SlideShare ist ein Scribd-Unternehmen logo
1 von 23
Downloaden Sie, um offline zu lesen
08.04.2014
JAK UZYSKAĆ WIEDZĘ Z DUŻEJ
ILOŚCI DANYCH
Przykład wdrożenia Big Data
O mnie
• Konsultant Findability
• Wyszukiwanie, przetwarzanie i analiza danych
• Java, OpenSource, Apache Foundation
• ESWM http://www.meetup.com/es-warsaw
• Najbliższe spotkanie już 24 kwietnia!
ZROZUMIEĆ BIG DATA
1.1. Wymiary Big Data
1.1. Wymiary Big Data
Viscosity Variability
Veracity Volatility
1.2. Sektor publiczny a sektor prywatny
• Dostęp i kontrola danych
• Sposoby pozyskiwania danych
• Inwestowanie w IT
• Problemy związane z prywatnością i etyką
1.2. Sektor publiczny a sektor prywatny
1.3. Wnioski CIO
• Pierwsze kroki w Big Data
• Big Data nie jest mijającą modą
• Zarządzanie wielkimi zbiorami danych
• Koncentracja na procesach biznesowych
• Wzmocnienie kapitału ludzkiego
• Współpraca międzydziałowa
1.4. Wdrażanie projektu Big Data
Faza planowania:
• Zrozumienie zasad biznesowych i prawnych
• Komunikowanie możliwości projektu
• Zaczynanie od najprostszych celów
• Zapewnienie odpowiednich zasobów i nadawanie
priorytetów
• KPI
• Łagodzenie ryzyka
1.4. Wdrażanie projektu Big Data
Faza implementacji:
• Nieustanne śledzenie statusu projektu
• Komunikowanie
• Zarządzanie zakresem
• Technologia nie może przesłaniać celu
1.4. Wdrażanie projektu Big Data
Faza po wdrożeniu:
• Udokumentowanie wiedzy i doświadczeń
• Identyfikacja następnego projektu
1.5. Dlaczego projekty czasem kończą się porażką?
nierealne cele projektu
nieprawidłowo określone
wymagania
zbyt duża złożoność rozwiązania
niedokładne raportowanie statusu
projektu
niewystarczająca komunikacja w
zespole
niedojarzała technologia
niestosowanie dobrych praktyk
złe zarządzanie projektem
1.6. Przykład: Google i H1N1
• Wsparcie wczesnego wykrywania H1N1
• Agregacja zapytań związanych z H1N1, epidemią
• Google Flu Trends
FINDWISE W MELTWATER
2. Meltwater
• Platforma online monitorująca:
Mikroblogi
Sieci społecznościowe
Portale udostępniające wideo / zdjęcia
Blogi
Forum / grupy dyskusyjne
• Monitoruje co ludzie mówią o Twojej:
marce
produkcie
konkurencji
• Monitoruje obszary ogólnie związane z daną
tematyką (np. zdrowiem lub rozrywką)
• Identyfikuje trendsetterów
2. Przykład
2.2. Analiza tekstu
• Rozpoznawanie 53 języków
2.1. Analiza danych
2.3. Wyszukiwarka
2.4. Sukces projektu
TOMASZ SOBCZAK
tomasz.sobczak@findwise.com
DZIĘKUJĘ

Weitere ähnliche Inhalte

Andere mochten auch (6)

Vegetales
VegetalesVegetales
Vegetales
 
Abc bank presents
Abc bank presentsAbc bank presents
Abc bank presents
 
नामस्मरण आणि सावधानता डॉ. श्रीनिवास कशाळीकर
नामस्मरण आणि सावधानता डॉ. श्रीनिवास कशाळीकरनामस्मरण आणि सावधानता डॉ. श्रीनिवास कशाळीकर
नामस्मरण आणि सावधानता डॉ. श्रीनिवास कशाळीकर
 
Vivir en un mar de datos y no morir en el intento
Vivir en un mar de datos y no morir en el intentoVivir en un mar de datos y no morir en el intento
Vivir en un mar de datos y no morir en el intento
 
Itc green center gurgaon A2sheet
Itc green center gurgaon A2sheetItc green center gurgaon A2sheet
Itc green center gurgaon A2sheet
 
Giuseffi graziano
Giuseffi grazianoGiuseffi graziano
Giuseffi graziano
 

Ähnlich wie Wdrożenia Big Data - Seminarium

e-book_SAS_wizualizacja_danych_PL
e-book_SAS_wizualizacja_danych_PLe-book_SAS_wizualizacja_danych_PL
e-book_SAS_wizualizacja_danych_PL
Piotr Jakubowski
 
Zarządzanie projektami w organizacjach NGO
Zarządzanie projektami w organizacjach NGOZarządzanie projektami w organizacjach NGO
Zarządzanie projektami w organizacjach NGO
Marek Słowiński
 
Lean hardware startup. Czy jest to możliwe?
Lean hardware startup. Czy jest to możliwe?Lean hardware startup. Czy jest to możliwe?
Lean hardware startup. Czy jest to możliwe?
Piotr Durlej
 

Ähnlich wie Wdrożenia Big Data - Seminarium (20)

Za dużo informacji, i co dalej? Funnelback - Michał Rachowski Squiz 12.09.12 ...
Za dużo informacji, i co dalej? Funnelback - Michał Rachowski Squiz 12.09.12 ...Za dużo informacji, i co dalej? Funnelback - Michał Rachowski Squiz 12.09.12 ...
Za dużo informacji, i co dalej? Funnelback - Michał Rachowski Squiz 12.09.12 ...
 
Big data w strategii marketingowej
Big data w strategii marketingowejBig data w strategii marketingowej
Big data w strategii marketingowej
 
Data science - o co chodzi?
Data science - o co chodzi?Data science - o co chodzi?
Data science - o co chodzi?
 
Afc module 4 pl
Afc module 4 plAfc module 4 pl
Afc module 4 pl
 
Afc module 3 pl
Afc module 3 plAfc module 3 pl
Afc module 3 pl
 
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business IntelligenceBartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
Bartosz Pacuszka Wprowadzenie do Hurtowni Danych i Business Intelligence
 
Oracle Big Data Discovery - ludzka twarz Hadoop'a
Oracle Big Data Discovery - ludzka twarz Hadoop'aOracle Big Data Discovery - ludzka twarz Hadoop'a
Oracle Big Data Discovery - ludzka twarz Hadoop'a
 
Dane powiązane - wprowadzenie
Dane powiązane - wprowadzenieDane powiązane - wprowadzenie
Dane powiązane - wprowadzenie
 
Centrum Kompetencji Otwartej Nauki w Bibliotece Politechniki Gdańskiej – dzia...
Centrum Kompetencji Otwartej Nauki w Bibliotece Politechniki Gdańskiej – dzia...Centrum Kompetencji Otwartej Nauki w Bibliotece Politechniki Gdańskiej – dzia...
Centrum Kompetencji Otwartej Nauki w Bibliotece Politechniki Gdańskiej – dzia...
 
Wdrozenie rodo krok po kroku
Wdrozenie rodo krok po krokuWdrozenie rodo krok po kroku
Wdrozenie rodo krok po kroku
 
Big Data +
Big Data +Big Data +
Big Data +
 
e-book_SAS_wizualizacja_danych_PL
e-book_SAS_wizualizacja_danych_PLe-book_SAS_wizualizacja_danych_PL
e-book_SAS_wizualizacja_danych_PL
 
Webinarium SCWO/BORIS 2018: RODO – dobre i złe praktyki
Webinarium SCWO/BORIS 2018: RODO – dobre i złe praktykiWebinarium SCWO/BORIS 2018: RODO – dobre i złe praktyki
Webinarium SCWO/BORIS 2018: RODO – dobre i złe praktyki
 
Open Data - zarządzanie danymi w projektach badawczych NCN
Open Data - zarządzanie danymi w projektach badawczych NCNOpen Data - zarządzanie danymi w projektach badawczych NCN
Open Data - zarządzanie danymi w projektach badawczych NCN
 
Zarządzanie projektami w organizacjach NGO
Zarządzanie projektami w organizacjach NGOZarządzanie projektami w organizacjach NGO
Zarządzanie projektami w organizacjach NGO
 
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
 
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
Gdy wizja zderza się z rzeczywistością, czyli o nielubianym zarządzaniu w sta...
 
Praktyczne aspekty udostępniania danych badawczych
Praktyczne aspekty udostępniania danych badawczychPraktyczne aspekty udostępniania danych badawczych
Praktyczne aspekty udostępniania danych badawczych
 
Motywacja do dzielenia sie wiedza
Motywacja do dzielenia sie wiedzaMotywacja do dzielenia sie wiedza
Motywacja do dzielenia sie wiedza
 
Lean hardware startup. Czy jest to możliwe?
Lean hardware startup. Czy jest to możliwe?Lean hardware startup. Czy jest to możliwe?
Lean hardware startup. Czy jest to możliwe?
 

Mehr von Tomasz Sobczak (6)

Jak działa wyszukiwanie pełnotekstowe?
Jak działa wyszukiwanie pełnotekstowe? Jak działa wyszukiwanie pełnotekstowe?
Jak działa wyszukiwanie pełnotekstowe?
 
Stopwords in Search
Stopwords in SearchStopwords in Search
Stopwords in Search
 
Przetwarzanie języka naturalnego
Przetwarzanie języka naturalnegoPrzetwarzanie języka naturalnego
Przetwarzanie języka naturalnego
 
Talent Analytics
Talent AnalyticsTalent Analytics
Talent Analytics
 
Gamification
GamificationGamification
Gamification
 
Apache Solr as NoSQL database
Apache Solr as NoSQL databaseApache Solr as NoSQL database
Apache Solr as NoSQL database
 

Wdrożenia Big Data - Seminarium

  • 2. JAK UZYSKAĆ WIEDZĘ Z DUŻEJ ILOŚCI DANYCH Przykład wdrożenia Big Data
  • 3. O mnie • Konsultant Findability • Wyszukiwanie, przetwarzanie i analiza danych • Java, OpenSource, Apache Foundation • ESWM http://www.meetup.com/es-warsaw • Najbliższe spotkanie już 24 kwietnia!
  • 5.
  • 7. 1.1. Wymiary Big Data Viscosity Variability Veracity Volatility
  • 8. 1.2. Sektor publiczny a sektor prywatny • Dostęp i kontrola danych • Sposoby pozyskiwania danych • Inwestowanie w IT • Problemy związane z prywatnością i etyką
  • 9. 1.2. Sektor publiczny a sektor prywatny
  • 10. 1.3. Wnioski CIO • Pierwsze kroki w Big Data • Big Data nie jest mijającą modą • Zarządzanie wielkimi zbiorami danych • Koncentracja na procesach biznesowych • Wzmocnienie kapitału ludzkiego • Współpraca międzydziałowa
  • 11. 1.4. Wdrażanie projektu Big Data Faza planowania: • Zrozumienie zasad biznesowych i prawnych • Komunikowanie możliwości projektu • Zaczynanie od najprostszych celów • Zapewnienie odpowiednich zasobów i nadawanie priorytetów • KPI • Łagodzenie ryzyka
  • 12. 1.4. Wdrażanie projektu Big Data Faza implementacji: • Nieustanne śledzenie statusu projektu • Komunikowanie • Zarządzanie zakresem • Technologia nie może przesłaniać celu
  • 13. 1.4. Wdrażanie projektu Big Data Faza po wdrożeniu: • Udokumentowanie wiedzy i doświadczeń • Identyfikacja następnego projektu
  • 14. 1.5. Dlaczego projekty czasem kończą się porażką? nierealne cele projektu nieprawidłowo określone wymagania zbyt duża złożoność rozwiązania niedokładne raportowanie statusu projektu niewystarczająca komunikacja w zespole niedojarzała technologia niestosowanie dobrych praktyk złe zarządzanie projektem
  • 15. 1.6. Przykład: Google i H1N1 • Wsparcie wczesnego wykrywania H1N1 • Agregacja zapytań związanych z H1N1, epidemią • Google Flu Trends
  • 17. 2. Meltwater • Platforma online monitorująca: Mikroblogi Sieci społecznościowe Portale udostępniające wideo / zdjęcia Blogi Forum / grupy dyskusyjne • Monitoruje co ludzie mówią o Twojej: marce produkcie konkurencji • Monitoruje obszary ogólnie związane z daną tematyką (np. zdrowiem lub rozrywką) • Identyfikuje trendsetterów
  • 19. 2.2. Analiza tekstu • Rozpoznawanie 53 języków