Big Data
Big Data

Big Data

Готовая платформа для работы с большими данными — все преимущества аналитики больших данных с меньшими затратами сил, времени и средств

Компоненты комплексного проекта

ELT-фреймворк
ELT-фреймворк
Приложение для извлечения данных из различных источников, загрузки в облачное корпоративное хранилище и приведения к единому формату для всех пользователей. ELT-фреймворк предназначен для работы с хранилищами данных Greenplum. Позволяет настраивать правила и автоматизировать формирование кода для загрузки.
  • Унификация методов работы с данными
  • Контроль нагрузки на кластер, журналирование и мониторинг загрузки
  • Добавление новых таблиц/источников и управление загрузкой
  • Различные методы извлечения данных из источника и обновления данных в хранилище. Возможность загрузки через брокер: установка агентов в источниках для безопасного извлечения корпоративных данных
Arenadata DB
Arenadata DB
Аналитическая распределенная СУБД, построенная на MPP-системе с открытым кодом Greenplum. Предназначена для хранения и обработки больших объемов информации — до десятков петабайт. 
  • Cкоринг
  • Глубокий ad-hoc анализ
  • Эффективное соединение больших таблиц
  • Сложные запросы обработки больших данных/сложная аналитика (включая аналитику поведения пользователей)
  • Предсказательная аналитика (спрос, остатки)
  • Cистемы маркетинговых кампаний, системы лояльности
  • Любые типы отчетности (операционная, управленческая, обязательная регуляторная)
BI
BI
Система глубокой аналитики и визуализации данных, представление данных в удобном для восприятия виде для принятия управленческих решений. Реализована на базе платформы Visiology и решения с открытым кодом Superset.
  • Язык запросов DAX – полный аналог Power BI
  • Модуль анализа и прогнозирования
  • Smart Forms: сбор и визуализация разнородных данных, в том числе введенных вручную тысячами пользователей
  • Мобильное приложение 
в AppStore и Google Play
  • Рассылки регламентных отчетов любой сложности на основе шаблонов Excel. Виртуальный аналитик, понимающий естественную речь на русском языке
  • Кастомизация и повторное использование виджетов на уровне JavaScript. Качественная интеграция с Python без замены UI-слоя для выполнения ML-моделей

Ключевые возможности

Быстрый старт проекта

Быстрый старт проекта

Запуск проекта больших данных без значительных начальных вложений в оборудование. Быстрое последующее масштабирование платформы с оплатой за фактически использованные ресурсы.
Ускорение принятия решений

Ускорение принятия решений

Многократное увеличение скорости создания аналитических отчетов и принятия бизнес-решений на основе данных.
Быстрая проверка гипотез

Быстрая проверка гипотез

Проверка гипотез и оптимизация бизнес-процессов в течение 2 недель после запуска проекта.
Оптимизация бизнеса

Оптимизация бизнеса

Финансовая выгода от оптимизации бизнеса на основе анализа больших данных до 60% по опыту реализованных проектов.
Экономия на обслуживании

Экономия на обслуживании

Освобождение ИТ-персонала от рутинных задач за счет привлечения компетенций провайдера, при этом затраты на обслуживание сокращаются до 3 раз.
Строгий SLA

Строгий SLA

Обеспечение доступности платформы и инфраструктуры для больших данных на уровне 99,95% и оперативное реагирование на инциденты в течение 10 мин в соответствии со строгим SLA.

Сценарии использования

В банках:

  • Прогнозирование ухода клиентов и предотвращение их оттока
  • Прогноз необходимого остатка наличных средств в кассах и банкоматах с точностью до 99,6%
  • Рекомендации наилучших действий (next best action) сотрудникам фронт-офиса и операторам контакт-центра для роста продаж
  • Противодействие мошенничеству — выявление рисков противозаконных транзакций

В промышленности:

  • Прогнозирование, выявление причин и предотвращение брака на технологическом конвейере
  • Мониторинг износа и амортизации оборудования (ТОИР) для экономии на обслуживании
  • Оптимизация расхода дорогостоящего сырья
  • Разведка залежей сырьевых ресурсов по анализу данных спутниковой и аэрофотосъемки. Оптимизация и сокращение затрат на добычу

В ритейле:

  • Формирование ассортиментной матрицы и оптимизация товарных остатков
  • Товарные рекомендации по анализу чека и истории покупок
  • Анализ поведения клиентов на сайте в реальном времени и спасение «брошенных» корзин
  • Персонализация коммуникации с пользователями во всех каналах
  • Составление рейтингов поставщиков

На транспорте и в логистике

  • Регулирование тарифов с учетом состояния транспортного парка, расхода на топливо и заявок клиентов
  • Снижение аварийности за счет анализа данных телеметрии автомобилей
  • Управление расписанием движения транспортных средств

