Презентация от компании SAP — участника конференции Big Data Russia (http://bigdatarussia.ru/).

1. Big Data Startup Accelerator Program ЮРИЙ КУПРИЯНОВ, Университетский Альянс SAP, SAP CIS ГЕОРГИЙ ЛАПТЕВ, innovationStudion, МГУ

2. Big Data – группа технологий и методов производительной обработки динамически растущих объемов данных (структурированных и неструктурированных) в распределенных информационных системах, обеспечивающих организацию качественно новой полезной информацией.
В мире больших данных мы можем проанализировать огромное количество данных, а в некоторых случаях – обработать ВСЕ данные, касающиеся того или иного явления, а не полагаться на случайные выборки.
Что мы называем Big Data?

3. 1.Поиск и оценка данных: необходимо знать, какие данные имеются у организации, и какие она может получить, понимать экосистему данных, с которой работает компания, и потенциальные возможности сотрудничества с другими организациями
2.Выявление перспективных источников прибыли: необходимо понимать способы анализа данных, чтобы повысить ценность для бизнеса и открыть новые бизнес- возможности
3.Распознавание и решение задач: необходимо заранее знать о деловых, операционных, технологических и юридических сложностях, которые могут возникнуть
Бизнес-задачи Big Data

4. SAP HANA Data Platform для Big Data
Consume
Store &
Process
Ingest

5. Приложения SAP BIG DATA
Чем более персонализированными являются данные, которые могут быть собраны о клиентах в режиме реального времени, тем больше их потенциальная ценность
Customer Value Intelligence (CEI)
Audience Discovery (CEI)
Account Intelligence (CEI)
Fraud Management
Demand Signal Management
Social Contact Intelligence (CEI)
Sentiment Intelligence (RDS)
Manufacturing (Operational Intelligence)
Manufacturing (Responsive Manufacturing)
:-)

6. 1.Электронная торговая площадка
•Платформа для поддержки торгов/ аукционов
•«Большие данные» наоборот – ограниченные объемы информации, но огромный поток запросов на запись и чтения (тысячи в секунду)
2.Анализ кредитоспособности Андеррайтинг
•Моделирование сценария прохождения заявки заемщика, в котором фиксируются отклонения от кредитных правил и рассчитывается кредитный лимит. Интеграция такой подсистемы с системой ввода кредитных заявок в несколько раз сокращает время рассмотрения заявок Кредитный скоринг
•Построение скоринговых карт и автоматическое нахождение значимых факторов и подбор оптимального скорингового балла. то позволяет проводить выбранную кредитную политику и снижать уровень просроченной задолженности
3.Управление рисками ликвидности
•Измерение ликвидности в реальном времени
•Является частью BASEL III
4.Расчет нормативов по достаточности капитала
•Инструкция ЦБ 139-И
•Расчет большого кол-ва показателей (около 300) на огромном объеме исходных данных
Финансовые организации

7. 1.Прогнозирование спроса и планирование ассортимента
•Внесение календарных событий и бизнес факторов в прогностические модели.
•Измерение влияния бизнес-факторов (в том числе предполагаемых изменений розничных цен) и событий/мероприятий на прогнозы
•Анализ ассортимента для выявления имеющихся недостатков и возможностей.
•Оптимизация планов в целях повышения эффективности специальных рекламных акций и распродаж.
•Планирование количества поставок, а также процесс инвентаризации.
2.Управление товарными запасами дистрибутора в реальном времени
•Ускорение цикла получения детализированной информации по товарам и запасам с 15 дней до 5 минут
•Точную и быструю идентификацию лежалых и непродающихся товаров
•Планирование на лету промо кампаний, перемещений на другие склады и магазины, возвратов поставщикам и других действий по таким товаром в реальном времени.
3.Оптимизация использования торговых площадей
•Ускорение цикла получения детализированной информации по товарам и запасам с 15 дней до 5 минут
•Планирование на лету промо кампаний, перемещений на другие склады и магазины, возвратов поставщикам и других действий по таким товаром в реальном времени.
Розничная торговля

8. 1.Слияние биллинговых систем
•Быстрое слияние биллинговых систем, с использованием интеллектуальных процедур
•Технологическая поддержка для M&A (Вымпелком, МТС)
2.Хранилище данных с телекоммуникационной моделью
•Хранилище данных, поддерживающая основные бизнес-задачи и приложения в телекоммуникационной отрасли
•Интеграция с ключевыми для российского рынка системами (SAS)
3.Управление лояльностью абонента
•Формирование профиля абонента: сегментация клиентской базы, оценка предпочтений и расчёт доходности для каждой группы
•Анализ записей о звонках клиентов по десяткам и сотням настраиваемых параметров, определение социальных групп абонентов, выявление лидеров мнений, последователей и другие роли внутри этих социальных групп
•Нахождение внутренних взаимосвязей и зависимостей: позволяет создавать модели оттока абонентов, сегментировать их, что в целом расширяет аналитические возможности оператора.
•Планирование и предварительная оценка маркетинговых компаний, качественное таргетирование исходя из профилей абонентов
•Предотвращение оттока абонентов, за счет выявления и оценки значимости факторов, которые влияют на лояльность клиентов
•Принятий решения о необходимости удержания клиента исходя из экономических соображений
Телекоммуникации

9. 1.Сбыт в рознице (АЗС)
•Прогнозирование спроса
•Бренд-аналитика
•Анализ цен и их изменение по конкурентам, регионам с учетом макроэкономических показателей
•Увеличение продаж сопутствующих товаров (за счет выявления закономерностей)
•Снижение простоев АЗС (за счет более точной логистики бензовозов)
2.Оценка экономической эффективности месторождения
•Оценка и комплексный анализ эффективности разработки месторождения
•Анализ и выявление неоптимальных участков разработки, адресное планирование мероприятий, подбор ГТМ, прогноз эффектов
•Подбор оптимальных вариантов программ мероприятий, режимов разработки в соответствии с требованиями по добыче, экономике, инфраструктурным ограничениям
3.Digital Oil Field – Монитор бурения
•Монитор процесса бурения
•Отслеживания графика капитального строительства
•Анализ текущей ситуации на скважине относительно исторических данных
•Выявление инцидентов и дальнейший прогноз по возможным инцидентам на других активах
•Корпоративная технологическая база знаний
4.Кросс-индустриальные сценарии (см. далее)
Нефтегазовая промышленность

10. 1.Ремонты по состоянию (Predictive Maintanance)
•Снижение простоев оборудования
•Более аккуратное планирование ремонтов (включая все цепочку : формирование списка зап. частей, заказ, логистика, склад, формирование бригад)
•Повышение производства за счет снижения простоя оборудования(выполнение производственного плана, устойчивое развитие предприятия)
•Уменьшение складских запасов
2.Ситуационный центр
•Моментальное реагирование на события с планом мероприятий по всем направлениям (персонал, экология, производство)
•Стратегическое и оперативное планирование деятельности организации
•Мониторинг и оценка влияния внешних воздействий на объекты управления
•Автоматический контроль заданных параметров функционирования системы и выявление возможных угроз
•Поддержка разработки решений в нетипичных, кризисных и чрезвычайных ситуациях
•Учет влияния управленческих воздействий на объекты в целом
•Накопление информационно-аналитической системой опыта управления
3.Противодействие мошенничеству
•Выявление мошеннических транзакций и поведения по фильтрам
•Выявление отклонения поведения объектов от типичного (среднего) поведения
•Анализ социальных сетей
Кросс-индустриальные сценарии

11. 1.Прогноз Социально-Экономического Развития
•Порядка 50% регионов формируют прогноз СЭР ручным способом
•Почти все ФОВ реализуют его в Eхcel
•При этом прогнозные инструменты не используются по причине отсутствия актуальных данных.
•Прогноз формируется методом индексации
2.Централизованное хранилище данных электронного бюджета
•Самая крупная тема BigData в России: тема построение единого аналитического хранилища данных для системы «Электронного бюджета» создаваемой МинФином и Федеральным казначейством.
•В настоящий момент система содержит десятки реляционных баз данных и интегрированных между собой систем.
•Отсутствует единое аналитическое хранилище данных системы «Электронный бюджет».
3.Ситуационный центр выявления угроз Национальной безопасности
•Выявление схем и инцидентов связанных с несанкционированным просмотром сотрудниками службы информации об объектах хранящихся во внутренних БД в том числе:
oВыявление связей между физическим лицом и перечнем фирм по критерию принадлежности физического лица к списку учредителей или руководителей фирмы;
oВыявление авторизованного списка дел по юридическим лицам просмотренных сотрудниками РФМ;
Государственный сектор

12. © SAP 2012 | 13
BIG DATA STARTUP ACCELERATOR PROGRAM
Фокус на создании благоприятной среды для тех, кто хочет в ближайшие годы создать новые продукты/сервисы, новые бизнесы на сегментах рынков Больших данных (БД).
Портфель проектов в Акселераторе будет формироваться в течение 2014-2015 г.г. из выявленных верифицированных пользовательских кейсов , ценностных предложений, и предпринимательских команд.
В Акселераторе можно будет:
Освоить необходимые компетентности: закрыть пробелы в необходимых знаниях и умениях;
Отработать с потенциальным заказчиком концепцию бизнес модели, продукта, сервиса;
Создать прототип и отладить его на железе и софте партнеров.

