Big data -analytiikka
mitä ja miksi
Big data (massadata) -analytiikka käsittelee suuria määriä dataa tavoitteenaan löytää piileviä kaavamaisuuksia, korrelaatioita ja muita havaintoja. Nykypäivän teknologian avulla on mahdollista analysoida dataa ja saada sen sisältämät vastaukset miltei välittömästi. Perinteisemmillä Business Intelligence -ratkaisuilla tiedonhankinta on hitaampaa ja tehottomampaa.
Big data -analytiikan historia ja kehitys
”Big data” on käsitteenä ollut olemassa jo vuosia; useimmissa organisaatioissa ymmärretään jo, että kaikkea liiketoimintadataa voidaan analysoida ja siitä voidaan saada lisäarvoa. Silti jopa 50-luvulla, kun kukaan ei ollut vielä käyttänyt termiä ”big data”, yritykset käyttivät analytiikkaa (numeroita taulukoissa, joita tulkittiin ilman tietotekniikkaa) selvittääkseen trendejä.
Big data -analytiikan tarjoamia etuja ovat nopeus ja tehokkuus. Muutamia vuosia sitten yritys keräsi tietoa, analysoi ja kaivoi esiin informaatiota, jota voitaisiin käyttää päätöksenteossa tulevaisuudessa. Nykyään sama yritys voi tehdä oivalluksia välittömiä päätöksiä varten. Kyky työskennellä nopeammin ja pysyä terävänä antaa organisaatioille kilpailuedun, jota niillä ei aiemmin ollut.
Miksi big data -analytiikka on tärkeää?
Big data -analytiikka auttaa organisaatioita valjastamaan datan ja käyttämään sitä uusien mahdollisuuksien tunnistamiseksi. Tämä puolestaan johtaa fiksumpaan liiketoimintaan, tehokkaampaan toimintaan, suurempiin tuottoihin sekä tyytyväisempiin asiakkaihin. Raportissaan IIA:n tutkimuspäällikkö Tom Davenport haastatteli yli 50 yritystä selvittääkseen, miten niissä käytetään big dataa:
- Kulujen vähennys. Big data -teknologiat kuten Hadoop ja pilvipohjainen analytiikka tuovat merkittäviä etuja, kun tarkoituksena on tallentaa suuria datamääriä. Lisäksi niillä voidaan tunnistaa tehokkaampia liiketoiminnan keinoja.
- Nopeampaa, parempaa päätöksentekoa. Yritykset pystyvät analysoimaan tietoa välittömästi ja tekemään päätöksiä oppimansa perusteella. Tämä johtuu Hadoopin ja in-memory analytiikan nopeudesta, ja kyvystä analysoida uusia datan lähteitä.
- Uudet tuotteet ja palvelut. Kun yrityksellä on kyky arvioida asiakkaiden tarpeita ja tyytyväisyyttä analytiikan avulla, se voi tarjota asiakkaille, mitä he haluavat. Davenport tuo esille, että big data -analytiikan avulla yhä useampi yritys luo uusia tuotteita vastatakseen asiakkaiden tarpeisiin.
Who’s using big data analytics?
Think of a business that relies on quick, agile decisions to stay competitive, and most likely big data analytics is involved in making that business tick. Here’s how different types of organizations might use the technology:
Dataa ja analytiikkaa koskevan organisaation virallisen strategian päätavoitteena on yleensä kehittää päätöksentekoa analytiikan avulla. [Ja] kyselymme tulosten ja suoritettujen haastattelujen perusteella vaikuttaa vahvasti siltä, että onnistunut analytiikkastrategia muokkaa suuresti päätöksentekoa organisaation sisällä.
Julkaisusta Beyond the Hype: The Hard Work Behind Analytics Success
Edistynyt analytiikka ja Rogers Communications – näin analytiikka auttaa yritystä asiakaskeskeisemmäksi
Rogers Communications on yritys, joka pyrkii parantamaan asiakastyytyväisyyttä ja pysymään johtoasemassa Kanadan media- ja televiestinnän sektorilla. Kuinka edistynyt analytiikka auttoi Rogers Communicationia puolittamaan valitukset tarjoamalla asiakkaille oikeaa palvelua oikeaan aikaan?
Toiminnallisuus ja keskeiset teknologiat
Ei ole olemassa yhtä teknologiaa, joka kattaisi big data -analytiikan kokonaan. Edistynyttä analytiikkaa voidaan toki soveltaa, massadataan, mutta todellisuudessa monia teknologioita hyödynnetään yhdessä, jotta tiedosta saadaan eniten arvoa.
Koneoppiminen. Koneoppiminen (tekoälyn alayksikkö, joka opettaa koneelle, kuinka opitaan) mahdollistaa sellaisten mallien nopean ja automaattisen tuottamisen, jotka voivat analysoida suurempaa ja monimutkaisempaa dataa sekä toimittaa nopeampia, tarkempia tuloksia myös suuressa mitassa. Tarkkojen mallien avulla organisaatiolla on paremmat mahdollisuudet tunnistaa tuottoisia mahdollisuuksia ja välttää tuntemattomia riskejä.
