Statisztikai programcsomagok Csicsman József BME Matematikai intézet, Sztochasztika Tanszék Külső oktató csicsman@calculus.hu Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Az előadás témái Egy tegnapi e-mai üzenet A Statisztikai szoftverek Adat előkészítő és adatelemző szoftverek a KSH-ban SAS az adófeldolgozásban Vállalati Információs Rendszerek döntések támogatására, a hagyományos elemzési módszertanoktól a mobilos Dashboard-ig Pénzintézeti és Telekommunikációs alkalmazások Adatelemzés és adattárház építés az egészségügyben A Big Data és a Hadoop technológiák A Magyarországon is megvalósult BD projektek Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Egy mai hír a Linked-ről, Hétköznapok az adatiparban: adatelőkészítés Adatelemzőnek lenni menő dolog.  Egy rövid bemutatkozásból persze nem derül ki, hogy ebben az első hallásra is vonzónak tűnő munkakörben a feladatok jelentős részét „favágó munka”, az adatok előkészítése teszi ki . Márton Zimmer Creating Value from Data @ Hiflylabs Ahogy egy, a Forbes-ban megjelent felmérés is mutatja, a „data scientist”-ek 76%-a legkevésbé ezeket a feladatokat szeretik a munkájukban, mégis idejük a 80%-át töltik ezzel. Érdekes, hogy ez az arány tíz éve is hasonló volt, ahogy például ezt egy akkoriban megjelent könyvünkben is írtuk. Különös, egyedi kifejezéseket fejlesztettünk ki erre, ha már ennyit foglalkozunk vele: adatot túrunk, masszírozunk, gyurmázunk, kopasztunk… Mégis kevés olyan "pályaelhagyót" ismerek, aki emiatt megunta vagy megutálta volna az adatokkal való foglalkozást. Szeretünk főzni, és ha az kell hozzá, hát elvégezzük a zöldségpucolást is. Ráadásul nem mindegy hogy az adatelőkészítést milyen minőségben végezzük el. Sokszor itt dől el, hogy milyen minőségű lesz a végeredmény – a fonnyadt részeket ki kell vágni, de az ízes falatokat fel kell dolgozni.  Az adatelemzési technológia persze mindeközben szédítő ütemben fejlődik. Sok olyan fejlesztés van, ami éppen az adatelőkészítés megkönnyítését célozza meg azt ígérve, hogy a szakértők végre az idejük nagyobb részét tölthetik igazi elemzéssel. Ömlik a kockázati tőke a Big Data feldolgozását megkönnyítő startupokba és persze az adatipar szoftveróriásai is fejlesztik a saját megoldásaikat. 2016. ősz Kovács Erzsébet - Csicsman József

Zimmer Márton: Hétköznapok az adatiparban: adatelőkészítés  Akkor reménykedhetünk benne, hogy a múlté lesz a  „80% adatelőkészítés – 20 % elemzés, modellezés” munkaidő arány" szabálya? Ebben nem számítok a következő években nagy változásra.  Az egyre fejlettebb eszközök ugyan valóban egyre ügyesebben fogják támogatni ezt a tevékenységet. De ennek inkább lesz az az eredménye, hogy olyan adatforrásokat is szeretnénk majd kiaknázni, amiről ma eszünkbe se jut, hogy hozzányúlhatunk. A gyorsabb közlekedési eszközök sem eredményezték azt, hogy az emberek kevesebbet töltenek utazással. Inkább az lett az eredmény, hogy messzebbi úti célokat is elérhetőnek tartunk.  Van még egy terület, amelytől sokan az adatelőkészítési munka elvégzését várják: léteznek mesterséges intelligencia alapú kezdeményezések is az adatok értelmezésére. A mesterséges intelligencia persze egyre több helyre „beteszi a lábát”, így például néhány évtized múlva valószínűleg sokkal kevesebb sofőrre lesz szükség.  Séfek azonban akkor is lesznek, legfeljebb olyan szerencsések lesznek, hogy a zöldségtisztítást gép segíti. Ahogy lesz adatelemző is, akinek a munkáját is jóval több hasznos eszköz könnyíti majd. 2015. ősz Kovács Erzsébet - Csicsman József

