This document discusses a new perspective on data management called Just in Time analytics. It focuses on harvesting both structured and unstructured data from various sources to answer typical questions, identify anomalies, and support business processes and decision making. The key aspects involve data harvesting, treating data as a service, establishing a data market and using data science. The goal is to provide a situation room and reports to enable operational excellence through hypothesis validation and proactive anomaly detection.
Capital according to Basel - Business ArchitectureAlexei Blagirev
Define Key principles on business architecture framework for Basel II / III implementation within Financial Institutions in Russia. Describes basic principles and key aspects on difference between Basel approaches.
Defining the framework to open API for banking based on transactional banking approach for future integration on digital services outside of banks system
Digital disruption, fourth industrial revolution, internet of things, smart contracts, big data, customer journey, fintech, smart city - all of them are parts of new reality, where biorithms exists. The king is attention, and everyone will keep their fight on it.
This document discusses effective management reporting systems for banks to measure value creation. It proposes using a value measuring methodology (VMM) with three components: a value structure identifying key areas that create value for customers, society, operations etc.; a cost structure; and a risk structure. Key performance indicators (KPIs) should be linked to key risk indicators (KRIs) to integrate risk and performance management. Appendices provide examples of mapping KRIs against potential impacts; sources of risk and performance; the risk-performance cycle; and how KPIs relate to risk appetite and tolerance. The document advocates a holistic approach linking financial, operational and risk metrics to truly reflect how value is created and destroyed.
Bank Insight - from Data to Insight new framework for Banking Analytics.
Материалы, которые были использованы на выступлениях
OSP BigData Forum, Breakpointforum, ACH ИТ в Финансовом Секторе
Here are the key points about projection segmentation in Vertica:
- Projection segmentation splits large projections into multiple segments and distributes those segments across database nodes for improved parallelism and high availability.
- The segmentation process randomly distributes rows of data across all available nodes using a hash function. This random distribution helps optimize query performance.
- Segmentation allows Vertica to parallelize queries by enabling each node to work independently on its portion of the data.
- It also provides high availability because if a node fails, its data segments are available on other nodes, avoiding data loss.
- During recovery, the replacement node can retrieve missing segments from the live segments on other nodes.
- Administrators can control
Introduction to Vertica (Architecture & More)LivePerson
LivePersonDev is happy to host this meetup with Zvika Gutkin, an Oracle and Vertica expert DBA in LivePerson, and specialist in BI and Big Data.
At LivePerson, we handle enormous amounts of data. We use Vertica to analyse this data in real time.
In this lecture Zvika will cover the following:
1. Present the architecture of Vertica
2. Compare row store to column store
3. Explain how Vertica achieve Fast query time
4. Show few use cases .
5. Explains what does Liveperson do with Vertica? Why we chose Vertica?
6. Talk about why we Love Vertica and Why we hate it .
7. Is Vertica SQL DB or NoSQL? Is vertica Consistent or Eventually consistent?
8. How Vertica differ from other SQL and noSQL technologies?
Data-driven business: Информационная основа деятельности современной КомпанииAlexander Barakov
Обоснование концепции Data-driven business - попытка показать вектор трансформации способа ведения бизнеса вне зависимости от отрасли и найти ответы на ключевые вопросы, стоящие перед современной компанией:
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать принятие решений в вашей отрасли, повысив операционную эффективность?
Какой набор ПО оптимальным образом будет решать задачи связанные с хранением, обработкой, анализом данных и доставкой и информации пользователям?
Какие BI- BigData-решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций необходимо аккумулировать для запуска и развития системы бизнес-анализа компании? (Как выбрать интегратора / консультанта? Какого набирать в штат? Как планировать и управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и корпоративную культуру?
и т.д.
This document discusses a new perspective on data management called Just in Time analytics. It focuses on harvesting both structured and unstructured data from various sources to answer typical questions, identify anomalies, and support business processes and decision making. The key aspects involve data harvesting, treating data as a service, establishing a data market and using data science. The goal is to provide a situation room and reports to enable operational excellence through hypothesis validation and proactive anomaly detection.
Capital according to Basel - Business ArchitectureAlexei Blagirev
Define Key principles on business architecture framework for Basel II / III implementation within Financial Institutions in Russia. Describes basic principles and key aspects on difference between Basel approaches.
Defining the framework to open API for banking based on transactional banking approach for future integration on digital services outside of banks system
Digital disruption, fourth industrial revolution, internet of things, smart contracts, big data, customer journey, fintech, smart city - all of them are parts of new reality, where biorithms exists. The king is attention, and everyone will keep their fight on it.
