Rozpoczęcie wydarzenia

Bądź data-driven! Jak podnosić efektywność dzięki analityce - poradnik dla początkujących i zaawansowanych

"Data-driven" to bardzo modny ostatnio termin. Co to naprawdę oznacza? Czy chodzi tylko o dane? Co jest fundamentem podejścia data-driven? Jakie szkodliwe mity powodują opór organizacji w efektywnym wykorzystaniu swoich danych? Po uczestnictwie w tym wydarzeniu będziesz wiedzieć, jak zmienić swoją organizację. A co najważniejsze, będziesz tego chcieć!

Obsługa dużych wolumenów danych w rozwiązaniach Business Intelligence - garść obserwacji, porad i dobrych praktyk

·  Czy In Memory na pewno wygrywa z trybem LIVE? Kiedy LIVE kiedy In Memory? ·  Jak nowoczesne technologie chmurowych Hurtowni Danych (np. SNOWFLAKE, GCP) mogą wspomóc rozwiązania Business Intelligence? ·  Model danych przy dużym wolumenie - kilka dobrych praktyk na podstawie 200 wdrożeń Tableau. ·  Projektowanie dashboardów analitycznych przy dużych zbiorach danych - kilka dobrych praktyk ·  Wizualizacja danych - gdy chcemy pokazać ich naprawdę MNÓSTWO - kilka dobrych praktyk ·  Inne punkty krytyczne - gdzie jeszcze mamy okazję stracić lub zyskać na wydajności?

Embedded Analytics (EA) - mariaż Qlik z...?

Firmy niemal z każdej branży gromadzą dziś dane swoich Klientów,. W coraz większym stopniu analityka i wizualizacja danych stanowi wartość dodaną we współpracy z dostawcami czy odbiorcami wielu organizacji. Dlaczego wbudowana analityka staje się dziś taka istotna i jak z jej pomocą zadbać o jeszcze lepsze doświadczenia Klientów? Co łączy Embedded Analytics z Business Intelligence? Jak bezpiecznie dzielić się swoimi danymi? Na te pytania odpowie Dominik Machalica a Krzysztof Caruk (CFO spółki giełdowej) zaprezentuje jak rozwija i dba o relacje z inwestorami giełdowymi wykorzystując EA.

Przerwa

Metody uczenia maszynowego przy budowie systemu rekomendacji treści dla dużego portalu internetowego

Budowa systemów rekomendacji treści jest jednym z najbardziej wymagających i zarazem najciekawszych wyzwań przed którymi mogą stanąć zespoły Data Science. Musimy korzystać z olbrzymich ilości informacji. Nasze algorytmy muszą być zdolne do podejmowania decyzji w czasie między kliknięciem w link a wyświetleniem strony w przeglądarce. Trzeba scalić zarówno dane opisujące cechy demograficzne użytkownika (wiek, płeć, miejsce zamieszkania etc), zachowanie użytkownika obserwowane w przeszłości, obecną aktywność użytkownika oraz globalne trendy obserwowane w skali całego portalu. Na dodatek musimy dysponować wydajnymi i wielowymiarowymi mechanizmami klasyfikacji treści, którymi dysponujemy. Opowiem o tym jakie rozwiązania obecnie stosujemy w największym polskim portalu internetowym. W jakim kierunku chcemy rozwijać nasze systemy. O wyzwaniach, na które natrafiliśmy. Które udało się nam przezwyciężyć. A przed którymi musieliśmy skapitulować.

Czy planowanie i budżetowanie może się obyć bez Excela?

Krótka prezentacja możliwości tandemu Qlik Sense + K4, czyli połączenia analityki danych z planowaniem i budżetowaniem. Co to znaczy? Dla przykładu ostatnio skróciliśmy proces alokacji kosztów mediów z 9 dni roboczych to kilkunastu sekund.

Snowflake - korzyści i wyzwania związane z korzystaniem z innowacyjnej Cloud Data Platform

Strategie integracji danych w architekturze mikroserwisów

Obecnie daje się zauważyć trend przechodzenia od architektur monolitycznych w stronę mikroserwisów. Taka architektura ma wiele zalet ale równocześnie stwarza wyzwania, które nie występują w systemach o Architekturze Monolitycznej. Jednym z nich jest integracja danych pochodzących z wielu źródeł - wielu odseparowanych Data Store poszczególnych mikroserwisów. Podczas mojego wystąpienia omówię na BI Trends omówię trzy strategie jak sobie radzić w takich sytuacjach.

Przerwa

Jak projektować nowoczesne hurtownie danych w chmurze?

Czy koncepcje sprzed ponad 30 lat hurtowni danych i ODS jeszcze znajdują zastosowanie? Jak zmienia się koncepcja hurtowni w obecnych czasach? Co wspólnego ma nowoczesna hurtownia danych z koncepcją Lambda i przetwarzaniem danych Big Data? Czy można przetwarzać dane w hurtowni w czasie zbliżonym do rzeczywistego?

Efektywniejsze procesy Data Science z językiem Julia

Język Julia jest stosunkowo młodym narzędziem (wersja 1.0 powstała w sierpniu 2018 roku) pozwalającym na efektywną pracę z dużymi zbiorami danych. Zapewnienie rozwiązań analityki danych w pełni realizujących potrzeby biznesowe wymaga nieraz tworzenia oraz implementacji dedykowanych algorytmów. Stosowane obecnie środowiska analizy dancyh (R, Python) dobrze sprawdzają się przy rozwiązywaniu standardowych problemów w standardowy sposób - w przypadku implementacji nowych algorytmów ze względu na konieczność zapewnienia wystarczającej wydajności przetwazania, konieczne okazuje się ich implementowanie w bardziej wydajnym języku np. C lub C++. Kolejnym wyzwaniem jest skalowanie rozwiązań analitycznych - gdzie za każdym razem pojawia sie konieczność używania platform tyu Apache Hadoop. W wyniku tego powstają wdrożenia wymagające wielu różnych kompetencji od zespołów Data Science. W trakcie prezentacji zostaną przedstawione wybrane aspekty języka Julia, determinujące jego wybór w nowych projektach Data Science.

Odkrywanie możliwości cross-sellingu w przypadku współpracy B2B, z wykorzystaniem Machine Learning

W przypadku obsługi klientów B2B możliwe jest wskazywanie możliwości cross-sellingu z wykorzystaniem metod matematycznych. Jednym z możliwych podejść jest mikrosegmentacja klientów. Drugim analiza następstw czasowych w kupowaniu produktów i jej wykorzystanie do ich rekomendowania. Przedstawimy oba podejścia. Drugie z nich wykorzystaliśmy pracując nad rozwiązaniem wskazującym możliwości cross-sellingu dla klienta QuantUp działającego w skali światowej. Bazowało ono na metodzie Deep Learning działającej w oparciu o historyczne dane sprzedażowe oraz następstwa w kupowaniu produktów. Przedstawimy krótko zbudowane rozwiązanie oraz uzyskane korzyści biznesowe.

Zakończenie konferencji