Szokásos napi e-mai üzenet There are several postdoctoral and PhD positions open at the University of Edinburgh in the “Big Data Optimization" Lab of  Peter Richtarik: http://www.maths.ed.ac.uk/~prichtar/ The positions start in Fall 2016.  1) Postdoctoral Research Associate position in Big Data Optimization Duration: 3 years More information and online application form: https://www.vacancies.ed.ac.uk/pls/corehrrecruit/erq_jobspec_version_4.jobspec?p_id=034907 Funded through EPSRC grant: "Randomized Algorithms for Extreme Convex Optimization”. … 3) PhD position in Big Data Optimization Duration: 3.5 years Apply here: http://www.maths.ed.ac.uk/studying-here/pgr/phd-application/apply (Choose "OR and Optimization") Funded by the School of Mathematics, University of Edinburgh. The post is associated with the EPSRC grant: "Randomized Algorithms for Extreme Convex Optimization”. 4) Ten PhD positions in Data Science http://datascience.inf.ed.ac.uk/apply/ Duration: 4 years   We have funding for 10 PhD students in virtually all areas of Data Science, including optimization. I’ll be happy to supervise  successful applicants wishing to work in areas such as big data optimization, randomized algorithms for numerical linear algebra or optimization, and scalable machine learning. ! Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Ki az a Data Scientist? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A Data Scientist pozíciója Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Elvárások a DS-től Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Van ilyen ember? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A DS hagyományos szoftvereszközei Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A DS napi munkájának eszközei Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A mátrix alakú adatszerkezet az adatelemzésben objektumok Var1 Var2 Vark O1 O2 On Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A statisztikai szoftverek történeti áttekintése P-STAT, SPSS, BMDP, OSIRIS,S-PLUS termékek, SAS,… Az 1970-s évek végen egyetemi környezetben induló termékek Nagy rendszereket kiegészítő szoftverek, pl. ORACLE Financial, Adatbáziskezelőkhöz, ügyviteli rendszerekhez tartozó lekérdező rendszerek MINITAB, SYSSTAT, MATLAB, STATA,,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Magyarországon elérhető lehetőségek SAS SAS Institute (magyarországi képviselet: SAS Institute Kft.) www.sas.com Statistica StatSoft Inc. (magyarországi képviselet: StatSoft Hungary) www.statsoft.com SPSS SPSS Inc. (magyarországi képviselet: IBM Hungary) www.spss.com Eviews IHS EViews Team (magyarországi képviselet: Új Calculus Bt.) www.eviews.com R Az S szoftver továbbfejlesztése, szabadon elérhető www.rstudio.com, www.r-project.org WEKA,Pyton,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Adatbányászati szoftverek 1995-től Intelligent Miner DBMiner MineSet Clementine Enterprise Miner Statistica Data–mining Adatelemző-> Adatbányász-> Data Scientist Kapcsolat az adatelemző szoftverekkel programozó ( SAS BASE, SPSS syntax, Matlab, R, ...) alkalmazásfejlesztő (SAS App Dev Stúdió, Webes dashboardok,…) Felhasználó 1.(alkalmazások üzemeltetői, alkalmazásgazdák) Felhasználó 2. (Aktuáriusok, befektetés-, kockázatelemzők,...) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Az adatbányászati szoftverek összehasonlítása Milyen számítógép architektúrákon fut? A szoftver biztosítja-e az összes adatbányászati módszertant? Ha nem, hogyan bővíthető? A bővíthető-e a saját programozási nyelvén?, Milyen adat-vizualizációs lehetőségekkel rendelkezik? Milyen outputformákkal rendelkezik és azok másolhatók-e szövegszerkesztőkbe? Jól kezeli-e a nagy adatállományokat? Elterjedt-e használata, könnyen megoszthatók-e az adatokat és programok? Megfizethető-e a termék a felhasználó számára? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A Statisztikai szoftverek használata a tudományos célú felhasználásoknál Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Adat előkészítő és adatelemző szoftverek a KSH-ban Kérdőív szerkesztés (Word, Excel) Nyomtatás, megszemélyesítés (Openpage) Adateditáló rendszerek: BLAISE, Oracle és SAS Adattárolás eszköze az Oracle A nyomdakész „táblagyártás” a TPL-lel Az adatelemzés eszközei nagygépes környezetben (BMDP, SPSS, SAS) Napjaink adatelőkészítő és elemző rendszerei (ORACLE, SAS és az SPSS) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Az SPSS-szel támogatott adatelemzések a KSH-ban Elsősorban a társadalomstatisztikai adatgyűjtések Egészségügyi felmérések teljeskörűsítése, hibaszámítása és publikálása Oktatásstatisztika Időmérleg Demográfiai elemzések Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

SAS alkalmazások a KSH-ban AKM modellek A migráció eszköze a SAS Fogyasztói árstatisztika Háztartásstatisztika,és a Munkaerőfelvétel A Mikrocenzus, a Próbanépszámlálás és a Népszámlálás Mikroszimulációs szolgáltató rendszer A HKF adatfelvétel korrekciója mikroszimulációs eszközökkel Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

