kaçınılmaz cloud dönüşümü ve kurumsal Çözümler...büyükveri’nin, bulut...

BİLGİnin Kaçınılmaz Hükümranlığı

The Inevitable Sovereignty of INFORMATION

Atatürk Mahallesi, Ataşehir Bulvarı

Gardenya Plaza 5, Kat:10

Ataşehir - Istanbul

T:+90 216 5104930

Kaan şen

M: +90 532 288 17 70

[email protected]

Kaçınılmaz Cloud Dönüşümü ve Kurumsal ÇözümlerKaan Şen

Runibex Teknoloji Grubu, İş Geliştirme Direktörü

Consulting & Managed Services

Fraud Engine

Cloud BI

Real Time Analytics

Commerce Suite

Advanced Reach

Cloud Management Platform

Veri Yönetimi Platformu - EMİRGAN 2 SALONU

Kaçınılmaz Cloud Dönüşümü ve Kurumsal Çözümler Bulutta Büyüyen Büyük Veri ve Yönetimi Panel | Akıllı Veri; Bulutta Büyüyen Veri ve Verimli Yönetimi Verinizin Büyüklüğü mü, İşlevi mi? Clonera - Solventaş Başarı Hikayesi - Felaket Anında Bulutta Veri Yönetimi 360° Analitik Vizyon Dijitalleşen İletişim Teknollojileri ile Veriyi Akıllandırma, Bulut ve Mobilite Gerçeği Veri Analizi, Dün Bugün Yarın Daha İyi Bir Müşteri Deneyimi İçin Müşteri Yolculuk Haritaları Analitiği Panel | Etik Açıdan İş Zekası ve Analitik

Büyük Veri

Öngörüsel Analitik

Yapay Öğrenme

SaaS

Bulut Bilişim

Veri ile Yükselen Kavramlar

Büyük Veri’nin, Bulut Altyapıları üzerinde, Servis olarak, ÖngörüselAnalitik ve Öğrenen sistemler ile, Karar ve Optimizasyon aracı olarakkullanılması.

Tüm bu yapının Anlık Eylem Süreçlerinde kullanılabilmesi.

Convergence Nedir?

Anlık Eylemler içinKarar veOptimizasyon

Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim

• Klasik veri yönetimi teknikleri yerine yeniteknolojiler, teknikler, araçlar ve mimarilerihtiyacı

• Büyük veriyi mümkün kılan• Depolama kapasitelerinin artışı

• Işlemci gücünün artışı

• Verinin ulaşılabilir olması

Büyük Veri

Çok daha FAZLA

Çok daha HIZLI Çok daha ÇEŞİTLİ

Büyük Veri mi Büyük Çöplük mü ?

Verinin sadece adetsel olarak büyük olması değil, TAM olması amaçlanmalı.

TAM veri olunca?

Örneklemden çıkarılamayacak patternler çıkarabiliyoruz. Ör: Sumo Güreşçileri

TAM veri ile çalışıyorken ,

Örneklemdeki çok maliyetli ölçüm hassasiyeti; gerekli değil.

Örneklem yönteminde örneklemin hatası riskini almak yerine;

Ölçüm hassasiyetinden taviz vererek; TAM veriyi toplamanın ve depolamanın ucuzluğunu kullanıyoruz

Mikro seviyede kaybedilen veri doğruluğuna rağmen,

makro seviyede yeni öngörüler oluşturuyoruz.

Büyük Veri

Büyük verideki adetsel değişim, üretilen sonuçlardaki kalitatif değişimin önünü açtı. Saniyede 24 karefotoğraf ile üretilen ürüne artık “Film” diyoruz, “Fotoğraf” değil.

“Küçük” Veri: Küçük, kesin, nedensel. Büyük Veri: Kesin olmamayı tolere edebilen, daha bütünleşik, bağlantısal.

Büyük veri nedensellikle değil, bağlantısallıkla alakalı. Amaç, bağıntılara dayanan patternleriçıkarmak.

Bu sebeple, büyük veri, daha TAM veri ile, daha iyi algoritma ile olabileceğinden çok daha fazla sonuçtüretir.

Algoritma geliştirmek için varsayımlara başvurmak yerine, sofistike analizler kullanılması.

