Загрузка страницы

Глядя в будущее

Описание: В дальнейшем, примерно 99% всех оперативных решений в компаниях будут приниматься автоматически управляемые данными и стистическими алгоритмами. Данные становятся стратегическим активом – и с ним критически важно уметь работать, извлекая максимум полезной информации.
Постоянный сбор внутренних данных и подключение соответствующих внешними источников, позволяет уже сегодня создавать надежные и качественные прогнозы на будущее. Важный фактор повышения точности прогнозов – автоматизация. Участие машины снижает вероятность ошибок, минимизируя влияние человека на принятие решений. Современные статистические методы посволяют создать на основе исторических данных качественные Forecasting модели, включая полную оценку риска. На этой основе, могут приняты более оптимальные решения или систему принятия решении можно полностью автоматизировать.
Заказ свежей продукции в супермаркетах, динамические цены в интернет или даже полная автоматизированная поддержка первого уровня.
В этом докладе мы представим реальные примеры и связанные с ними решения.

Докладчик: Dr. Игорь Голубец (Igor Golubets) https://de.linkedin.com/in/golubets , более 25 лет занимается разработкой корпоративных информационных систем /BI на базе MS SQL Server. В настоящее время работает в компании Oraylis GmbH (https://www.oraylis.de). Периодически выступает в качестве докладчика на различных конференциях, а также активно участвует в профессиональных SQL Server сообществах, консультируя в области BI и MS SQL-Server.

Видео Глядя в будущее канала russianVC
Показать
Комментарии отсутствуют
Введите заголовок:

Введите адрес ссылки:

Введите адрес видео с YouTube:

Зарегистрируйтесь или войдите с
Информация о видео
20 марта 2017 г. 18:02:13
01:16:17
Другие видео канала
"Магические числа", локальные переменные и быстродействие выполнения запросов"Магические числа", локальные переменные и быстродействие выполнения запросовSQL Server в Azure IaaS – подводные камниSQL Server в Azure IaaS – подводные камниSQL Server 2016. Temporal TablesSQL Server 2016. Temporal TablesSQL Server в Microsoft Windows Azure - платформа для современных бизнес приложенийSQL Server в Microsoft Windows Azure - платформа для современных бизнес приложенийQuery и Plan FingerprintsQuery и Plan FingerprintsSQL Server Security Best PracticesSQL Server Security Best PracticesВнутреннее устройство страниц и экстентов SQL ServerВнутреннее устройство страниц и экстентов SQL ServerSQL Server 2014 In Memory OLTP (часть 1)SQL Server 2014 In Memory OLTP (часть 1)Путешествие во времени или temporal tablesПутешествие во времени или temporal tablesКэширование Планов Выполнения Запросов в SQL ServerКэширование Планов Выполнения Запросов в SQL ServerВредные советы для новичковВредные советы для новичковВнутри Оптимизатора Запросов. Соединения (часть 2)Внутри Оптимизатора Запросов. Соединения (часть 2)Power BI - простая аналитика в облакеPower BI - простая аналитика в облакеBIML - лучший друг для SSIS разработчикаBIML - лучший друг для SSIS разработчикаОптимизация модели для работы с PowerBI Q&AОптимизация модели для работы с PowerBI Q&ASQL Server In-Memory OLTP. Нестандартные сценарии использованияSQL Server In-Memory OLTP. Нестандартные сценарии использованияКонкуретный доступ к структурам данных в памяти. Latch'и.Конкуретный доступ к структурам данных в памяти. Latch'и.Key-Range Locking — Все тайное становится явнымKey-Range Locking — Все тайное становится явнымВечная История о ПреходящемВечная История о ПреходящемВнутри оптимизатора: стоимость и планы выполненияВнутри оптимизатора: стоимость и планы выполненияВнутри Оптимизатора Запросов. Соединения (часть 1)Внутри Оптимизатора Запросов. Соединения (часть 1)
Яндекс.Метрика