Big data arquitecturas y casos prácticos
•
1 recomendación•875 vistas
How we see Big Data in ASPgems
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a Big data arquitecturas y casos prácticos
Similar a Big data arquitecturas y casos prácticos (20)
Más de Juantomás García Molina
Más de Juantomás García Molina (20)
Último
Último (20)
Big data arquitecturas y casos prácticos
- 1. diciembre 2010 Big data Architectures and Practical use cases juantomas@aspgems.com @juantomas
- 3. Big Data Big data es el análisis de la información para identificar tendencias, patrones y conocimientos que nos permitan tomar mejores decisiones de negocio
- 4. La oportunidad Las nuevas tecnologías para el tratamiento de datos hacen posible gestionar y analizar todos los datos disponiblesen su forma nativa: no estructurada estructurada streaming
- 5. Impacto en el negocio Agilidad Operativa Analizar todos los datos operativos disponibles, reaccionar en tiempo real y optimizar los procesos. Conocer todo acerca de nuestros cliente Analizar todas las fuentes de datos para conocer a nuestros clientes y personalizar la oferta de productos y servicios de las interacciones de canal, a los medios de comunicación social. Prevención del Fraude y Riesgo Desarrollar mejores modelos de fraude / riesgo mediante el análisis de todos los datos disponibles, y detectar el fraude en tiempo real con el análisis de las transacciones de streaming. Impulsar y escalar la innovación Captura todas las fuentes de datos retroalimentación y análisis de grandes cantidades de datos para el desarrollo de nuevos productos y servicios.
- 6. ASP Value add Descubrimiento, visualización y navegación de datos. Analisis Agil de los datos para mejorar la visión de negocio e identificar nuevas oportunidades. Analisis en streaming de los datos para la toma de decisones en tiempo real. Soluciones ágiles en base a tecnologías abiertas
- 7. Analisis Àgil Necesidad del cliente Ingerir datos tal y como son en Hadoop y obtener una visión de ella Proceso de grandes volúmenes de datos diversos dentro de Hadoop Combinar conocimientos con el almacén de datos Analis nálisis ad-hoc para probar nuevas hipótesis Proposición de Valor Adquirir nuevos conocimientos a partir de una variedad y combinación de fuentes de datos Superar el costo prohibitivo de la conversión fuentes de datos no estructurados a un formato estructurado Extender el valor del almacén de datos mediante la incorporación de nuevos tipos de datos y la conducción de nuevos tipos de análisis Experimentar con el análisis de diferentes combinaciones de datos para modificar los modelos analíticos en el almacén de datos Ejemplos de clientes Oferta personalizada de servicos financieros en Monty
- 8. Streaming de datos Necesidad del cliente Captura y proceso de datos en tiempo real, selección y agregación de información valiosa de negocio para su posterior procesamiento Proceso y analice de los datos perecederos, para la toma las decisiones oportunas. Proposición de Valor Se ha reducido significativamente el tiempo de procesamiento y costo - proceso y luego almacenar lo que es valioso Reaccionar en tiempo real para capturar oportunidades antes de que caduquen Ejemplos de clientes Pedro Sanz - Generación automatica de oferttas personalizadas para captar y retener los clientes.
- 9. Descubrimiento y Navegación Necesidad del cliente Comprender las fuentes de datos existentes Exponer los datos dentro existente sistemas de archivos de gestión de contenidos y para nuevos usos, sin copiar el datos a una ubicación central Buscar y navegar por grandes datos de orígenes multicana Proposición de Valor Póngase en marcha rápidamente ydescubrir y recuperar grandes datos relevantes Utilizar fuentes de datos grandes en nuevo aplicaciones centradas en la información Ejemplos de clientes Telefonica MSS SAQQRA - Generacíon de una vista 360 ° de las amenazas y vulnerabilidades de seguridad de sus clientes
- 10. Soluciones Àgiles Necesidad del cliente Comprender las fuentes de datos existentes Exponer los datos dentro existente sistemas de archivos de gestión de contenidos y para nuevos usos, sin copiar el datos a una ubicación central Buscar y navegar por grandes datos de orígenes multicana Proposición de Valor Póngase en marcha rápidamente y descubrir y recuperar grandes datos relevantes Utilizar fuentes de datos grandes en nuevo aplicaciones centradas en la información Ejemplos de clientes Telefonica MSS SAQQRA - Generación de una vista 360 ° de las amenazas y vulnerabilidades de seguridad de sus clientes
- 11. Es el momento
- 12. ¿Preparado?
- 13. 1. Define your Goals
- 14. Proceso tradicional Convergencia de datos Divergencia analítica Descubre Recopila Filtra Integra Aumenta Analiza Actúa 3-6 meses 2 meses 2-4 meses
- 15. Proceso ágil Convergencia de datos Divergencia analítica Descubre Recopila Filtra Integra Aumenta Analiza Actúa 3-6 meses 2 meses 2-4 meses MPV, con un simple modelo de frecuencia Mide el uso actual y sus beneficios Aprende y evoluciona hacia una mejor comprensión
- 16. 80/20
- 17. Un ejemplo ¿Qué características tienen los clientes que nos están dejando? ¿Qué comportamientos de compra tienen los clientes que se están yendo? ¿Cómo podemos retener a clientes de alto valor que están a punto de abandonarnos? ¿Qué están diciendo los clientes que están a punto de irse en las RRSS? ¿Podemos determinar el sentimiento de nuestros clientes antes de irse? ¿Podemos determinar el sentimiento de nuestros clientes antes de irse? ¿Podemos determinar el sentimiento de nuestros clientes antes de irse? ¿Qué secuencia de eventos parece que es la anima a nuestros clientes a quedarse? ¿Qué secuencia de eventos parece que es la anima a nuestros clientes a quedarse?
- 18. Escalando la solución Nuestra arquitectura de referencia
- 22. Batc-MapReduce
- 23. Batch-Cascading
- 24. Batch-Spark
- 26. Velocidad Batch Speed Serving Query query = function(all data) All Data
- 27. Velocidad. Storm
- 28. Servicio. Batch Speed Serving Query query = function(all data) All Data
- 29. Pull-based Batch Loads EnterpriseData Models Complex ETL Logic Poorly Suited to Non-Relational Data El diseño emergente es difícil Arquitecturas convencionales
- 30. Drive Towards in memory Processing