Büyük Veri

Büyük Veri Senaryolarında Kullanılan Bazı Araçlar

NoSQL

DatabasesMongoDB, CouchDB, Cassandra, Redis, BigTable, Hbase, Hypertable, Voldemort, Riak, ZooKeeper

MapReduce

Hadoop, Hive, Pig, Cascading, Cascalog, mrjob, Caffeine, S4, MapR, Acunu, Flume, Kafka, Azkaban, Oozie, Greenplum

Storage

S3, Hadoop Distributed File System

Servers

EC2, Google App Engine, Elastic Beanstalk, Heroku

Processing

R, Python, Yahoo! Pipes, Mechanical Turk, Solr/Lucene, ElasticSearch, Datameer, BigSheets, Tinkerpop

Büyük Veri

Büyük Veri Uzamı İlişkisel Veritabanları, NOSql

Arşivler, Taranmış dokümanlar, emailler, tıbbi kayıtlar, faturalar, irsaliyeler,

Doküman tipleri: xls, pdf, csv, html, json..

Iş uygulamaları: Crm, Erp, Hr, Pm..

Media: İmaj, Video, Ses..

Sosyal Ağlar: Twitter, Facebook, Google, Linkedin..

Açık Web: Wikipedia, haberler,..

Veri Barındırma: RDBMS, NoSql, Hadoop, File Systems..

Log verisi: Application logları, event logları, server verisi, tıklama log verisi..

Sensor verisi: smart elektrik ölçer, tıbbi cihazlar, sensörler, smart phones..

Büyük Veri

Büyük Verinin Kararlarda Sezgi’nin önemini azaltması

Kararların, yapısal bir yaklaşımla, veri ile yönetilen kavrama ve öngörü sistemleriaracılığı ile alınması; örneğin:

Davranış analizleri

Ürün ve Müşteri karlılığı stratejileri

Müşteri edinme ve elde tutma stratejileri

Operasyon ve performans yönetimi

Tedarik zinciri ve teslimat kanalı stratejileri

Büyük Veri


Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim

Büyük Veri Analitiği – Öngörüsel Analitik

Örneklem Veri

Toplu İşleme (Batch)

Veri ve ölçüm kesinliği ihtiyacı

Daha iyi sonuç için Daha iyi algoritmalar

Örneklem Hatası ile önkabul

Neden-Sonuç ilişkisi

Hipotez Testi

Kompleks algortimalar

Sadece Büyük değil, Bütün Veri

Gerçez zamanlı işleme (Streaming)

Daha az kesin daha fazla veri ihtiyacı

Daha iyi sonuç için Daha çok veri

Ölçüm hatası için marj ile pattern çıkarımı

Bağlantı - korelasyon

Pattern Çıkarımı

Daha basit modelleme teknikleri

Öğrenen, İdrak eden sistemler (Yapay Öğrenme,

Derin öğrenme)


GELENEKSEL VERİ BÜYÜK VERİ

Analitik Uygulamalar

• Öngörüsel

• Çıkarım

• Yönergesel

• Tavsiye

• Teşhis edici

• Analiz

• Tanımlayıcı

• Takip

Ne oldu?Nedenoldu?

Gelecektene olabilir?

Ne yapılabilir?

• Tanımlayıcı (Descriptive)

• Teşhis Edici (Diagnostic)

• Öngörüsel (Predictive)

• Yönergesel (Prescriptive)

• Karar Verici (Decisive)


Kullanım Örnekleri

Data Discovery

Business Reporting

Real Time Intelligence


Yetenek Seviyeleri, Karmaşıklık ve Katma Değer

Katma Değer Zinciri

Amaç, her kararın ve aksiyonun (optimizasyon noktasının) verimliliğini ve efektifliğini arttırmak.

Diagnostics Analysis Predictive Prescriptive

Bilgi Geçmiş Veri Bügün Öngörü Optimizasyon


Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim


Yapay Öğrenme

Geçmiş veri üzerinden, bir performans kriterini optimize etmek üzere model geliştirilmesi

Otomasyon inşasını otomatikleştirilmesi

Programın, kendi çıktılarının ya da yeni girdilerin, programı, modeli kendikendisine değiştirmesi

Kendi çıktılarından veya yeni, büyük veriden “öğrenmesi”

Verinin bütün işi yapmasını sağlamak. Verinin hükümranlığını ilan etmesi

Yapay Öğrenme

Yapay Öğrenme (Fraud Puanı)

Değerleme Kuralları

Geçmiş Veri

MODEL

Yeni Veri Puan / SınıfDoğru Karar Verdik mi ?

Evet

Hayır

Manuel müdahale ile değiştirilir

Veritabanlarında Bilgi Keşfi (Knowledge Discovery)

KDD – Knowledge Discovery in Databases Veri içerisindeki, geçerli, kullanışlı, yeni, potensiyel olarak faydalı ve “nihai olarak anlaşılabilir”

patternleri tespit etme.