SAS az adófeldolgozásban VIR Társasági adó becslése A Monitorozó rendszer 1996-ban A korrigált becslési algoritmus 1997-ben Az eredmények és a hibák, a jó becslés feltételrendszere Központi bevallásfeldolgozás META Futtatórendszer Lekérdező Adat és alkalmazásvédelem Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Többváltozós Statisztikai Modellezés Csicsman J Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Hogyan védjük meg alkalmazásainkat az illetéktelen használattól, a véletlen és a szándékos károkozástól Az adatvédelem és a jogosultságkezelés problémái Feladatok a fejlesztés időszakában A már kész alkalmazások jogosultságvédelme és követése Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Vállalati Információs Rendszerek döntések támogatására Technológia Munkatársak ADAT Üzleti célok Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés Üzleti információk

A vállalati információ- (tudás) kinyerés folyamata Á C Ó Tranzakciós Minőség A D T O K Kockázat RDBMS Fogyasztó “Régi” Here is the view of the PROCESS... Adatkezelés Szervezés Kiaknázás Termék SAS Piac Külső Jövő Információ-tárház Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Információ tárház (Data Warehouse) “Témaorientált, integrált, nem változó, idővariáns adatoknak olyan szervezett gyűjteménye, amely a vezetés igényeit támogatja” (William H. Inmon definíciója) tárgyorientált integrált időtengelye van csak bővíteni lehet Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A vállalati döntéshozók információ igénye Aktuális, pontos és teljes információk Az üzleti változásokat figyelembe vevő adatok Új üzleti lehetőségekbe betekintés lehetősége a vállalati stratégiákhoz történő alakíthatóság A vállalati információs rendszerek piramis ábrája Tranzakciós rendszerek VIR Adatbányászati eszközök Statisztikai szoftverek Metainformációs rendszerek, Adattárházak Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Vezetői Információs Rendszerek (VIR-MIS) Követelmények vállalati szintű adatelérés és kezelés alkalmazások sokfélesége különböző felhasználói igények hardver független architektúra alkalmazás fejlesztés a hagyományos GUI rendszerektől a webes alkalmazásokig Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

CalcQ Mobil és a Dashboard Az ERP rendszerekben tárolt adatok elérése mobil eszközökkel A vállalati ügyviteli rendszerek zártak A döntés előkészítés rugalmas támogatása a Calculus Q&A rendszerével Előre definiált lekérdezések elérése és adatmódosítási lehetőségek mobil eszközökön Az adat és alkalmazás védelem problémája a mobilos operációs rendszereken (adatvédelmi alkalmazás a felhasználók azonosítására és a használható funkcióira) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Pénzintézeti megoldások specialitásai Hiányzó adatok pótlása Adattisztítási feladatok az elemzés előtt Alaprendszerekre épülő adattárház megoldások Felhasználó igényeit kiszolgáló adatpiacok Üzleti termékek eredményének előrejelzése A Credit Scoring elemzések és csalásfelderítés támogatása A stressz teszt vizsgálatok elkészítése (árfolyam-változás, munkanélküliség növekedés,…) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Adatelemzési alkalmazások a telefóniában Ügyfélszegmentáció Ügyfélértékek kiszámítása Hiányzó demográfiai adatok pótlása statistical matchinggel Marketing felmérések adatainak korrigálása A lemorzsolódások elkerülésére kidolgozandó marketingstratégiák hatásának előrejelzése A csalók felderítésének támogatása Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Adatelemzés és adattárház építés az egészségügyben Fizioszenzoros mintaalkalmazás Viselhető szenzorok bluetooth kommunikációval Adatgyűjtő és továbbító egység (mobil) Központi feldolgozó, vezérlő szerver –háttérben adatbázis, megjelenítés terminálon HTTPS Vezeték nélküli kommunikáció TCP/IP Adatelemzést végző SAS szerver Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Adatfeldolgozás DB/2 és SAS között Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Az eredmények prezentálása az orvosok számára graph_emg.sas graph_intergralt_amplitudo.sas graph_atlag_amplitudo.sas graph_integralt_amp_egysegenkent.sas Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A Big Data és a Hadoop technológiák Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Mi az a Big DATA ; Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Mikor is Big a Data? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A nagy méretű adaok kezelésének problémái Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A világ digitalizált, mit tegyünk vele? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A V-k a Big Data világából (a marketinges szemével) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A technológia üzleti pozíciói Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A Big Data szoftver komponensei Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Kinek készülnek a Big Data alkalmazások? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Big Data és a Data Sciense Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Mivel kezelhetőek a BD-k? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Valós alkalmazás a dmlab-tól Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

A Magyarországon is megvalósult BD projektek A gazdálkodó szervek kiválasztása az adóellenőrzésre Biztosítási ajánlatok a roaming területre való belépéskor Hirdetési csalók felderítése Web használat elemzése az egér mozgásának elemzésével Sportanalitikai elemzések (mozgás, egészségügyi állapot,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Big Data, Hadoop, Data Science összefoglalás Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

Köszönöm a figyelmet! Csicsman@calculus.hu Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés