Stordataanalys

Big data analytics undersöker stora mängder data för att hitta dolda mönster, korrelationer och andra insikter. Med dagens teknik är det möjligt att analysera din data och få svar nästan omedelbart - vilket traditionella business intelligence-lösningar inte kan, då den är betydligt långsammare och mindre effektivt.

• Historia
•     
• Världen idag
•     
• Vem använder det
•     
• Så här fungerar det
•     
• Nästa steg

Historia och utveckling av big data analytics

Begreppet ”big data” har funnits i flera år. De flesta organisationer förstår nu att om de registrerar all data som genomströmmar deras verksamhet och sedan analyserar den kan de också erhålla betydande värde och insikter från den. Men även på 1950-talet, decennier innan någon uttalat begreppet "big data", använde företag grundläggande analyser (huvudsakligen siffror i ett kalkylblad som manuellt undersöktes) för att avslöja insikter och trender.

Fördelarna med big data analytics är dock hastighet och effektivitet. För några år sedan skulle ett företag ha samlat in information, gjort analyser och upptäckt information som skulle kunna användas för framtida beslut, idag kan de identifiera insikter för omedelbara beslut. Förmågan att arbeta snabbare - och förbli smidiga - ger organisationer en konkurrensfördel som de inte hade tidigare.

 Det huvudsakliga målet med en formell organisationsstrategi för data och analys är vanligtvis att förbättra beslutsfattandet med analytics inom ett brett område av aktiviteter. [Och] våra undersökningsresultat och intervjuer tyder och styrker - att framgångsrika analysstrategier dramatiskt förändrar hur beslut fattas i organisationen.

Från White Paper Beyond the Hype: The Hard Work Behind Analytics Success

Så här fungerar det och nyckelteknologier

Det finns ingen enskild teknologi som omfattar big data analytics. Naturligtvis finns det advanced analytics som kan tillämpas på big data, men i verkligheten samverkar flera typer av teknologier för att hjälpa dig att få ut det mesta värdefulla av din information. Här är de viktigaste:

Machine Learning. Machine learning, som är ett specifikt delområde av AI, tränar en maskin i att lära sig, gör det möjligt att snabbt och automatiskt producera modeller som kan analysera större, mer komplex data och leverera snabbare, mer exakta resultat - även i mycket stor skala. Och genom att bygga exakta modeller har en organisation större chans att identifiera lönsamma möjligheter - eller undvika okända risker.

Data management. Data måste vara av hög kvalitet och bra administrerat innan det kan analyseras på ett tillförlitligt sätt. Med data som ständigt genomströmmar en organisation är det viktigt att upprätta repeterbara processer för att bygga och upprätthålla datakvalitetsstandarder. När datan är tillförlitlig bör organisationer upprätta ett master data management program som säkerställer samma standard i hela företaget.

Data mining. Med hjälp av Data mining-teknologi undersöks stora mängder data för att upptäcka mönster - och den informationen kan användas för vidare analys och för att svara på komplexa affärsfrågor. Med data mining-mjukvaran kan du söka igenom allt kaotiskt och repetitivt brus i datan, hitta vad som är relevant. Den informationen kan användas för att bedöma sannolika resultat och sedan påskynda en mer välgrundade beslutsprocess.

Hadoop. Denna programvara med öppen källkod kan lagra stora mängder data och köra applikationer på kluster av standardhårdvaran. Det har blivit en nyckelteknologi för många företag på grund av de ständigt ökande mängderna och datatyperna, och dess distribuerade datormodell behandlar stora mängder data snabbt. En ytterligare fördel är att Hadoops programvara med öppen källkod är gratis och använder standardhårdvara för att lagra stora mängder data.

In-memory analytics. Analys av data från systemminnet (snarare än från din hårddisk) kan ge omedelbar insikt så att du kan agera snabbt. För att testa nya scenarier och skapa nya modeller kan denna teknik eliminera fördröjningar som dataförberedelser och analysbehandling. Det är inte bara ett enkelt sätt för organisationer att säkerställa flexibilitet och fatta bättre affärsbeslut. Det gör det också möjligt för dem att köra iterativa och interaktiva analysscenarier.

Predictive analytics. Prediktiv analysteknik använder data, statistiska algoritmer och machine learning-tekniker för att identifiera sannolikheten för framtida resultat baserat på historisk data. Det handlar om att ge den bästa bedömningen av vad som kommer att hända i framtiden, så att organisationer kan känna sig mer säkra på att de fattar bästa möjliga affärsbeslut. Några av de vanligaste tillämpningarna av predictive analytics omfattar upptäckt av bedrägerier, risker, drift och marknadsföring.

Text mining. Med text mining-teknologi kan du analysera textdata från webben, kommentarsfält, böcker och andra textbaserade källor för att avslöja insikter som du inte hade upptäckt tidigare. Text mining använder machine learning eller natural language processingför att finkamma dokument - e-post, bloggar, Twitter-flöden, undersökningar, konkurrensinformation och mycket mer - för att hjälpa dig att analysera stora mängder information och upptäcka nya ämnen och korrelationer.