Perakende: Sepet Analizi, Müşteri davranışları, ilişkileri, Çapraz Satış, indirim miktar ve zamanları

Finans: Kredi skoru, Dolandırıcılık tespiti, Risk Yönetimi

Üretim: Optimizasyon (Satınalma, Üretim planlama, Sevkiyat)

Tıp: Teşhis (Hastalık henüz ortaya çıkmadan)

Telekomünikasyon: İçerik özelleştirme

Sigortacılık: Underwriting

Casino: Ödül sistemleri, direkt pazarlama

Elektrik, Su, vb.: Kayıp kaçak tespiti, tahsilat analizi

…

Yapay ÖğrenmeÖngörüsel Analitik

Büyük Veri

Hepsi “Keşif” için

Yenilik Keşfi• Yeni şablonlar, ender olaylar, istisnalar, eğilim değişimleri

Sınıf Keşfi• Yeni müşteri sınıfı, yeni davranış sınıfı,

• Sınıf sınırlarını çizen kuralların ve değişimlerinin keşfi

İlinti ve Bağıntı keşfi• Aynı anda olması pek olası olmayan olayların keşfi

• Yeni patternler ve bağımlılıkların keşfi, yeni kural setlerinin ortaya çıkması

Yapay Öğrenme

Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim


Servis Modelleri

Software / Application

Platform

Infrastructure

SaaS

PaaS

IaaS

• Software

• Platform

• Infrastructure

• Platform

• Infrastructure

• Infrastructure

SaaS

SaaS

SaaS

Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim


Bulut Bilişim

Kabaca; Barındırılmış Servisleri Internet Üzerinden Sunma Ne Sunar?

Paylaştırılan hizmetler. Herşey Servis

Internete erişilebilir her noktadan erişebilme

Ölçeklendirebilme

Talep anında, self servis

Yüksek esneklik

Ölçülebilir hizmetler

Kaynak Havuzları

Yüksek kullanım oranı, düşük birim maliyet

Kullandıkça Öde

Elde etme süresinin kısaltılması

Bulut Bilişim

Servis olarak ‘‘Herşey’’ (Everything as a Service)

Arama

Email

ÜretkenlikUygulamaları

Sosyal AğlarOn Demand Altyapı

Backup

Media Paylaşım İş Uygulamaları

Yönetim Uygulamaları

Mobil Servisler

Lokasyon BazlıServisler

On Demand BarındırmaOn Demand

Platform

Bulut Bilişim

Büyük Veri


Yapay Öğrenme

SaaS

Bulut Bilişim


Anlık Eylemler içinKarar ve

Optimizasyon

ÖRNEKLERi

How Germany’s Otto uses artificial intelligence Tespit: 2 gün içerisinde teslim edilen siparişlerin iade ihtimali çok düşüyor.2 günden uzun

siparişler için müşteriler direkt satın alıma dönüyor ve siparişi iptal ediyor. Siparişi bölüp çoklukargo maliyetine katlanmak gerekiyor. Aynı zamanda müşteriler çoklu kargoyu sevmiyorlar.

Çözüm:

Kaynak: https://www.economist.com/news/business/21720675-firm-using-algorithm-designed-cern-laboratory-how-germanys-otto-uses

Derin Öğrenme Algoritması: 200 değişkenli 3 milyar geçmiş kayıt üzerinden

200.000 ürün için 30 gün içerisinde hangi ürünün, ne zaman ve ne kadar satılacağını, insanmüdahalesi olmadan %90 doğrulukla tahmin ediyor ve bunlara ait tüm satınalma kararlarını yine insansız olarak veriyor.

Zorunlu tutulan emniyet stoğu %20 azaldı.

Ürün iadelerinde yılda 2 milyon civarı bir azaltım sağlandı.

Ürün teslim süresi azaldı.

How Germany’s Otto uses artificial intelligence

Diğer örnekler

FareCast: Uçak bileti fiyatlama: Hangi hat için, uçuşa kaç gün kala en ucuz bilet alınır.

Sunexpress: Uçuş doluluk oranı tahmini.

Harrah’s Casino: odalar için talep tahmini, müşteri segmentasyonu, oda fiyatlama ve yerleştirme, ödül sistemi tasarımı

Teşekkürler!

kaçınılmaz cloud dönüşümü ve kurumsal Çözümler...büyükveri’nin, bulut...

Documents