Este documento discute cómo las compañías de telecomunicaciones pueden agregar valor a sus clientes mediante el uso de inteligencia de datos. Explica cómo Euskaltel usa una arquitectura de datos en tiempo real para detectar eventos anómalos que permiten una mejora predictiva de la red. También describe cómo los umbrales estadísticos tradicionales no siempre funcionan y cómo herramientas como Apache Flink y Kafka permiten un análisis distribuido y basado en ventanas para detectar fallos. El objetivo final es mejorar la experiencia del usuario

1. Inteligencia del dato aplicada al
negocio de las telecomunicaciones
Bilbao, 22 de noviembre de 2016
Bilbao, 2016ko azaroak 22

2. BIG DATA

3. SMART DATA

4. DATOS
¿QUÉ?
INTELIGENCIA
¿CÓMO?
VALOR
DIFERENCIACIÓN

5. ¿CÓMO CONVENCER
A NEGOCIO?
¿CÓMO PODEMOS
APORTAR VALOR A
LOS CLIENTES?
PASO A PASO

6. x2.5 year-on-year

7. CASO1: Widget consumo de datos en T.R.

9. CASO2: Prevención de averías en red

10. ¿CÓMO PODEMOS
APORTAR VALOR A
TERCEROS CON LOS
DATOS?

11. http://replicate-project.eu/
Este proyecto ha recibido fondos del programa de investigación e innovación H2020 de la Unión Europea en el marco del contrato nº
691735

12. Este proyecto ha recibido fondos del programa de investigación e innovación H2020 de la Unión Europea en el marco del contrato nº
691735

13. 2754
979
4534
1198
22 de noviembre de 2017 +1-1
SMART MOBILITY
*ESTE MAPA ES
UNA
SIMULACIÓN
Este proyecto ha recibido fondos del programa de investigación e innovación H2020 de la Unión Europea en el marco del contrato nº
691735

14. ¿PREGUNTAS?

15. Inteligencia del dato al servicio de
las telecomunicaciones: Añadiendo
valor a la experiencia de usuario
Iñigo Sanchez,
Twitter: @zylkindustry, @espolex

16. Quiénes somos
www.zylk.net
@zylkindustry

17. Euskaltel
λ Al rededor de 150 millones de eventos/día ingeridos en
Apache Kafka
λ 100 cores, 300 GB de memoria, 4 TB HDFS storage

18. Hortonworks

19. Tecnologías

20. Euskaltel
λ Objetivo: Disponer de un sistema de detección de eventos en tiempo real, a
fin de mejorar la experiencia de usuario gracias al matenimiento predictivo

21. El dato en las telecomunicaciones
λ Representación como una serie temporal
- #peticiones
- #fallos
- #código error
- …
λ Análisis: detección de fallos a partir umbrales, obtenidos a
partir de un periodo sin fallos

22. Ejemplo: Código
λ #peticiones (LTE & Wifi Kalean): millones de conexiones por día
λ Análisis código éxito (OK)

23. Los umbrales no siempre
funcionan
λ
KOOK

24. Detección de outliers
λ Estadísticos en ventanas de tiempo
λ Algoritmos de regresión

25. ARQUITECTURA

26. Arquitectura Multicapa
λ API Gateway (EAG)
λ API Datos (Flink)
λ Microservicios
λ Lambda (Kafka, Hbase)
λ API Ingesta (Nifi)

27. Ingesta: Apache Nifi
λ Procesos ETL
λ BackPressure Control & Guaranteed delivery

28. Arquitectura Lambda

29. Microservicios

30. APID: Procesos distribuidos
λ Programación funcional
λ Analítica avanzada
λ Ventanas
λ Heurísticos
λ Algoritmos de ML

31. Windows
λ Windows
λ Tolerancia a fallos

34. Servicios más eficientes

35. Mejora la experiencia de usuario
¿ Cómo ?

36. Hacia donde:
la unión hace la fuerza

37. ¿PREGUNTAS?

38. ESKERRIK ASKO!
¡MUCHAS GRACIAS!
Ángel Barrio Martínez
Responsable de Seguridad de TI
abmartinez@euskaltel.com
Euskaltel, S.A.
:@geekburu
http://www.linkedin.com/in/abmartinez
Iñigo Sánchez Méndez
Big Data Engineer Zylk
isanchez@zylk.net
Zylk Advance Analytics
:@espolex, @zylkindustry
https://es.linkedin.com/in/spolex

39. ¿Por qué Flink?

40. API Datos

41. Time & Windows
λ Event time
λ Processing time
λ Ingestion time

42. API Gateway
λ EAG
λ Datos agregados y anonimizados