Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes!

Koncepcja big data zmieniła zasady gry w biznesie. Wiele osób z kadry zarządczej nie rozumie specyfiki tego rodzaju danych: ogromnych, szybko narastających, często niepasujących do tradycyjnej struktury. Są one zasadniczo różne od konwencjonalnych danych, zarówno pod względem wielkości, jak i złożoności. Rzucają nowe wyzwania, stwarzają nowe możliwości, zacierają tradycyjne granice konkurencji i zmuszają do zmiany paradygmatów pozyskiwania wartości z danych. Big data i data science wraz z uczeniem maszynowym radykalnie zmieniają ekosystem biznesu. Aby przetrwać tę rewolucję, trzeba dostosować się do nowych warunków.

Ta książka jest przystępnym wprowadzeniem do koncepcji big data i data science. Pozwoli na uzyskanie wiedzy niezbędnej do oceny, czy korzyści z tych technologii są warte kosztów i wysiłku związanych z wdrożeniem w firmie. Poszczególne techniki zostały dokładnie i przejrzyście opisane. Przedstawiono zasady tworzenia odpowiednich strategii. Wyjaśniono, jakich zasobów i jakich ludzi potrzeba do przeprowadzenia transformacji w kierunku zbierania, analizy i wykorzystywania danych, a także omówiono związane z tym ryzyko. Ważnym elementem książki są praktyczne wskazówki i podpowiedzi.

W tej książce:

• podstawy big data, data science i sztucznej inteligencji
• praktyczne zastosowanie big data w technikach analitycznych
• przegląd podstawowych rodzajów analityki i dobór technologii
• przygotowanie firmy do wdrożenia projektów big data i data science
• wymagania prawne i ochrona danych a korzystanie z narzędzi big data

Spis treści

• Opinie o książce
• O autorze
• Podziękowania
• Wprowadzenie
  • Rozdziały
    • Część 1. Wprowadzenie do koncepcji big data
      • Rozdział 1. Historia big data
      • Rozdział 2. Sztuczna inteligencja, uczenie maszynowe i big data
      • Rozdział 3. Dlaczego technologie big data są użyteczne?
      • Rozdział 4. Przykłady zastosowań big data w analizie danych
      • Rozdział 5. Zrozumieć ekosystem big data
    • Część 2. Jak wykorzystać ekosystem big data w swojej organizacji?
      • Rozdział 6. W jaki sposób big data może pomóc w kierowaniu strategią?
      • Rozdział 7. Strategia wykorzystywania big data oraz data science
      • Rozdział 8. Wykorzystanie data science analityka, algorytmy i uczenie maszynowe
      • Rozdział 9. Wybór technologii
      • Rozdział 10. Budowanie zespołu
      • Rozdział 11. Zarządzanie danymi i kwestie prawne
      • Rozdział 12. Skuteczne realizowanie projektów
• Część 1. Wprowadzenie do koncepcji big data
• Rozdział 1. Historia big data
  • Co się zmieniło na początku XXI wieku?
  • Dlaczego tak wiele danych?
  • Rozpowszechnienie urządzeń generujących dane cyfrowe
    • Tworzenie i publikowanie treści prywatnych
    • Aktywność użytkowników
    • Uczenie maszynowe i Internet rzeczy (IoT)
    • Badania naukowe
  • Malejące koszty przestrzeni dyskowej
  • Malejące koszty RAM-u
  • Malejące koszty mocy obliczeniowej
  • Dlaczego koncepcja big data zyskała taką popularność?
  • Pionierzy big data, którzy odnieśli sukces
  • Oprogramowanie open source wyrównało szanse wśród twórców oprogramowania
  • Przetwarzanie w chmurze ułatwiło rozpoczynanie i skalowanie pomysłów
  • Podsumowanie
  • Zastanów się
• Rozdział 2. Sztuczna inteligencja, uczenie maszynowe i big data
  • Czym są sztuczna inteligencja i uczenie maszynowe?
  • Początki AI
  • Skąd niedawne odrodzenie AI?
  • Sztuczne sieci neuronowe i uczenie głębokie
  • Jak AI pomaga w analizie wielkich zbiorów danych?
  • Na co warto zwrócić uwagę?
  • Podsumowanie
  • Zastanów się
• Rozdział 3. Dlaczego technologie big data są użyteczne?
  • Całkiem nowe sposoby używania danych
  • Nowy sposób myślenia o danych
  • Stosowanie podejścia data-driven
    • Informacje ukryte w danych
    • Analiza
  • Lepsze narzędzia
    • Dane: im więcej, tym lepiej
    • Dodatkowe typy danych
    • Wartość danych o ścieżkach zakupowych klientów
    • Większe ilości danych
  • Podsumowanie
  • Zastanów się
• Rozdział 4. Przykłady zastosowań big data w analizie danych
  • Testy A/B
  • Systemy rekomendacyjne/następna najlepsza oferta
  • Prognozowanie: popyt i przychody
  • Oszczędzanie kosztów w IT
  • Marketing
  • Media społecznościowe
  • Wyceny
  • Zatrzymywanie klientów i budowanie ich lojalności
  • Porzucanie koszyka (analizowane w czasie rzeczywistym)
  • Optymalizacja współczynnika konwersji
  • Dopasowywanie produktu w czasie rzeczywistym
  • Reklamy kontekstowe w czasie rzeczywistym
  • Wykrywanie nadużyć w czasie rzeczywistym
  • Ograniczenie migracji klientów
  • Utrzymanie według stanu
  • Zarządzanie łańcuchem dostaw
  • Długookresowa wartość klienta
  • Lead scoring
  • Zasoby ludzkie
  • Analiza sentymentu
  • Podsumowanie
  • Zastanów się
• Rozdział 5. Zrozumieć ekosystem big data
  • Kiedy dane można określać jako big data?
  • Rozproszone przechowywanie danych
  • Rozproszone przetwarzanie
  • Fast data/strumieniowanie danych
  • Mgła obliczeniowa/przetwarzanie krawędziowe
  • Oprogramowanie open source
  • Historia open source
  • Licencjonowanie
  • Dystrybucja kodu
  • Korzyści z open source
  • Open source a big data
  • Przetwarzanie w chmurze
  • Podsumowanie
  • Zastanów się
• Część 2. Jak wykorzystać ekosystem big data w swojej organizacji?
• Rozdział 6. W jaki sposób big data może pomóc w kierowaniu strategią?
  • Twoi klienci
  • Zdobywanie danych
    • Platformy cyfrowe
    • Wsparcie klienta
    • Fizyczne położenie klientów
    • Łączenie danych o klientach
  • Używanie danych
    • Ścieżka zakupowa
    • Grupy klientów (persony)
    • Towary
    • Krytyczne interwencje
  • Twoja konkurencja
  • Czynniki zewnętrzne
  • Twój własny produkt
  • Podsumowanie
  • Zastanów się
• Rozdział 7. Strategia wykorzystywania big data oraz data science
  • Zespół ludzi
    • Specjaliści od strategii
    • Specjaliści od biznesu
    • Specjaliści od analizy
    • Specjaliści techniczni
  • Spotkanie inauguracyjne
    • Strategia
    • Biznes
    • Analiza
    • Technologia
  • Efekty spotkania inauguracyjnego
  • Omówienie zakresu projektu
  • Podsumowanie
  • Zastanów się
• Rozdział 8. Wykorzystanie data science analityka, algorytmy i uczenie maszynowe
  • Cztery typy analityki
    • Analityka opisowa
    • Analityka diagnostyczna
    • Analityka predykcyjna
    • Analityka preskryptywna
  • Modele, algorytmy i czarne skrzynki
    • Projektowanie modelu
    • Modele czarnoskrzynkowe w big data
    • Dopasowywanie modelu do danych
    • Wdrażanie modelu
  • Sztuczna inteligencja i uczenie maszynowe
  • Oprogramowanie analityczne
    • Bazy danych
      • Bazy relacyjne (75%)
      • Bazy dokumentowe (9%)
      • Silniki wyszukiwania (5%)
      • Bazy typu klucz-wartość (5%)
      • Bazy kolumnowe (3%)
      • Bazy grafowe (2%)
      • Wybór bazy danych
    • Języki programowania
  • Narzędzia analityczne
  • Agile w analityce
  • Podsumowanie
  • Zastanów się
• Rozdział 9. Wybór technologii
  • Wybór sprzętu
  • Wybór lokalizacji sprzętu: rozwiązania chmurowe
  • Przenoszenie, oczyszczanie i przechowywanie danych
  • Wybór oprogramowania
  • Dostarczanie wyników użytkownikowi końcowemu
  • Rozważania na temat wyboru technologii
  • Podsumowanie
  • Zastanów się
• Rozdział 10. Budowanie zespołu
  • Specjaliści w zakresie data science
  • Role potrzebne w zespole analitycznym
    • Platform engineer
    • Inżynier danych
    • Specjalista od algorytmów
    • Analityk biznesowy
    • Analityk sieciowy
    • Specjalista od raportowania
  • Przywództwo
    • Posiadanie trzech niepowiązanych umiejętności
    • Wszechstronnie rozwinięte umiejętności techniczne
    • Umiejętność dostarczania rezultatów
    • Proces zatrudniania na stanowisko przywódcze
  • Rekrutowanie specjalistów od danych
  • Zatrudnianie na dużą skalę i pozyskiwanie startupów
  • Outsourcing
  • Małe firmy
  • Podsumowanie
  • Zastanów się
• Rozdział 11. Zarządzanie danymi i kwestie prawne
  • Dane osobowe
  • Przepisy dotyczące ochrony prywatności
  • Data science i ujawnianie informacji prywatnych
  • Zarządzanie danymi
  • Zarządzanie raportowaniem
  • Podsumowanie
  • Zastanów się
• Rozdział 12. Skuteczne realizowanie projektów
  • Dlaczego projekty upadają
    • Wykorzystaj model data-driven
      • Cały czas zadawaj pytania na temat swojego biznesu
      • Testuj swoje przypuszczenia
      • Utwórz i monitoruj kluczowe wskaźniki efektywności
      • Sięgaj po nowe pomysły
      • Uporządkuj swoje dane
    • Pozyskaj odpowiednich ludzi
    • Połącz silosy danych
    • Skup się na wartości biznesowej
    • Kontroluj efekty
    • Korzystaj z metodyki agile
  • Na zakończenie
  • Podsumowanie
  • Zastanów się
• Słowniczek