This document discusses effective management reporting systems for banks to measure value creation. It proposes using a value measuring methodology (VMM) with three components: a value structure identifying key areas that create value for customers, society, operations etc.; a cost structure; and a risk structure. Key performance indicators (KPIs) should be linked to key risk indicators (KRIs) to integrate risk and performance management. Appendices provide examples of mapping KRIs against potential impacts; sources of risk and performance; the risk-performance cycle; and how KPIs relate to risk appetite and tolerance. The document advocates a holistic approach linking financial, operational and risk metrics to truly reflect how value is created and destroyed.
Bank Insight - from Data to Insight new framework for Banking Analytics.
Материалы, которые были использованы на выступлениях
OSP BigData Forum, Breakpointforum, ACH ИТ в Финансовом Секторе
Here are the key points about projection segmentation in Vertica:
- Projection segmentation splits large projections into multiple segments and distributes those segments across database nodes for improved parallelism and high availability.
- The segmentation process randomly distributes rows of data across all available nodes using a hash function. This random distribution helps optimize query performance.
- Segmentation allows Vertica to parallelize queries by enabling each node to work independently on its portion of the data.
- It also provides high availability because if a node fails, its data segments are available on other nodes, avoiding data loss.
- During recovery, the replacement node can retrieve missing segments from the live segments on other nodes.
- Administrators can control
Introduction to Vertica (Architecture & More)LivePerson
LivePersonDev is happy to host this meetup with Zvika Gutkin, an Oracle and Vertica expert DBA in LivePerson, and specialist in BI and Big Data.
At LivePerson, we handle enormous amounts of data. We use Vertica to analyse this data in real time.
In this lecture Zvika will cover the following:
1. Present the architecture of Vertica
2. Compare row store to column store
3. Explain how Vertica achieve Fast query time
4. Show few use cases .
5. Explains what does Liveperson do with Vertica? Why we chose Vertica?
6. Talk about why we Love Vertica and Why we hate it .
7. Is Vertica SQL DB or NoSQL? Is vertica Consistent or Eventually consistent?
8. How Vertica differ from other SQL and noSQL technologies?
Data-driven business: Информационная основа деятельности современной КомпанииAlexander Barakov
Обоснование концепции Data-driven business - попытка показать вектор трансформации способа ведения бизнеса вне зависимости от отрасли и найти ответы на ключевые вопросы, стоящие перед современной компанией:
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать принятие решений в вашей отрасли, повысив операционную эффективность?
Какой набор ПО оптимальным образом будет решать задачи связанные с хранением, обработкой, анализом данных и доставкой и информации пользователям?
Какие BI- BigData-решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций необходимо аккумулировать для запуска и развития системы бизнес-анализа компании? (Как выбрать интегратора / консультанта? Какого набирать в штат? Как планировать и управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и корпоративную культуру?
и т.д.
Полный комплекс услуг и решений по бизнес-аналитике (Business Intelligence, BI) от Softline.
Внедрение BI-систем на платформах ведущих мировых производителей: Oracle, Microsoft, IBM, QlikView.
Обзор возможностей и преимуществ систем бизнес-аналитики (BI).
Подробнее: http://services.softline.ru
Большие данные и бизнес-аналитика: как найти пользу?Marina Payvina
Как извлечь пользу из больших данных.
Инструменты бизнес-аналитики для анализа и исследования больших данных
Мероприятие:
День Науки НИУ ВШЭ 2015
Фото: http://vk.com/album-66011151_214023156
Управление качеством клиентского портфеля “по- умному”. iECARUS
Практические рекомендации для управления качеством клиентского портфеля “по- умному” .Биг Дата в маркетинге,продажах, клиентинге, CRM, 360 градусов клиентa.
