• GA4 jako gorący kartofel: jakie ma wady, błędy, niedociągnięcia, różnice w porównaniu z Universal Analytics.
• GA4 jako święty Graal: największe plusy GA4, wykorzystanie Google AI w analizach, zmieniona logika podejścia do danych. 
• Budowanie strategii analitycznej.
• Wprowadzenie do hurtowni danych.
• Zgodność GA4 z GDPR i RODO.
• Przyszłość analityki internetowej. 
• Q&A

Systemy rekomendacyjne są już dość dojrzałym tematem w środowisku zajmującym się uczeniem maszynowym i sztuczną inteligencja. Niemniej, nadal te rozwiązania stanowią kluczowy wartość dla biznesu, przynosząc bezpośredni korzyści dla marketingu, sprzedaży czy zadowolenia klienta.

• W niniejszej prezentacji przedstawię współczesne postępy w systemach rekomendacyjnych z punktu widzenia biznesu i nauki, wskazując  które algorytmy najlepiej sprawdzają się w danych problemach biznesowych. Pokażę też na przykładzie mniej typowego problemu z jakim mierzymy się w Amazon Ring, jak można wykorzystać systemy rekomendacyjne w mniej standardowy sposób.
• Q&A

• Big Data - wydajne narzędzia do przechowywania i analizy dużych zbiorów danych.
• Narzędzia do wydajnego przechowywania i przetwarzania dużych zbiorów danych.
• Zastosowania.
• Big Data - podejście praktyczne.
• Przyszłość Big Data.
• Q&A

• Defining a common data strategy, identifying right data sources, stakeholders, processes, and data ownership models.
• Building new data platform architecture with its all must have layers supporting platform as a product concept.
• Converging all the legacy data platforms into one platform environment.
• Establishing proper data governance to ensure integrity and security of data.
• Ensuring data quality and observability.
• Securing the data and defining the rules of accessing the data with minimum controls in place and finally,
• Automating data processing for efficiency and accuracy of the data flows.   
• Q&A

The data platform is helping to drive business decisions, improve customer experience, and provide better insights into the organization’s data.

• Ostatnie informacje o scenariuszach ataków na dane instytucji i klientów
• Case study klientów zaatakowanych przez ransomware i jak wyglądał proces odzyskania danych
• Najlepsze praktyki zabezpieczenia systemu backupowego przed atakiem
• Założenia Cyfrowej Twierdzy jako rozwiązania pozwalającego na zniwelowanie ryzyka utraty danych
• Jak można opóźnić i zmniejszyć prawdopodobieństwo sukcesu hackera dzięki sieci pułapek i wabików

Data warehouse to pojęcie, które - wraz z rosnącą popularnością rozwiązań chmurowych - przebija się do mainstreamu i zagląda pod strzechy firm identyfikujących się jako organizacje data-driven. W prezentacji opowiem o praktycznych doświadczeniach związanych z projektowaniem hurtowni danych i migracją z rozwiązań on-premise do chmury. Najważniejsze zagadnienia, o jakich porozmawiamy, to:

• Czym są hurtownie danych, procesy ETL/ELT i jaką rolę w organizacji pełni single source of truth.
• Jak przygotować organizację do bycia data-driven i zarządzać procesem wdrożenia hurtowni.
• Z jakimi wyzwaniami w praktyce przyjdzie nam się zmierzyć .
• W jaki sposób aktywować posiadane dane i nie spocząć na laurach w świecie raportów i dashboardów.
• Q&A
   

• Firmy wdrażające modele decyzyjne mogą być narażone na problem tzw. stronniczości algorytmicznej, wynikający np. z historycznych uprzedzeń, niezbalansowanie próby uczącej.
• Stronniczość algorytmiczna rozumiana jest jako odmienne traktowanie/odmienny wpływ na wybraną grupę społeczną lub poszczególne osoby (ze względu na płeć, wiek, kolor skóry); w zależności od kontekstu regulacyjnego można ocenić predykcje modelu jako dyskryminujące lub nie.
• Sposoby identyfikacji oraz redukcji stronniczości algorytmicznej.
• Redukcja problemu stronniczości algorytmicznej może prowadzić do obniżenie jakości działania modeli decyzyjnych, co w rezultacie spowoduje spadek ekonomicznej wartość wykorzystania modelu decyzyjnego.
• Q&A
   

• Jak można wykorzystać sztuczną inteligencję w biznesie ubezpieczeniowym? 
• Limity i pułapki w budowie modeli AI na środowisku on-premise – gdzie pomoże chmura?
• Gotowe usługi AI – jak z nich skorzystać?
• Q&A
   

• Wyjaśnię czym są LLM i opowiem o najpopularniejszych.
• Opowiem o tym, jak pewna firma wykorzystała je do stworzenia bazy wiedzy pozwalającej na optymalizację ich procesu produkcyjnego.
• Opowiem o zaletach i ograniczeniach związanych w wykorzstaniem Large Language Models takich jak między innymi ChatGPT.

