Презентация на тему: Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы

Реклама. Продолжение ниже
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы «Газпром нефть »
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Кто из вас знает что такое BI?
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Пять лет развития бизнес-аналитики - от проекта по автоматизации отчетности до готовности внедрения лучших практик работы с «большими данными» и продвинутой
Активные проекты для работы с «большими данными» и продвинутой аналитикой реализуют концепцию «умное озеро данных» ( Smart Data Lake )
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Примеры тем ВКР студентов-практикантов Офиса управления данными
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (6 КУРС)
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы
1/26
Средняя оценка: 4.0/5 (всего оценок: 54)
Код скопирован в буфер обмена
Скачать (6114 Кб)
Реклама. Продолжение ниже
1

Первый слайд презентации: Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы «Газпром нефть »

Михаил Казанцев Докладчик: Руководитель Группы разработки и сопровождения BI -системы ДРП 03.10.2018

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
2

Слайд 2

СБЫТОВОЙ БЛОК КОМПАНИИ «ГАЗПРОМ НЕФТЬ»: ВИДЫ ДЕЯТЕЛЬНОСТИ И МАСШТАБ Управление автотранспортом: бензовозы/ газовозы Услуги метрологии Реализация нефтепродуктов оптом Хранение нефтепродуктов Управление > 5 0 собств. нефтебазами Розничная реализация нефтепродуктов Продажи корпоративным клиентам Управление АЗС \ АСК > 1 500 объектов Реализация сопутствующих товаров, оказание услуг моек, СТО >800 магазинов Сотрудников в блоке – порядка 23 тыс. человек 3 6 регионов присутствия в РФ + 4 страны СНГ Клиентов-участников бонусной программы > 9 млн. человек

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/5
3

Слайд 3: Кто из вас знает что такое BI?

Изображение слайда
1/1
4

Слайд 4

ЕДИНАЯ BI -СИСТЕМА О бъединяет данные из > 140 источников и является зеркалом ключевых данных

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
5

Слайд 5

Аналитические системы классов OLAP и Business Intelligence Начало 2000-х годов – персональные компьютеры и массовые инструменты аналитики стр. 5 BI-системы являются развитием идей OLAP, но лишены недостатков OLAP-систем 1993 год: Э.Кодд : недостаток реляционной модели БД - невозможность «объединять, просматривать и анализировать данные с точки зрения множественности измерений, т.е. самым понятным для аналитиков способом», статья « OLAP для пользователей-аналитиков: каким он должен быть» – 12 правил оперативной аналитической обработки данных Конец 1990-х годов – появление промышленных OLAP- систем Начало 2000-х годов – массовое появление систем Business Intelligence 2.0 ( BI ), включающих: Бизнес-отчётность Информационный поиск Аналитическую обработку в реальном времени (OLAP), Инструменты предупреждения об отклонениях от ожиданий Бизнес-аналитику (статистику, прогнозирование и оптимизацию)

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/4
6

Слайд 6

Business Intelligence ( BI) : многоэтапная логика принятия решений Пример: концепция DAR ( Dashboard, Analytics, Reports) компании Qlik

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/4
7

Слайд 7

ПРИМЕР BI- ПРИЛОЖЕНИЯ: АНАЛИТИКА РАБОТЫ КАСС АЗС Выявление интервалов простоев касс АЗС: отсутствие чеков по кассе в течение 10 минут при условии активной работы других касс этой АЗС

Изображение слайда
Изображение для работы со слайдом
1/2
Реклама. Продолжение ниже
8

Слайд 8

ПРИМЕР BI- ПРИЛОЖЕНИЯ стр. 8

Изображение слайда
Изображение для работы со слайдом
1/2
9

Слайд 9

ПРИМЕР: МОДЕЛЬ ДАННЫХ BI- ПРИЛОЖЕНИЯ стр. 9

Изображение слайда
Изображение для работы со слайдом
1/2
10

Слайд 10

ЕДИНАЯ BI -СИСТЕМА СБЫТОВОГО БЛОКА ГПН – ФУНКЦИОНАЛ И МАСШТАБ. ПРОЕКТ НАЧАТ В КОНЦЕ 2012 ГОДА > 1100 активных пользователей > 1900 реализованных отчетов, диаграмм, дашбордов >20 0 BI приложений в продуктиве > 20 T байт данных обрабатывается > 140 источников данных Финансовый учет Расходы Экономический анализ Финансы Инвестиции ИТ-сервисы Маржинальный доход Материальный баланс Первичная логистика Розничные продажи Аналитика розничных продаж Сервисы для АЗС Сравнительный анализ АЗС Программа лояльности АЗС Стратегическая модель Оптовые продажи Качество данных Модель распределения нефтепродуктов Эффективность бизнес-процессов Мониторинг цен и ценообразование Общая отчетность и АРМы руководителей Управление ассортиментом АЗС Аналитика объектов партнеров Анализ численности персонала Аналитика нефтебазового хозяйства Состав подсистем BI показывает разнообразие решаемых аналитических задач

