Transferir como PDF, PPTX
Carregado porDan S. Reznik, PhD
Big Data Analytics -- Projetos e Modelo de Maturidade
O documento discute os conceitos e aplicações de Big Data, incluindo: 1) As definições comuns de Big Data entre empresas, 2) Os níveis de maturidade na adoção e uso de Big Data, 3) Exemplos de uso de Big Data em aplicações como detecção de fraude e recomendação personalizada.
![GUBI: Agile Analytics [pt-br]](https://cdn.slidesharecdn.com/ss_thumbnails/gubi-agileanalytics-160727182342-thumbnail.jpg?width=640&height=640&fit=bounds)
Big Data Analytics -- Projetos e Modelo de Maturidade
- 1. (c) 2014 UWS-- Não Distribuir 1 Palestra p/ SUCESU-RJ Dan Reznik 23-09-2014
- 2. Empresas: Defina BigData •65%: Arquivos enormes •60%: Análises avançadas •50%: Ferramentas de visualização de dados (c) 2014 UWS -- Não Distribuir 2 Forbes, 10-set-2014
- 3. Empresas: O quevc acha sobre “Big Data” •89%: revolucão nos negócios como a internet •85%: mudança dramática em como fazer negócios •79%: empresas que não abraçarem estão fadadas à extinção (c) 2014 UWS -- Não Distribuir 3 Forbes, 10-set-2014
- 4. (c) 2014 UWS-- Não Distribuir 4 Multi-structured
- 5. (c) 2014 UWS-- Não Distribuir 5 VALOR
- 6. Pirâmide de Maslow (c) 2014 UWS -- Não Distribuir 6 -Qualidade -Integração -Governança • Predictive • Optimiz • Anti-Fraud • NLP ESTRATÉGIA, ROI+
- 7. (c) 2014 UWS-- Não Distribuir 7
- 8. Nível 1: Ad-Hoc Nível 2: Processos Engatinham Nível 3: Processos Implantados Nível 4: Processos Monitorados Nível 5: Otimização Curva de Maturidade
- 9. Nível 1: Ad-Hoc •Negócios –Diretores distantes, sem adesão da organização como um todo –Objetivos de negócio mal-definidos –Dados são artefatos; não valorizados ados como ativos. •Organização –Dependência em especialistas –Grupos separados e não-comunicantes –Responsabilidades mal-definidas –Conhecimento de boas práticas pouco difundido –Monitoramento reativo, "apagamento de incêndios" constante •Dados –Semântica mal-documentada –Bancos com arquiteturas variadas –Baixa qualidade de dados, pouca integração –Ferramentas genéricas utilizadas para soluções pontuais
- 10. Nível 2: ProcessosEngatinham •Negócios –Percepção crescente do valor dos dados –Alguns processos/benefícios são reconhecidos como comuns •Organização –Identificação de "responsáveis por dados“ –Papéis ainda mal definidos, iniciativa não é contínua –Esforço inicial em criar gerenciamento para toda a organização; interesses e perspectivas diferentes entre os departamentos. –Demanda por novas capacidades é reconhecida, parcialmente resolvida com treinamento •Dados –Projetos para a organização iniciam –Serviços de distribuição de dados são implantados
- 11. Nível 3: ProcessosImplantados •Negócios –Envolvimento ativo de um executivo com autoridade sobre toda a organização –Comprometimento ao desenvolvimento continuo de habilidades •Organização –Papéis dos responsáveis de dados bem definidos –Centralização do gerenciamento de dados –Processos, métricas de qualidade, e ferramentas usadas por toda a organização –Auditorias periódicas e monitoramento proativo •Dados –Arquitetura de dados comum guia todas as implementações –Gerenciamento central de dicionário de dados –Métricas de qualidade monitoradas regularmente
- 12. Nível 4: ProcessosMonitorados •Negócios –Interesse em predição do desempenho futuro •Organização –Metas estabelecidas para cada processo –Problemas são identificados e corrigidos pró- ativamente •Dados –Métricas são coletadas e analisadas continuamente –Primeiros passos na predição de desempenho futuro
- 13. Nível 5: NegóciosOtimizados •Negócios –Identificação de oportunidades •Organização –Cultura de melhoria contínua dos processos –Processos evoluem junto as metas da organização. •Dados –???
- 14. (c) 2014 UWS-- Não Distribuir 14 Ambiente Heterogêneo Processos Informais Dados Caóticos Ambiente Integrado Processos Controlados Dados Coerentes Simplificação Tempos de Entrega Curtos Redução de Custos
- 15.
- 16.
- 17. Governança (c) 2014UWS -- Não Distribuir 17
- 18. •Identificar e PriorizarUse Cases •Desenho de Soluções •Governança de Dados •Implantação (c) 2014 UWS -- Não Distribuir 18
- 19. (c) 2014 UWS-- Não Distribuir 19 Motor de Recomendação Detecção de Fraude Integração de Dados do Cidadão Busca Semântica de Laudos Otimização de Marketing Digital
- 20. Busca Semântica (DeCS) (c) 2013 UWS -- Não Distribuir
- 21. (c) 2014 UWS-- Não Distribuir 21
- 22. Dashboard do Paciente (c) 2013 UWS -- Não Distribuir
- 23. (c) 2014 UWS-- Não Distribuir 23
- 24. Caixas Eletrônicos (c)2014 UWS -- Não Distribuir 24
- 25. Fraude - Anomalias (c) 2014 UWS -- Não Distribuir 25
- 26. Logs Semi- Estruturado Estruturado Banco Paralelo Deteccao Anomalias alarmes ATM ATM ATM Solução Anti-Fraude (c) 2014 UWS -- Não Distribuir 26
- 27. Projeto Base Integradado Cidadão Secretaria de Planejamento e Gestão, Governo de Minas Gerais (c) 2014 UWS -- Não Distribuir 27
- 28. Vinculação de Registros(inter tabelas) (c) 2014 UWS -- Não Distribuir 28
- 29. Integração: Os TrêsNãos •Não quero mais trabalho •Não quero que você tenha meus dados •Não quero que você veja os furos com meus dados (c) 2014 UWS -- Não Distribuir 29
- 30. Arquitetura do Sistema (c) 2014 UWS -- Não Distribuir 30
- 31. O problema ésempre PESSOAS (c) 2014 UWS -- Não Distribuir 31
- 32. (c) 2014 UWS-- Não Distribuir 32
- 33. Contato: Dan Reznik,Diretor (21) 85 74 73 82 dan@upperwestsolucoes.com www.upperwestsolucoes.com (c) 2014 UWS -- Não Distribuir 33