktory měnící způsob zpracování a analýzy dat
Strojově
generovaná
data
Geolokační
data, etc..
Lidmi
generovaná
data
Data ze
sensorů
Zdroje dat
Návštěvnost
webu
Čas
Záleží na časových intervalech mezi jednotlivými událostmi
CRM, etc...
Novéfaktory,kterémění
přístup,technologiei
softwarevyužívanýk
extrakciinformacízdat.
Pořadí
Záleží na pořadí, ve kterém k události nastaly
Vzory
Důležité jsou typické vzory chování
Teplota 1 Teplota 2 Tlak + místo
Prohlédnutá
stránka A
Prohlédnutá
stránka B
Útrata za
měsíc
DTW a SQL
nevyhovují
Tradiční
statistické
metody nestačí
Klasická datová
infrastruktura
nevyhovuje
MístoDTWDataLake,
místoSQL,prediktivní
analytika(algoritmy)
14. Předpoklady pro úspěšné získávání informací z dat v reálném čase
● Upravit datovou infrastrukturu tak, aby byla schopná real-time
zpracování velkého množství dat (1000 dotazů za sekundu).
● Adoptovat technologie Apache Hadoop, Hive, Spark, Kafka, atd..
● Implementovat technologie a nastavit procesy pro rychlou reakci na
základě z dat zjištěných informací.
● Jsou potřeba analytici, kteří ovládají jazyk Python / Scala / Java.
● Naučit se pracovat jako vědec - nebát se experimentů a selhání.
15. Řešení problému analýzy velkého množství dat
Sběrem dat o provozu, klientech, dodavatelích a ostatních stakeholderech
dostáváme hroznou, nechutnou, a děsivou hromadu dat, kterou nelze
zpracovat běžnými metodami (popisná statistika, SQL, atd.).
Jak zpracovat získaná
data v reálném čase,
automatizovat řízení
organizace a být včas
upozorněn na
sníženou efektivitu či
nízkou produktivitu?
Využít možnosti
strojového zpracování
dat, strojového učení,
algoritmů pro detekci
anomálií, prediktivní
analytiky.
20. Analýza produktivity a efektivity v digitalizované společnosti
● Spotřeba elektřiny na zbytečně běžících počítačích a strojích.
● Plýtvání materiálem.
● Zneužívání firemních zařízení k osobním účelům.
● Neefektivní nákupy zdánlivě potřebných, ale nevyužívaných zařízení.
● Nutno počítat s možností krádeže dat (digitální firma - digitální zločin).
● Pracovní návyky vedoucí k neefektivnímu využívání času.
Zaměstnanci v USA stráví kontrolováním e-mailu
v průměru 6.3 hodiny denně.
21. Jednoduchý příklad z kancelářské praxe
64 % zaměstnanců navštěvuje denně weby
nesouvisející s náplní jejich práce.
čas strávený zaměstnanci týdně na nepracovních webech
22. Příklad z kancelářské praxe
Firmu se 100 zaměstnanci to ročně pouze na mzdě přijde na*:
2 000 000Kč
ČR zaměstnává cca 68 072 úředníků, takže ji to ročně stojí*:
1 300 000 000Kč
*při průměrné měsíční mzdě 25 000Kč
23. Řešení - Využití detekce anomálií k zachycení toho, kdo krade a okrádá
Produktivita práce
● Dělají pracovníci to co
mají?
● Využivají prostředky
organizace nebo je
zneužívají?
● Kteří pracovníci a
oddělení jsou
efektivnější… atd.
Bezpečnost
● Provádí někdo aktivity,
které mohou poškodit
organizaci?
● Mění někdo významně
své standardní
chování?
● Dochází k úniku
informací? atd..
25. Gauss Algorithmic - Další příklady z praxe, cenová elasticita
● Prediktivní model poptávky ve zbožových skupinách při známé cenové hladině.
80 % pravděbodobnost
správné předpovědi.