Изображение слайда
Изображение для работы со слайдом
1/2
11

Слайд 11: Пять лет развития бизнес-аналитики - от проекта по автоматизации отчетности до готовности внедрения лучших практик работы с «большими данными» и продвинутой аналитикой

2012 2013 2014 2015 2016 Создание института BI- чемпионов (бизнес-пользователей, создающих новые BI -приложения ) Инициативы создания систем отчетности департаментов на основе BI- инструментов 201 1 2017 Создание функции управления качеством данных Запуск регулярного процесса обучения BI бизнес-пользователей Цифровая трансформация: создание «озера данных» и комплексной системы управления данными Объединение BI- инициатив под управлением CFO Система управления мастер-данными Объем данных в контуре BI c 2012 по 2015 возрос до 3ТБ Объем данных в контуре BI в 2015-2016 гг. увеличился на 6ТБ Выбор платформы QlikView для реализации BI Первые результаты проекта BI : 1100 АЗС подключенных к BI системе Загрузка данных со всех заправок (высокий уровень детализации) Интеграция данных со смежными системами Сокращение штата специалистов по подготовке отчетности Запуск проекта по внедрению системы BI -Технологические изменения -Организационные изменения Структура логического хранилища данных на слоях BI QlikView Создание функции методологии и системного анализа BI > 1000 пользователей BI, > 80 источников данных интегрированы Ожидаемый прирост объема данных в 2017 г. - 5ТБ

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/16
12

Слайд 12: Активные проекты для работы с «большими данными» и продвинутой аналитикой реализуют концепцию «умное озеро данных» ( Smart Data Lake )

Инструменты аналитики Уровень визуализации данных (Мобильные приложения и BI) Облачные приложения / сервисы для партнеров Интерфейсы интеграции в глобальные цифровые платформы Инструменты операционной аналитики, искусственный интеллект Зона исследования данных: прототипы и эксперименты с Data Science «Озеро данных» ( Big Data Lake ) + Система управления данными API Внешние облачные сервисы и базы данных Данные партнеров Потоковые данные: интернет вещей ( loT ), M2M Производственные системы ( MES, АСУ ТП) Учетные системы ( ERP), CRM, порталы Слои хранения больших массивов разнообразных данных Инструменты трансформации и извлечения данных Управление качеством данных Бизнес-глоссарий Управлением метаданными Портал навигации по данным

Изображение слайда
Изображение для работы со слайдом
1/2
13

Слайд 13

НАПРАВЛЕНИЯ ПРАКТИКИ ДЛЯ СТУДЕНТОВ В ОФИСЕ УПРАВЛЕНИЯ ДАННЫМИ Создание тематических BI -приложений ( варианты: отчетность, дизайн, сложные расчетные алгоритмы) Прогнозирование и исследовательские кейсы на поиск закономерностей в данных с использованием машинного обучения ( SQL / Python / специализированное ПО) Оптимизация, в том числе нелинейная ( солверы и специализированное ПО) Разработка Big Data (Java, SQL + компоненты Hadoop) Имитационное моделирование ( AnyLogic )

Изображение слайда
Изображение для работы со слайдом
1/2
14

Слайд 14

КОГО МЫ ИЩЕМ? Студенты 3-6 курсов по профильным направлениям (бизнес-аналитика, бизнес-информатика, прикладная и фундаментальная математика, системный анализ и программирование), желающие развиваться как аналитики / инженеры данных / разработчики BI и работать в бизнес-компании Приветствуются знание SQL, Python, Java, технологий ML и Hadoop, знакомство с платформой QlikView Приветствуется опыт личных достижений в творческой или спортивной сфере Форматы привлечения при наличии направления от ВУЗа: Стажировка/производственная практика = 2-3 месяца Стажировка + Дипломная работа = 4-6 месяцев Для более крупных задач с исследовательской составляющей может быть сформирована мини-группа из 2-3 студентов для совместной работы Для приема на стажировку студенты проходят собеседование и решают кейсы (кейсы выполняются заочно) Основной отбор: Кейс-чемпионат GPN Intelligence Cup

