Václav Špáňa (Gartner): Přehled o konceptech pro datovou analýzu.

Data jsou dnes tím nejcennějším. Instituce a podniky nasazují drahé nástroje, aby stíhaly zpracovat rostoucí množství dat. Nástroje ale nestačí – instituce musí definovat oblasti analýzy dat, najít správné lidi a doplnit souvislosti. Až potom lze začít využívat data opravdu. Jaké jsou v analýze dat důležité oblasti? Jak je začít propojovat? Jak začít využívat umělou inteligenci? Jak hledat správné lidi?

Jiří Kottas (Matematik a  bezpečnostní expert): Metody stanovení kreditních rizik.

Vytváření profilu fyzické a právnické osoby za účelem stanovení kreditních rizik (bonita / rizikovost klienta). Postupy a matematické algoritmy využívané k segmentaci cílové skupiny podle rizikovosti.

Michal Gürtner (IBM): IBM řešení pro profilaci objektu a konsolidaci dat.

Vytváření a získávání znalostí o objektu je klíčové i pro oblast párování objektů a jejich konsolidaci z mnoha různých datových zdrojů. Jejich rozmanitost přináší vedle tradičních údajů i další typy identifikátorů zájmových objektů např. facebook id, twitter id, hash biometrických údajů aj.

Využívání těchto dat k párování objektů vyžaduje pokročilé znalosti i technologie, umělou intelligenci a strojové učení..

Miroslav Nečas (Tovek Solutions): Každý měl svá tajemství.

Využití OSINT (Open Source Intelligence) a softwarové podpory pro vytvoření rizikového profilu osoby nebo firmy (ověření kompetencí, pověsti a sociálních, ekonomických, osobních, mediálních a dalších rizik).

Pavel Prokop (Datera): Profil osoby na základě veřejně dostupných dat.

Sledování profilů na sociálních sítích, monitorování obsahu podle umístění autora a podle klíčových slov v reálném čase (Twitter, Instagram). Automatizace sbírání dat ze sociálních sítí a vizualizace vztahů a obsahu v nástroji pro linkovou analýzu.

• Zajištění personálních a jiných kapacit jako předpoklad OSINT činnosti (data, informace, dolování a využití získaných znalostí).
• Hodnocení rizikovosti klienta v procesu úpisu pojistné smlouvy (rizika, relevantní aspekty rizikovosti, opatření k řízení rizik).
• Využívané datové zdroje a informační kategorie (interní vs. externí, získané od protistrany z veřejně přístupných či placených informačních zdrojů,).
• Sestavený rizikový profil pro účely AML & Antifraud (evidence, správa a sdílení za účelem prevence zneužití pojišťovny k páchání trestné činnosti).
• Analýza reputačních rizik – korporátní pojištění a dodavatelsko-odběratelské vztahy. Hodnocení spolehlivosti protistrany pro obchodní jednání.
• Bezpečnostní analýza významné firemní události (prověrka místa, účastníků, dodavatelů služeb, ochrana důvěrných informací).
• Spolupráce při ověřování věrohodnosti informací s partnery v rámci sektoru, využití informací získaných od orgánů státní moci při plnění úkolů pojišťovny.

David Slánský (KPMG): Predikce předčasného ukončení vysokoškolského studia na základě vytváření komplexního profilu studenta.

Vytváření komplexního obrazu o studentech s cílem pomoci jim dokončit vysokou školu za využití automatizovaného sběru a vyhodnocení vhodných dat.

• Proč právě toto téma? (business i společenské důvody).
• Možné signály / indikátory a vytváření celkového obrazu.
• Legislativní a etická omezení.

Téma pojednává o riziku odchodu osoby (obecně o riziku / predikci zásadní změny chování) a lze aplikovat i mimo univerzity na zákazníky, zaměstnance nebo jiné vhodné objekty i situace.

• co je finanční šetření – majetkový profil podezřelé / obviněné osoby, ale i osob blízkých
• účel a význam finančního šetření pro policii – vyhledání, zajištění a odčerpání výnosů z trestné činnosti
• legislativa (trestní zákoník, trestní řád, závazný pokyn policejního prezidenta)
• možnosti provádění finančního šetření – od stolu, v terénu, analytické programy, šetření v tuzemsku x v zahraničí (výhody, nevýhody, časová náročnost, skryté vyhledávání, žádosti, právní pomoci …)
• spolupráce s dalšími institucemi (banky, katastry, stavební spořitelny, instituce, které spravují penzijní připojištění, vedou majetkový účet s cennými papíry …)

Jakub Škrdlík (Phonexia): Praktická ukázka využití řečových technologií na dvou příbězích.

Webinář představí simulovaný policejní a zpravodajský příběh, analyzovaný pomocí řečových technologií. Ukázka proběhne na emulovaných realisticky vypadajících nahrávkách.

Avi Tenenbaum (Patternz, Izrael): Profiling based on localization data.

What if you know of a potential threat, but have no clue who brings it to the country and when? A dangerous gathering that start at a given location but where will it lead? An explosive hideout that shifted location, and needs to be found, an un-identified terror group where you only know 2 locations that they maybe meeting – but no clue who they are, inbound travels into a location that needs to be monitored for security reasons and much more..

Here comes our solution to assist with non-intrusive, easy to deploy national and government agencies designed platform that provides analytics based on mobile real-time insights,  predicting events based on group patterns, identify relationship between individuals and groups even with targets just entered the country, set real-time location identifications, behavioral patterns and movement/location predictions. Providing a wide scope actionable insights that act upon using digital advertising data mining and advanced analytics.

[1] Profilováním se rozumí řetězec procesů/aktivit sběru dat, vytváření informací a zpracování znalostí o objektu

[2] Objektem se rozumí např. fyzická osoba či právnická osoba, událost, atd.