Видео по данным слайдам можете найти по ссылке внизу
https://www.youtube.com/watch?v=7rDQrQK1Mvc&list=PLHTVj-msOEIB6uCBd6PcGTBmhvGGZrARI&index=13
Содержание:
1. Исторические формы производственно-технологического процесса
2. BIG DATA и цифровые технологии в жизни
3. Этапы работы над проектом “BIG DATA в моем бизнесе“
4. Примеры иконографики и журналистики больших данных
5. Трудности в работе с большими данными
6. Инструментарий для работы с большими данными (краткий обзор)
7.Кто владеет информацией – владеет миром
8.Заключение и ссылки на полезные источники
пр Разработка комплекта документов по управлению ИБ (прозоров)
Presentation 9 11 12 (High School of Economics)
1. Ключевые навыки необходимые для
профессионального роста и развития в области
Business Intelligence
(Финансовый Сектор)
Алексей Благирев, Альфа-Банк
Главный руководитель направления
ВШЭ
9 Ноября,
2. Внешние драйверы
Источник: http://www.compress.ru/article.aspx?id=22725&iid=1044
По данным исследования
индустрия финансового сектора
(FS) США является одним из
основных драйверов роста
больших данных
Из названия можно предположить, что термин `большие данные` относится
просто к управлению и анализу больших объемов данных. Согласно отчету
McKinsey Institute `Большие данные: новый рубеж для
инноваций, конкуренции и производительности` ( Big data: The next frontier for
innovation, competition and productivity), термин `большие данные` относится к
наборам данных, размер которых превосходит возможности типичных баз
данных (БД) по занесению, хранению, управлению и анализу информации
3. Подход к BI
BI
Методология Учет
Процессы
Консолидация
Презентация
Единая методология, принципы
и независимый регулятор внутри
Инструментарий для
отчетности и дэшбордов
Четкие требования в части
реализации отчетности
Инструментарий
DWH
Четкие SLA в части загрузки
данных.
Процесс управления BI
знаниям и повышение
качества текущей
отчетности
интеграция BI решений и
учетных систем
Построение учетных
систем
4. Основные подходы BI в Банке*
Framework
BI Архитектуры
Бизнес модель
Модель
процессов
Пробы и ошибки
BI это не миграция
Анализ потребителей и выбор принципов проектирования BI Архитектуры и
единая методология (примеры) :
- разделение DSS и Аналитического BI при подготовке отчетности
- Централизированная (DWH) VS Децентрализированная аналитика (КИС)
Не бойтесь ошибаться и готовьтесь к тому чтобы
регулярно пересматривать свое положение в
пространстве, если вы не заложили единую модель
объектов предметной области при развитии КИС
BI это не миграция функционала AS IS, это изменение
и улучшение за счет переопределения объектов
банковского бизнеса, и адаптации хранилища данных
под эти изменения (т.е. структуризация информации)
Выделение уникальных объектов предметной
(банковской области) на основе утвержденных
принципов проектирования
Подготовка описания существующих бизнес
процессов для эффективного проектирования
архитектуры будущего решения.
Анализ потребителей отчетности
*Помимо указанного проекты BI реализуются с анализом экономики получаемого результата и оценки эффективности прилагаемых при этом усилий
5. Карта знаний BI по компетенциям (по приоритетам)
Общая Теория Внутрибанковская практика
1. Стратегия и управление
- Стратегия Альфа-Банка
- Стратегия Ценра BI
- Портфель сервисов и проектов Центра BI
- Оргструктура и модель управления Центра BI
2. Проектное управление
- PMBOK - Методология проектов Пр.Оф. (вкл.УКИТ)
- Project administration - Внутренние стандарты док-ции Центра BI
3. Архитектура
- Архитектура хранилищ данных и
интеграция СИ
- СИ и Ядро (уход от ODS)
- Рекласс на DWH
4. Качество данных - ISA (стандарт по аудиту)
- Framework по качеству
- Применение стандарта по КД для СИ и ХД (проводки, счета, и аналитические
признаки)
5. Методология
- BI Principles (Gartner) и модели данных - МА и БМ BI (и потребностей) РБ, КБ, ФБ, Риски
- Принципы сделочного учета, продуктов/ККУ
6. Информационные потоки данных в
отчетности BI
- Основные взаимосвязи потоков данных для разных отчетностей и
регламентов
7. Финансовый учет
- Framework МСФО
- Положения ЦБР
- Учетная политика МСФО (публикуемая ежегодная отчетность МСФО) и
Учетная политика РСБУ Банка
- Стандарты МСФО и интерпретации - Методология расчета коррекций МСФО и КП
- Раскрытия по МСФО
8. Управленческий учет
- Методы аллокации (step-down,
reciprocal, ..)
- Absorptional/marginal
- Методология аллокаций/пропорций/АХР и смета
- Методология расчета компенсаций
- Интегрированная отчетность
(Integrated Reporting)
- Value Chain Framework
- Принципы определения ПЦ/КЦ / показ. КБ
- Методология расчета компенсаций
9. Планирование и анализ - Variance analysis
- Performance Measurement
- Анализ ценообразования
- Анализ драйверов фин.результата (план/факт бюджет)
10. Управление рисками - Basel II и Basel III
- Принципы оценки (valuation)
- Управление валютными и процентными рисками
- Отчетность аппетит к риску
6. В случае возникновения вопросов по данным материалам обращайтесь к
Алексею Благиреву, Служба Методологии BI,
+7 495 620 91 91, вн.71-40
ЦЕНТР BI
СПАСИБО ЗА ВНИМАНИЕ !