• Z perspektywy zmian w zbieraniu danych - platformy marketplace’owe skracające czas realizacji wystandaryzowanych badań do kilkudziesięciu godzin
• Z perspektywy wykorzystania posiadanych już danych – analityka umożliwiająca śledzenie konsumenckich trendów czy optymalizację wydatków mediowych
• Z pespektywy wykorzystania historycznych doświadczeń – zastosowania dla AI

To nie wizja przyszłości, ale historia 2022 roku. Podczas spotkania pokażę case studies wymienionych kierunków na prawdziwych danych.

• Q&A
   

• Organizacje tworzą i kolekcjonują coraz większe ilości danych, co wymaga co raz to większej ilości zasobów ludzkich, procedur i procesów wspierających poruszanie się miedzy nimi. W przypadku wielu firm, zwłaszcza tych, które obsługują masowego klienta, dynamicznie rosnącym aktywem są dane pochodzące z różnego rodzaju interakcji elektronicznych – które wraz ogromnym spektrum różnorodnych systemów tworzą złożone stosy danych martechowych. Ten obszar bardzo dobrze pokazuje potrzebę wypracowania nowego podejścia do organizowania stosów danych, z których faktycznie będzie chciał korzystać biznes.
• Jak budować produkt, którego fundamentem są dane, tak aby wewnętrznie został "kupiony" i był chętnie rozwijany? By wspomagał realizację celów biznesowych, budował przewagi konkurencyjne, wspomagał działania marketingowe w obrębie każdego z elementów lejka marketingowego? By ułatwiał dobór narzędzi marketingowych oraz kanałów dotarcia, języka, styl, itd? Czy wreszcie, był narzędziem codziennej pracy marketerów na każdym etapie planowania i egzekwowania strategii i kampanii?
• Q&A
   

• Jak policzyć i monitorować lifetime value klientów (LTV).
• Jak policzyć i monitorować koszt pozyskania klienta (CAC).
• W jaki sposób zwiększać marżowość biznesu przy wykorzystaniu segmentów klientów - case studies.
• W jaki sposób wdrażać analitykę LTV:CAC w organizacji.
• Q&A
   

• Ogólny poziom niepewności na świecie i rosnąca kompleksowość problemów vs analiza na agregowanych danych i zwodniczość średniej.
• Trendy w technologiach - czym jest lakehouse.
• Jaki powinien być nowoczesny system analityczny/kluczowej Informacji.
• Use casy (work-in-progress).
  • Jak można wesprzeć pracę analityczną przy wykorzystaniu narzędzi Azure Data Factory, Machine Learning i Databricks .
  • OpenAi demo z MS pod pisanie raportów, prezentacji, automatyzacja.
• Q&A
   

Desision Intelligence (DI) to trend w którym decyzje biznesowe są podejmowane z wykorzystaniem analiz, big data i sztucznej inteligencji. Jak to działa, kiedy się sprawdza, jaki ma wpływ na organizację?

• Dlaczego DI  jest ważne i co daje.
• Jakie decyzje mogą być podejmowane przy pomocy DI.
• Jak zacząć używać DI w organizacji.
• Q&A
   

• Człowiek. Kim jest data scientist i na czym polega jego praca?
• Grupa. Jak wygląda aktywność zespołów data science od wewnątrz?
• Społeczeństwo. Gdzie zespoły data science znajdują swoje miejsce?
• Niezrozumienie. Dlaczego finalnie to wszystko nie działa i co możemy z tym zrobić?
• Q&A
   

Kokpity menedżerskie po prostu nie są już w stanie nadążyć za tempem biznesu i dlatego przeżyły swoją przydatność" - taki wyrok wydała Cindi Hawson, Chief Data Strategy Officer w ThoughtSpot - jednego z producentów oprogramowania BI, a inne światowe ciała opiniotwórcze są podobnego zdania. Na tej sesji posłużę się przykładami ze współrealizowanych przeze mnie projektów, aby zmierzyć się z tą odważną tezą i być może odmienię Twoje podejście do raportowania. 

• Dlaczego nasze dashboardy są nieużyteczne.
• W jakich okolicznościach nowe narzędzia analityczne wyprzedzają pulpity menedżerskie.
• Jak metodologia Value Based Design może tchnąć nowe życie w naszą analitykę.
• Q&A