The Economics of Big Data - dummies

Den bedste måde at forstå økonomien ved store data på er at se på de forskellige metoder til at sætte store data til rådighed for din organisation. Selv om specifikke omkostninger kan variere på grund af størrelsen af ​​din organisation, købekraft, leverandørforhold osv., Er udgifterne ret forholdsmæssige.

Store datatyper og kilder

De vigtigste beslutninger, du skal foretage med hensyn til typer og kilder, er

• Hvilke data vil være nødvendige for at løse dit forretningsproblem?

• Hvor kan du kilde dataene?

• Hvad kan du gøre med dataene?

• Hvor ofte har du brug for at interagere med dataene?

• Hvem opretholder ejerskab af data og arbejdsprodukter?

• Hvor lang tid skal du holde dataene?

• Kan du stole på dataene og dens kilde?

Analyse af store data for at foregribe, hvad der er næste

Ofte er der råd om eksisterende data. Men uden tilstrækkelige data vil disse tip blive ignoreret, fordi dataene kan se ud som en outlier eller endda en fejl. Sådanne tidlige anmeldelser af et skiftende krav kunne gøre det muligt for virksomhederne at teste nye tjenester og nye emballager, der kunne blive vigtige.

Finde de rigtige datakilder

Sourcing af data er det næste skridt. Det handler ikke kun om hvor man skal hente dataene, men også dataens form eller type samt kvaliteten eller troværdigheden af ​​dataene. Gode ​​kilder til følelsesdata findes i sociale webejendomme som Facebook, foursquare, Yelp, Pinterest og Twitter.

Kilderne du vælger, kan bestemmes af dine kunders vaner. Mængden af ​​data er stor, og du kan være på udkig efter den proverbielle nål i høstakken. Desuden varierer strukturen og typerne af disse data fra sted til sted, og tilføjer yderligere kompleksitet og omkostninger.

Hvad kan du gøre med dataene?

At forstå, hvor ofte dataene bruges af interne systemer, kan hjælpe med at styre omkostningerne. Hvis kravene er at analysere kundeemner i realtid på tværs af flere sociale ejendomme, vil omkostningerne være meget høje. Hvis analysen kan udføres mere adstadigt eller med færre datakilder, kan omkostningerne være lavere og mere kontrollerbare.

Nogle store datakildeleverandører vil opretholde ejerskabet af deres data og give licens til specifikke, ikke-destruktive anvendelser. Andre vil være åbne med ringe eller ingen adgangs omkostninger eller overbærende brugskrav. Nogle data licensing vil begrænse brugen til at beregne og ødelægge.

Andre kan tillade dig at bruge dataene, men kræver at du "giver det tilbage", når din analyse eller beregninger er komplette.Pas på altid at beskytte virksomhedsoplysninger.

Stor dataanalyse bør forstås fra to dimensioner: At komme i gang og styre stabil tilstand. Opstartsomkostninger kan indeholdes ved at finde åbne data eller frit tilgængelige datakilder. Hvis der kræves flere datacenterressourcer, bør du overveje skybaserede tjenester, hvor du kan "betale ved drikke. "Det er meget nemmere at eksperimentere på denne måde.

Teknologiske virkninger af store data

I en ideel verden vil det være muligt at bruge mange eksisterende teknologier og applikationer, når der bruges store data på arbejdsgange. Det er imidlertid langt mere sandsynligt, at nye teknologier skal bruges.

Mange nye og forskellige værktøjer er tilgængelige til store data. Hvis en brandmanager skal samle data fra flere forskellige sociale websteder, hver med forskellige datatyper, skal hun arbejde med it-teamene for at vælge, hvilken teknologi der bedst passer til forretnings- og omkostningskravene.

Du vil helt sikkert have implementeringer af produkter, der vil inkorporere elementer fra Hadoop og Hive. Der skal også kræves nye teknologier . De eksisterende teknologier er for sprøde, eller fordi de er designet til en bestemt opgave.

Find talent for at støtte store dataprojekter.

Virksomhedsanalytikerne må muligvis udvide deres rækker med datalogikere. Dette kan opnås med rådgivende relationer i opstartsfaserne, men skal overgå til permanent bemanding, da retningen bliver klar. En enkelt datavidenskabsmand er sandsynligvis ikke svaret. Den største gearing vil blive realiseret ved at skabe et team af datavidenskabsfolk.

For IT-teamet skal viden om nye store datateknologier introduceres til eksisterende teammedlemmer gennem træning og vejledning. Det er rimeligt at antage, at nyt talent skal ansættes, da din organisation nærmer sig stabil tilstand.

Mange universiteter og gymnasier er begyndt at tilbyde kurser, der skal hjælpe med at udfylde kløften på kort sigt. På sigt skal leverandørerne levere løsninger til at skabe mere brugbare store dataløsninger, der abstraherer kompleksiteten.