Изображение слайда
1/1
Реклама. Продолжение ниже
15

Слайд 15

ПАРАМЕТРЫ СТАЖИРОВКИ Где : в офисах в Санкт-Петербурге, Екатеринбурге График : период и график работы обсуждаются индивидуально, обычно на 0,5 занятости (2,5 дня в неделю по свободному графику) Оплата стажировки: для успешно прошедших отборы студентов Обучения и тренинги : профильные обучения на внутренних курсах и на продуктивных кейсах/приложениях Кураторство : за стажером закрепляются 1-2 задачи и куратор-эксперт Оформление : по итогам стажировки формируется отзыв/ рекомендательное письмо от имени профильного руководителя Дирекции/ руководителя практики Трудоустройство : для стажеров-выпускников возможно предложение постоянной работы по итогам стажировки или по окончании ВУЗа

Изображение слайда
1/1
16

Слайд 16: Примеры тем ВКР студентов-практикантов Офиса управления данными

«Построение комплексной системы управления данными компании» «Совершенствование функции управления данными в рамках цифровой трансформации бизнеса» «Разработка BI- приложения для управления бизнес-процессом компании» «Проектирование BI- приложения в среде QlikView » «Экономико-математические модели исследования потребителя» «Применение метода частичного обучения Co-training в задаче классификации клиентской базы» 2017-2018 учебный год

Изображение слайда
1/1
17

Слайд 17

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (4 КУРС) Сегментация клиентов сети АЗС в R, формирование групп для отправки целевых маркетинговых предложений, визуализация с помощью BI- инструментов

Изображение слайда
Изображение для работы со слайдом
1/2
18

Слайд 18

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (4 КУРС) BI-приложение для анализа оценок клиентов в мобильном приложении сети АЗС ГПН

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
19

Слайд 19

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (3 КУРС) BI-приложение для анализа эффективности закупок по тендерным процедурам

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/4
20

Слайд 20

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (6 КУРС) Прогнозирование продаж АЗС с использованием R, Python и пакетов для работы с временными рядами

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/6
21

Слайд 21

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (4 КУРС) Совместное использование QlikView c R для задач прогнозирования, ансамбль моделей для временных рядов

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
22

Слайд 22

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (6 КУРС) BI-приложение «Операционные показатели эффективности программы лояльности»

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
23

Слайд 23: ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (6 КУРС)

Storage (media) ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (6 КУРС) Поток видео с АЗС Обработка и хранение видео Озеро данных ГПН Облако Облачные аналитические сервисы BI Система распознавания номеров, цвета и сегмента автомобилей на АЗС

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/20
24

Слайд 24

ПРИМЕР РЕЗУЛЬТАТА ПРАКТИЧЕСКОЙ РАБОТЫ СТУДЕНТА (4 КУРС) Precision Recall F1-score Total F1-score NaiveBayes 0,53 0,34 0,41 0,59 LogReg 0,62 0,36 0,46 0,63 RandomForest (500 est) 0,61 0,32 0,42 0,61 CT:NaiveBayes 0,55 0,24 0,33 0,58 CT:LogReg 0,52 0,57 0,55 0,63 CT:RandomForest (500est) 0,53 0,28 0,37 0,59 CT:NaiveBayes+RandomForest 0,55 0,29 0,38 0,60 CT:NaiveBayes+LogReg 0,52 0,37 0,43 0,60 CT:LogReg+RandomForest 0,55 0,42 0,48 0,63 Классификация клиентской базы с использованием инструментов Python

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
Изображение для работы со слайдом
1/4
25

Слайд 25

Отбор на оплачиваемую стажировку Открыта регистрация на GPN Intelligence Cup — ежегодный кейс-чемпионат по решению аналитических задач Дирекции региональных продаж «Газпром нефти» для студентов старших курсов ВУЗов по направлениям в области экономики, информатики и технологий обработки и анализа данных. Участникам предстоит погрузиться в работу компании и решить актуальные задачи бизнеса по разработке стратегии продвижения продуктов, продвинутой аналитике и инжинирингу данных. Победители GPN Intelligence Cup смогут попасть на оплачиваемую стажировку в компанию! Регистрация проходит на сайте http : // gpn-cup.ru по двум направлениям: • «Анализ и инжиниринг данных» - до 22 октября 2018. Регистрация по направлению "Анализ и инжиниринг данных" возможна на все или произвольное количество тем на ваш выбор, темы: 1). Разработка BI-приложений; 2). Разработка алгоритмов обработки больших массивов данных; 3). Продвинутая аналитика • «Бизнес и аналитика» - до 9   ноября 2018г

Изображение слайда
1/1
26

Последний слайд презентации: Практика «Инжиниринг и анализ данных» для студентов в сбытовом блоке группы

Контакты Ксения Гальперина – эксперт по качеству данных Galperina.KS@ ekb. gazprom-neft.ru Михаил Казанцев – Руководитель группы разработки BI Kazantsev.MP@gazprom-neft.ru Иван Черницын – Руководитель Офиса Управления данными Chernitsyn.IG@gazprom-neft.ru

Изображение слайда
1/1
Реклама. Продолжение ниже