Как мы работаем

Шаг 1
Аудит
Обследуем бизнес- и ИТ-среды работы с данными и составляем «дорожную карту» проекта.
Шаг 2
Разработка
Создаем архитектуру платформы данных в облаке.
Шаг 3
Инсталляция
Инсталлируем, тестируем и осуществляем первичную загрузку мастер-данных.
Шаг 4
Аналитика
Настраиваем аналитику и отчетность.
Шаг 5
Поддержка
Обеспечиваем эксплуатацию решения и поддержку 24×7.
Шаг 1
Аудит
Обследуем бизнес- и ИТ-среды работы с данными и составляем «дорожную карту» проекта.
Шаг 2
Разработка
Создаем архитектуру платформы данных в облаке.
Шаг 3
Инсталляция
Инсталлируем, тестируем и осуществляем первичную загрузку мастер-данных.
Шаг 4
Аналитика
Настраиваем аналитику и отчетность.
Шаг 5
Поддержка
Обеспечиваем эксплуатацию решения и поддержку 24×7.
Часто задаваемые вопросы
Как монетизировать имеющиеся данные?
Данные не зря называют новой нефтью — с их помощью можно значительно повысить эффективность бизнес-процессов компании. Например, в промышленности с помощью решений промышленной аналитики можно исследовать эффективность технологического процесса в целом или производственного процесса конкретного подразделения. Поскольку источников данных, например, цехов очень много, часто необходима именно аналитика больших данных, что позволяет изучить и проанализировать производственный процесс с разных сторон. В банках все чаще большие данные используются, чтобы предлагать банковские продукты потенциальным клиентам. В ритейле большие данные используются для формирования ассортиментной матрицы и прочих предложений.
Чем озера данных отличаются от больших данных?
Озера данных — это составляющая часть больших данных. Они предназначены для сбора разнородной информации — структурированной или неструктурированной. В случае неструктурированных данных зачастую нет возможности разобраться в их структуре до сохранения. Поэтому важным отличием озер данных является изменение парадигмы работы с данными: сначала данные сохраняются, а потом с ними начинают разбираться. Таким образом, озера данных позволяют «сохранить на будущее» полученные данные, а уже потом понять, как их использовать и интегрировать из озер в инфраструктуру.
Чем озера данных отличаются от хранилищ данных?
В озера данных сохраняются любые наборы данных, которые могут дублироваться, и единая «версия правды» создается уже после сохранения. В хранилище же изначально сохраняется структурированная информация без дублей и с самого начала существует единая «версия правды». Кроме того, хранилища создаются в соответствии с регламентными процессами, и информация в них поступает только из проверенных источников, которые контролирует ИТ-служба предприятия. Сохранить же информацию в озере данных, обработать ее и подготовить витрины может фактически любой сотрудник, у которого есть на это право. Суммируя, разница заключается в типах данных, видах нагрузки, применении, паттернах работы и вовлечении пользователей в процесс обработки данных.
На предприятиях часто используются различные системы для сбора и обработки данных. Нужно ли их унифицировать, прежде чем внедрять платформу для работы с большими данными?
Унификация данных — классическая задача. Реализация проектов в области больших данных часто начинается с консолидации данных на единой аналитической платформе. Один и тот же объект может быть по-разному представлен в разных учетных системах, и сопутствующая типовая задача в рамках проектов в области больших данных часто заключается в унификации такого объекта, т. е. приведении его к единому целевому формату. Для этого, в зависимости от степени интеграции существующих систем и используемых форматов данных, могут применяться различные инструменты.
Что собой представляет платформа для работы с большими данными?
Функциональная архитектура платформы включает две ключевые подсистемы — подсистему интеграции для сбора и загрузки данных, их потоковой и пакетной обработки, и подсистему хранения и обработки данных, в которой выделяются различные слои хранения. Платформа также включает BI-платформу для создания аналитической отчетности и пользовательских отчетов, математических моделей и т. д. На базе платформы может быть организована лаборатория данных, в которой пользователям выделяются определенные ресурсы и полномочия для работы с данными и проверки гипотезы, в том числе с использованием Python. Вместе с платформой также внедряется подсистема управления данными класса Data Governance. Они обеспечивает прозрачность источников и процессов получения данных, преобразования данных перед использованием в витринах, что улучшает осведомленность пользователей и создает объективную картину данных. К платформе можно подключать различные системы, например подсистему управления бизнес-процессами (BPM).
01

Новый сервис IAM в Облаке КРОК

Новый сервис IAM улучшает контроль доступа и управление пользователями в Облаке КРОК
02

Счастье клиента в B2B: как предвосхищать ожидания и поднимать продажи

В выпуске#12 видеоподкаста «Откровенно об ИТ-инфраструктуре» обсудили, что должен знать и уметь customer success manager, почему его задачи нельзя путать с сервис-менеджментом и тем более с техподдержкой, какие приемы и практики помогают в достижении успеха клиента и почему методология customer success важна любым менеджерам, а не только тем, кто работает с клиентами компании.  В гостях Алсу Бикбаева, ATTERA Consulting, и Ренат Сайфутдинов, КРОК Облачные сервисы.
03

Резервное копирование Elasticsearch и другие мартовские обновления Облака КРОК

В Облаке КРОК появилась поддержка резервного копирования еще для двух сервисов PaaS: Elasticsearch и ELK
04

Nextcloud: вы еще не обновили корпоративный файлообменник? Тогда приходите к нам

Свободный, но надежный и безопасный обмен деловой информацией внутри компании и с внешними контрагентами очень важен для любого бизнеса
05

Cloud Security Services: безопасное облако для бизнеса

По данным из открытых источников, 9 из 10 опрошенных российских компаний с выручкой от 15 млрд руб. в год активно используют облачные сервисы
06

Частное облако и как его правильно готовить

В выпуске#11 видеоподкаста «Откровенно об ИТ-инфраструктуре» обсудили, что такое частное облако, в чем его отличия от публичного, когда и кому оно необходимо, какие существуют подходы к построению частного облака и управлению гибридной инфраструктурой
Остались вопросы?
Заполните форму, и эксперт КРОК Облачные сервисы оперативно ответит на все ваши вопросы

КРОК Облачные сервисы

КРОК Облачные сервисы — это самостоятельное подразделение компании КРОК, предлагающее рынку облачные услуги и управляемые В2В-сервисы.
SLA 99,95
Время реакции 10 минут
с 2009
на рынке облачных услуг
800+
клиентов из разных отраслей
>400
экспертов реализуют проекты любой сложности
scrollup