Stor datastrømning med en offentlig politikkpåvirkning - dummier

Næsten alle områder i en by har evnen til at bruge store data, uanset om de er i skatter, sensorer på bygninger og broer, overvågning af trafikmønstre, lokaliseringsdata og data om kriminelle aktiviteter. Oprettelse af brugbare politikker, der gør byer sikrere, mere effektive og mere ønskelige steder at bo og arbejde, kræver indsamling og analyse af store mængder data fra en række forskellige kilder.

Meget af de data, der er relevante for forskning i offentlige politiske forbedringer, indsamles af forskellige byråer og har historisk taget taget måneder eller år til at analysere (f.eks. Årlige folketællingsdata, politidokumenter og byskat optegnelser). Selv inden for et bestemt agentur, som f.eks. Politiets afdeling, kan data indsamles af separate distrikter og ikke let deles over hele byen og dets omgivende samfund.

Som følge heraf har bylederne en overflod af oplysninger om, hvordan politikker har påvirket folk i deres by i tidligere år, men det har været meget udfordrende at dele og udnytte hurtige skiftende data for at gøre real- tid beslutninger, der kan forbedre bylivet. Hvad der gør at disse data bliver endnu mere komplicerede, er at data håndteres og opbevares i separate siloer.

Dette forårsager problemer, fordi der kan eksistere et direkte forhold mellem forskellige aspekter af byoperationer. Politik beslutningstagere er begyndt at indse, at forandring kun kan ske, hvis de kan bruge de tilgængelige data og data fra bedste praksis til at omdanne den aktuelle tilstand af deres miljø. Jo mere komplekse en by er, desto mere er der behov for at udnytte data til at ændre tingene til det bedre.

Dette ændrer sig som politiske beslutningstagere, forskere og teknologiske innovatører team op til implementering af politikker baseret på data i gang. For eksempel til at designe og implementere et program til forbedring af trafikbelastning, skal du muligvis indsamle data om befolkning, beskæftigelsesfigurer, vejforhold og vejr. Meget af disse data er indsamlet tidligere, men lagres i forskellige siloer og repræsenterer en statisk visning af historisk information.

For at lave forslag baseret på aktuelle streamingoplysninger, har du brug for en ny tilgang. Forskere ved et teknisk universitet i Europa indsamler trafikdata i realtid fra en række forskellige kilder, som f.eks. Global Positioning System (GPS) data fra køretøjer, radar sensorer på vejene og vejrdata. De integrerede og analyserede streamingdataene for at mindske trafikbelastningen og forbedre trafikflowet.

Ved at analysere både strukturerede og ustrukturerede data, når der finder begivenheder sted, kan systemerne vurdere aktuelle rejsevilkår og fremsætte forslag til alternative ruter, der vil reducere trafikken. I sidste ende er målet at få stor indflydelse på trafikstrømmen i byen. Data i bevægelse vurderes i forbindelse med historiske data, så anbefalingerne giver mening i forbindelse med de faktiske forhold.

Streamingsdata kan have en betydelig indvirkning på kriminalitetsraterne i byer. For eksempel bruger en politimyndighed predictive analytics til at identificere forbrydelsesmønstre efter tid og sted. Hvis en pludselig ændring findes i et identificeret mønster til en ny placering, kan politiet sende embedsmænd til det rigtige sted på det rigtige tidspunkt. Efter dette faktum kan disse data nu bruges til yderligere at analysere kriminelle adfærdsmønstre.