Tiedonhallinta. Datan tulee olla korkealaatuista ja hyvin hallinnoitua ennen kuin sitä voidaan analysoida luotettavasti. Data liikkuu koko ajan edestakaisin organisaatiossa, joten on tärkeää vakiinnuttaa toistuvat prosessit datan laatustandardien muodostamiseksi ja ylläpitämiseksi. Kun data on luotettavaa, organisaatioiden tulisi vakiinnuttaa tiedonhallintaa varten suunnitelma, jonka tarkoituksena on saada koko yritys samalle sivulle.
Tiedonlouhinta. Tiedonlouhintaan keskittyvä teknologia auttaa tutkimaan suuria määriä dataa, kun päämääränä on löytää siitä kaavamaisuuksia. Tietoa voidaan käyttää edelleen analyysissa etsittäessä vastauksia monimutkaisiin liiketoimintaa koskeviin kysymyksiin. Tiedonlouhinta seuloo kaoottisen datan, paikantaa olennaisen tiedon, käyttää sitä todennäköisten lopputulosten arviointiin ja nopeuttaa näin tietoon perustuvaa päätöksentekoa.
Hadoop. Tämä avoimen lähdekoodin ohjelmistokehikko pystyy varastoimaan suuria määriä dataa ja ajamaan sovelluksia klusteroiduissa ympäristöissä. Ohjelmistokehikosta on tullut liiketoiminnalle keskeinen teknologia datan määrän ja muodon jatkuvan kasvun takia, ja sen laskentamalli prosessoi big dataa nopeasti. Lisäetuna Hadoopin avoimen lähdekoodin kehikko on ilmainen ja käyttää peruslaitteistoja varastoidakseen suuria määriä dataa.
In-memory analytiikka. Analysoimalla dataa järjestelmän muistissa kiintolevyn sijaan, datasta voidaan koota välittömästi jäsenneltyä ymmärrystä ja toimia sitten asianmukaisesti. Tällä teknologialla pystytään poistamaan tiedonvalmistelusta ja analyyttisestä prosessoinnista johtuvat viiveet ja testaamaan uusia skenaarioita ja luomaan malleja. Kyseessä ei ole vain helppo tapa toimia ketterästi ja parantaa päätöksentekoa, vaan sen avulla yritys voi ajaa iteratiivisia ja interaktiivisia skenaarioita.
Ennustava analytiikka. Ennustavan analytiikan teknologia käyttää dataa, tilastollisia algoritmeja ja koneoppimisen tekniikoita tunnistaakseen todennäköisyyksiä aiemman datan pohjalta. Ennustavalla analytiikalla tavoitellaan parasta arviota tulevaisuudesta, jotta organisaatiot voivat tehdä varmoja päätöksiä. Ennustavaa analytiikkaa sovelletaan yleisesti esimerkiksi petosten havaitsemisessa, riskeissä, liiketoimissa ja markkinoinnissa.
Tekstinlouhinta. Tekstinlouhinnassa analysoidaan tekstidataa netistä, kommenteista, kirjoista ja muista tekstimuotoisista lähteistä, joista voidaan löytää aiemmin huomiotta jääneitä yksityiskohtia. Tekstinlouhinta käyttää koneoppimista tai luonnollisen kielen prosessointiteknologiaa dokumentteja (sähköpostit, blogit, Twitter, kyselyt jne.) selatessaan, jotta siitä olisi apua suurten tietomäärien analysoinnissa ja uusien puheenaiheiden ja käsitteiden huomaamisessa.
Improved vehicle design, reduced maintenance cost
Commercial vehicles from Iveco Group contain many sensors, making it impossible to process data manually. With advanced analytics from SAS® Viya® deployed on Microsoft Azure, Iveco Group can process, model and interpret vast amounts of sensor data to uncover hidden insights. Now the company can understand behaviors and events of vehicles everywhere – even if they’re scattered around the world.
Tekstianalytiikan tulosten visualisointi
SAS auttaa huomaamaan kasvavat trendit ja piilevät mahdollisuudet esittämällä tekstianalytiikan tulokset selkeästi. Ohjelma kääntää automaattisesti jäsentämättömän datan ymmärrykseksi, joka edistää koneoppimista ja luo ennustemalleja.
Recommended reading
-
Article
How AI and advanced analytics are impacting the financial services industryTop SAS experts weigh in on topics that keep financial leaders up at night – like real-time payments and digital identity. See how advanced analytics and AI can help.
-
Research
Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
-
Article
What do drones, AI and proactive policing have in common?Law enforcement and public safety agencies must wrangle diverse data sets – such as data from drones – in their proactive policing operations. To be most effective, they need modern tools that support AI techniques like machine learning, computer vision and natural language processing.