Attenzione! E' possibile che si verifichino problemi per la visulizzazione di questa pagina web con il browser in uso. Per un miglior utilizzo si consiglia di aggiornare il browser.
 

Corsi interaziendali

Percorso Data Driven Banking

New

Uno spazio formativo per fornire conoscenze e competenze sui principali aspetti riguardanti data e big data, rivolto a coloro che vogliono avere una panoramica sull’uso della tecnologia e dell’applicazioni dei dati in banca.


Destinatari

Figure professionali del settore creditizio-finanziario che desiderano acquisire una visione integrata del processo di introduzione e gestione dei Dati e dei Big Data, responsabili di unità rganizzative chiamati a implementare un progetto, capi progetto, sviluppatori, analisti.


Programma didattico

Giorno 1

  • Modulo 1 - Banche e dati
  • Modulo 2 - Le tecnologie per i big data
  • Modulo 3 - Data in action

Modulo 1

INTRODUZIONE

  • Perché le banche oggi hanno bisogno di gestire i dati?
  • Dati: ovunque, complessi, utili, finalizzati
  • Tra mito e realtà: sfide e ostacoli dei Big Data
  • L’approccio “data driven”: una bussola per crescere e innovarsi

BIG DATA JOURNEY: LESSON LEARNED

DATA DRIVEN BANKING

  • I DRIVER
    • I dati alla base della trasformazione digitale
  • LA ROADMAP
    • Il Modello di riferimento e i passi fondamentali
    • La visione strategica
    • La progressione e la gestione della complessità
    • Il patrimonio informativo aziendale
    • La Data Governance: struttura, modello organizzativo
    • Data Quality: i livelli di controllo, elementi del modello funzionale, logica di applicazione dei controlli
  • GESTIONE DELLA PRIVACY
    • La privacy e i dati
    • La Data Privacy: punti di riferimento rispetto al nuovo quadro normativo nazionale ed europeo
    • Modello della Data Privacy e Modello della Data Security / Gli aspetti organizzativi e di processo
    • Un percorso per l’adeguamento dei Modelli al quadro normativo

INTRODUZIONE ALLA DATA SCIENCE

  • BANCHE E DATI: UNA RELAZIONE COMPLESSA
    • La gestione dei dati a supporto delle decisioni strategiche e operative
    • La ragnatela di dati all’interno di una banca: nodi principali e secondari, flussi, modalità di archiviazione, centri di elaborazione, attori coinvolti e ambiti applicativi
    • Classificazione dei dati: tipologie, livelli di organizzazione, dati strutturati, dati non strutturati
    • Strumenti di archiviazione: sistemi hardware e software, database e repository
    • La banca come sistema complesso
    • Big Data: definizione e implicazioni operative
    • Limiti e punti di debolezza dell’attuale modello di gestione dei dati nelle banche
  • DATA SCIENCE: PRINCIPI PER RIPROGETTARE LA BANCA “INTELLIGENTE
    • Data Science: definizione generale e vocabolario di base
    • Il concetto di “intelligenza” in relazione alla gestione dei dati
    • Le finalità della gestione “intelligente” dei dati: descrizione, classificazione, spiegazione, simulazione e previsione
    • Le fasi del processo di gestione dei dati:
      − Raccolta e codifica dei dati
      − Archiviazione e indicizzazione
      − Analisi dei dati ed elaborazione delle informazioni
      − Output, reportistica e rappresentazione dei dati
    • Le fasi come “funzioni” trasversali per la gestione dei dati
    • Limiti dell’intelligenza umana nelle varie fasi e potenzialità degli strumenti artificiali
    • Intelligenza umana e Intelligenza artificiale:
      – Tecnologie a supporto del processo di gestione dei Big Data
      – Nuove forme di intelligenza “ibrida” per una gestione avanzata dei dati
      – Machine Learning: concetti fondamentali
    • Esempi di organizzazioni con forme di intelligenza “ibrida”
  • LA BANCA “INTELLIGENTE” DEL FUTURO: APPLICAZIONI
    • Casi di applicazione dell’intelligenza “ibrida” nella gestione dei dati di una banca

Modulo 2

I MUTAMENTI NEL MERCATO TECNOLOGICO CORRELATI AI BIG DATA

  • L’inquadramento di Gartner: Magic Quadrant for Data Management Solutions for Analytics
  • Il concetto di scale-out ed elaborazione distribuita
  • Google come antesignano
  • Il data warehouse e il database relazionale in questo contesto
  • Le differenze fra schema-on-read e schema-on-write

IL QUADRO COMPETITIVO E LE STRATEGIE DI OFFERTA DEI FORNITORI A LIVELLO NAZIONALE E INTERNAZIONALE

  • La “Coopetition” e il ruolo dell’open source
  • Soluzioni proprietarie e distribuzioni

LE ARCHITETTURE INFRASTRUTTURALI E LE FASI DEL PROGETTO INFRASTRUTTURALE

  • Cluster-based architectures & cluster computing
  • Il cloud come volano per i Big Data
  • La legge di Moore
  • Il capacity plan e il dimensionamento del cluster

ACQUISIZIONE, IMMAGAZZINAMENTO, ORGANIZZAZIONE, TRASFORMAZIONE E ANALISI

  • Architettura logica e finalità
  • Il ruolo di Hadoop come Data Reservoir
  • Big Data orientati alle Analytics: Architecture Concept & Practices
  • Governare i dati in un ambiente di Data Science
  • Tools di Data Wrangling per Hadoop

TECNOLOGIE BIG DATA: PANORAMICA (parte 1)

  • Introduzione ai database non relazionali
  • Panoramica su key-value, document oriented, column-family stores e graph databases
  • Hadoop: concetti di base
  • Hadoop Ecosystem - focus on: HDFS, Yarn
  • Hive il DWH di Hadoop
  • Apache Spark come successore del MapReduce

POLYGLOT PERSISTENCE E BIG DATA: TRA INNOVAZIONE E DIFFICOLTÀ SU CASI REALI

POSIZIONAMENTO TECNOLOGIE BIG DATA RISPETTO AGLI STRUMENTI TRADIZIONALI

  • Le principali tecnologie di SQL-on-Hadoop
  • Come si integra la Business Intelligence con Hadoop?
  • Data Warehouse offload: Hadoop come staging area e data refinery

TECNOLOGIE BIG DATA: EVOLUZIONE E CASI DI UTILIZZO IN AMBITO FINANCE

BIG DATA E MACHINE LEARNING

  • Che rapporto c’è fra i Big Data e il Machine Learning?
  • Gli advanced analytics
  • Machine learning con Spark: MLLib e Apache Mahout

INTELLIGENT, DATA-DRIVEN APPS THAT LEARN AND ADAPT

TECNOLOGIE PER LA DATA VISUALIZATION

  • Data discovery and data exploration
  • BI tools & analytics

STRUMENTI DI DATA INGESTION

  • Apache Sqoop per ingestion da RDBMS
  • Event-driven ingestion mediante Apache Flume
  • Apache Nifi e Data-flow ingestion tools

Modulo 3

ANALISI SUPERVISIONATA E NON SUPERVISIONATA

DATA ANALYSIS, DATA MINING, DATA SCIENCE

  • L'evoluzione dei modelli di analisi: Statistica, Machine Learning, Deep Learning, Artificial Intelligence
  • Machine learning descrittivo, non supervisionato
  • Machine learning predittivo, supervisionato
  • Hands-on: casi e applicazioni in ambito risk management
  • Hands-on: casi e applicazioni in ambito marketing