Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
1. Ενότητα-1 : Μελέτες περίπτωσης για το πώς Telecom οι ρυθμιστικές αρχές έχουν χρησιμοποιήσει το Big Data Analytics για την επιβολή συμμόρφωσης:
- TRAI ( Telecom Ρυθμιστική Αρχή της Ινδίας) Τουρκική Telecom ρυθμιστική αρχή : Telekomünikasyon Kurumu FCC -Ομοσπονδιακή Επιτροπή Επικοινωνίας BTRC – Μπαγκλαντές TelecomΡυθμιστική αρχή επικοινωνίας
2. Ενότητα-2 : Εξέταση εκατομμυρίων συμβολαίων μεταξύ CSP και των χρηστών του χρησιμοποιώντας μη δομημένα αναλυτικά στοιχεία μεγάλων δεδομένων
- Elements of NLP ( Natural Language Processing ) Εξαγωγή SLA ( συμφωνίες επιπέδου υπηρεσιών ) από εκατομμύρια συμβόλαια Μερικά από τα γνωστά ανοιχτού κώδικα και αδειοδοτημένο εργαλείο για ανάλυση συμβάσεων (eBravia, IBM Watson, KIRA) Αυτόματη ανακάλυψη συμβολαίων και σύγκρουσης από το Unstructured ανάλυση δεδομένων
3. Ενότητα -3 : Εξαγωγή δομημένων πληροφοριών από μη δομημένο Συμβόλαιο Πελατών και αντιστοίχισή τους στην Ποιότητα Υπηρεσίας που λαμβάνεται από δεδομένα IPDR & Δεδομένα εφαρμογής Crowd Source. Μέτρηση για συμμόρφωση. Αυτόματος εντοπισμός παραβιάσεων συμμόρφωσης.
4. Ενότητα-4: ΧΡΗΣΙΜΟΠΟΙΕΙΤΑΙ την προσέγγιση εφαρμογών για τη συλλογή δεδομένων συμμόρφωσης και QoS- απελευθερώστε μια δωρεάν ρυθμιστική εφαρμογή για κινητά στους χρήστες για αυτόματη παρακολούθηση και ανάλυση. Σε αυτήν την προσέγγιση, η ρυθμιστική αρχή θα κυκλοφορεί δωρεάν εφαρμογή και θα διανέμει στους χρήστες - και η εφαρμογή θα συλλέγει δεδομένα για QoS/Ανεπιθύμητα μηνύματα κ.λπ. και θα τα αναφέρει σε μορφή αναλυτικού πίνακα εργαλείων:
- Έξυπνη μηχανή ανίχνευσης ανεπιθύμητων μηνυμάτων (μόνο για SMS) για να βοηθήσει τον συνδρομητή να αναφέρει Πληθυσμιακή προμήθεια δεδομένων σχετικά με προσβλητικά μηνύματα και κλήσεις για να επιταχύνει τον εντοπισμό μη εγγεγραμμένων τηλεπωλητών Ενημερώσεις σχετικά με ενέργειες που ελήφθησαν για καταγγελίες εντός της εφαρμογής Αυτόματη αναφορά ποιότητας φωνητικής κλήσης (απόπτωση κλήσης, μία σύνδεση μέσω τρόπου) για όσους θα έχουν εγκαταστήσει τη ρυθμιστική εφαρμογή Αυτόματη αναφορά ταχύτητας δεδομένων
5. Ενότητα-5: Επεξεργασία δεδομένων ρυθμιστικών εφαρμογών για αυτόματη δημιουργία συστήματος συναγερμού (συναγερμοί θα δημιουργηθούν και θα αποσταλούν email/sms στους ενδιαφερόμενους αυτόματα): Εφαρμογή του πίνακα ελέγχου και της υπηρεσίας συναγερμού
- Microsoft Πίνακας εργαλείων με βάση το Azure και υπηρεσία συναγερμού SNS AWS Lambda με βάση την υπηρεσία Ταμπλό και ανησυχητικό AWS/Microsoft Αναλυτική σουίτα για τη συμπίεση των δεδομένων για τη δημιουργία συναγερμών Κανόνες δημιουργίας συναγερμών
6. Ενότητα-6 : Χρησιμοποιήστε δεδομένα IPDR για ανάλυση QoS και Compliance-IPDR Big data:
- Μετρημένη χρέωση ανά χρήση υπηρεσίας και συνδρομητή Ανάλυση και σχεδιασμός χωρητικότητας δικτύου Διαχείριση πόρων αιχμής Διαχείριση αποθέματος δικτύου και περιουσιακών στοιχείων Παρακολούθηση στόχου σε επίπεδο υπηρεσίας (SLO) για επιχειρηματικές υπηρεσίες Παρακολούθηση ποιότητας εμπειρίας (QOE) Βελτιστοποίηση υπηρεσίας απόρριψης κλήσεων και αναλυτικά στοιχεία ανάπτυξης προϊόντων
7. Ενότητα-7 : Εμπειρία εξυπηρέτησης πελατών & Big Data προσέγγιση στο CSP CRM :
- Συμμόρφωση με τις πολιτικές επιστροφής χρημάτων Χρεώσεις συνδρομής Συνεδρίαση SLA και έκπτωση συνδρομής Αυτόματος εντοπισμός μη τήρησης SLA
8. Ενότητα-8 : Big Data ETL για ενσωμάτωση διαφορετικών πηγών δεδομένων QoS και συνδυασμό σε ένα ενιαίο ταμπλό που βασίζεται σε συναγερμούς:
- Χρησιμοποιώντας ένα PAAS Cloud όπως το AWS Lambda, Microsoft Azure χρησιμοποιώντας μια προσέγγιση υβριδικού νέφους
Requirements
Δεν απαιτούνται συγκεκριμένες απαιτήσεις για να παρακολουθήσετε αυτό το μάθημα.
14 Hours
Testimonials (4)
how the trainor shows his knowledge in the subject he's teachign
john ernesto ii fernandez - Philippine AXA Life Insurance Corporation
Course - Data Vault: Building a Scalable Data Warehouse
I liked that it was practical. Loved to apply the theoretical knowledge with practical examples.
Aurelia-Adriana - Allianz Services Romania
Course - Python and Spark for Big Data (PySpark)
Πολλά πρακτικά παραδείγματα, διαφορετικοί τρόποι προσέγγισης του ίδιου προβλήματος και μερικές φορές όχι τόσο προφανή κόλπα πώς να βελτιώσετε την τρέχουσα λύση
Rafał - Nordea
Course - Apache Spark MLlib
Machine Translated
This is one of the best hands-on with exercises programming courses I have ever taken.