13. Реализация PoC под задачи отраслевого клиента
Уход всей или части команды к клиенту
Use-case или легкий прототип продукта или сервиса
Обучение и технологическая экспертиза
Коучинг и менторинг
Отдельные разработчики
Существующие команды
Отраслевые клиенты
Собственные идеи
Включение в работу команд
Поиск идей в рамках интенсивов по Design Thinking

14. Сентбярь-октябрь Первоначальная регистрация для участия в Big Data StartUp Accelerator Program. Сентбярь-октябрь
Ноябрь-февраль Формулирование задачи стартап-проекта, получение необходимой технологической экспертизы
Февраль Презентация концептов и интенсив по бизнес-развитию стартап- проетков на зимней школе iStudio и SAP
Март-июнь Довtдение продукта до рабочего прототипа, коучиннг и локализация в iStudio
Июль-август Презентация итогов работы в акселерационной программы в рамках летней школы iStudio и SAP
Регистрация на uasupport.cis@sap.com Регистрация на sap-reg.com/uni-entrepreneur

15. Be Creative!
Куприянов Юрий Георгий Лаптев Университетский Альянс SAP innovationStudio
ООО САП СНГ МГУ им. Ломоносова yury.kupriyanov@sap.com gdlaptev@gmail.com

16. SAP HANA
SAP HANA
OLTP
BI (OLAP)
■Данные хранятся и обрабатываются непосредственно в оперативной памяти
■«In-memory» позволяет избежать эффекта задержек ввода/вывода
■Строчное и колоночное хранение данных позволяют оптимизировать выборку по запросу
■Сжатие данных за счет хранения и обработки только значимого содержимого
■Поставляется как единый программно-аппаратный комплекс

17. SAP HANA
CPU
STORAGE
MEMORY
Compression
Partitioning
No Aggregate tables (Dynamic Aggregation)
Solid State
Flash
HDD
64bit address space 1 TB in current servers
Dramatic decline in price/performance
L3
Cache
L3
Cache
L3
Cache
L3
Cache
L3 Cache
L3
Cache
L3 Cache
L3
Cache
Multi-Core Architecture 8 CPU x 10 Cores per blade
Massive parallel scaling with many blades
Logging and Backup
OLTP+OLAP in column Store

18. «Встроенная» аналитика
Сокращение времени принятия решения
Интеллектуальное моделирование на уровне предприятия
Предиктивная аналитика для широкого круга потребителей
Масштабируемая интеграционная платформа
SAP ADVANCED ANALYTICS
SAP
Predictive Analysis
SAP HANA
Predictive Analysis Library (PAL)
Аналитическая библиотека R
Predictive RDS
Преднастроенные сценарии для аналитических проектов
SAP Data Science
Индустриальная специфика, математические алгоритмы прогнозной аналитики
InfiniteInsight

19. ©2013 SAP AG. All rights reserved.
20
Интеграционная модель
SAP HANA
Визуализация и прогноз
Журналы
Неструктурированные данные
Загрузка данных для предобработки
Загрузка результатов в SAP HANA SAP IQ (Data Services)
Федерация запросов
Smart Query Access (Data Virtualization)
SAP IQ
Интеграция на уровне ETL
Data Services предоставляет прямой доступ к Hadoop: SAP Data Services генерируют и выполняют инструкции HiveQL для запроса, выборки и загрузки данных в таблицы Hive.
Анализ выполняется непосредственно в HDFS как задания модели MapReduce
ETL непосредственно в SAP IQ
Прямой доступ к Hadoop
Виртуальные таблицы (SAP HANA smart data access)
Интеграция с HCatalog
Федерация запросов с SAP IQ
SAP BI доступ
Доступ SAP BOBJ напрямую к Hadoop HIVE через JDBC

20. Ценность HADOOP заключается в том, чтобы создать репрезентативную выборку из гигантских объемов первичных данных и затем передать эту выборку для оперативной обработки в SAP HANA (яркий пример – сборка генома)
Ценность HADOOP + SAP HANA