Tidskrav til store data - dummies

Det primære hensyn, når man udfører et stort dataprojekt, er den forventede mængde realtid og ikke-realtid, der kræves for at gennemføre dit initiativ. Store data handler ofte om at gøre ting, der ikke var mulige, fordi teknologien ikke var avanceret nok, eller prisen var uoverkommelig. Den store ændring, der sker med store data, er evnen til at udnytte enorme mængder data uden al den komplekse programmering, der kræves i fortiden.

Mange organisationer har et tippepunkt i form af at håndtere store mængder komplekse data. Store datametoder vil hjælpe med at holde tingene i balance, så virksomhederne ikke går over kanten, da volumen, variation og hastighed for data ændres. Virksomheder har haft svært ved at håndtere stigende mængder data, der skal styres med høje hastigheder.

Organisationer måtte afregne for at analysere små undergrupper af data, der ofte manglede kritiske oplysninger for at få et fuldt billede, som dataene kunne afsløre. Da store datateknologier udvikler sig og bliver implementeret, vil virksomhederne lettere kunne analysere dataene og bruge det til at træffe beslutninger eller træffe foranstaltninger.

Realtidsaspektet af store data kan være revolutionerende, når virksomhederne skal løse betydelige problemer. Hvad er virkningen, når en organisation kan håndtere data, der streames i realtid? Generelt er denne real-time tilgang mest relevant, når svaret på et problem er tidsfølsomt og forretningskritisk. Dette kan være relateret til en trussel mod noget vigtigt som at detektere udførelsen af ​​hospitalsudstyr eller forudse en potentiel indbrudsrisiko.

Følgende liste viser eksempler på, hvornår et firma vil udnytte disse data i realtid for at få en hurtig fordel:

• Overvågning af en undtagelse med et nyt stykke information som bedrageri / intelligens

• Overvågning af nyhedsfeeds og sociale medier til bestemmelse af begivenheder, der kan påvirke de finansielle markeder, såsom en kundereaktion til en ny produktmeddelelse

• Ændring af din annonceplacering under en stor sportsbegivenhed baseret på Twitter-strømme i realtid

• Tilbyder en kupon til en kunde baseret på det, han købte på salgsstedet

Undertiden kommer streamingdata i virkelig hurtig og indeholder ikke mange forskellige kilder, nogle gange findes der en bred vifte, og nogle gange er det en kombination af de to.

Det spørgsmål, du skal spørge dig selv, hvis du flytter til realtid, er dette: Kan dette (problemet) løses med traditionelle informationsstyringsfunktioner eller har du brug for nyere evner?Er det store volumen eller hastighed, der kommer til at overvælde vores systemer? Ofte er det en kombination af de to.

Så, hvis du har brug for realtidsfunktioner, hvad er infrastrukturens krav til at understøtte dette? Følgende liste fremhæver et par ting, du skal overveje, angående et systems evne til at indtage data, behandle det og analysere det i realtid:

• Lav latens: Latency er den tidslængde, der gør det muligt for en tjeneste at udføre i et miljø. Nogle applikationer kræver mindre ventetid, hvilket betyder, at de skal reagere i realtid. En realtids stream vil kræve lav ventetid. Så du skal tænke på beregne magt såvel som netværk begrænsninger.

• Scalability: Scalability er evnen til at opretholde et vist niveau af ydeevne selv under stigende belastninger.

• Alsidighed: Systemet skal understøtte både strukturerede og ustrukturerede datastrømme.

• Native format: Brug dataene i sin native form. Transformation tager tid og penge. Evnen til at bruge ideen om at behandle komplekse interaktioner i de data, der udløser hændelser, kan være transformerende.

Behovet for at behandle stadigt stigende mængder af forskelligartede data er en af ​​de vigtigste faktorer, der driver vedtagelsen af ​​skyttjenester. Sky-modellen er stor og distribueret.