Traditionel og avanceret Analytics til Big Data - dummies

Hvad gør din virksomhed nu med alle data i alle dens former? Store data kræver mange forskellige tilgange til analyse, traditionelle eller avancerede, afhængigt af at problemet løses. Nogle analyser vil bruge et traditionelt datalager, mens andre analyser vil udnytte avanceret predictive analytics. At administrere store data holistisk kræver mange forskellige tilgange til at hjælpe virksomheden med at planlægge fremtiden.

Analytiske data warehouses og data marts til store data

Når et firma sorterer gennem de massive mængder af tilgængelige data, er det ofte pragmatisk at tage delmængden af ​​data, der afslører mønstre og sætter det ind en formular, der er tilgængelig for virksomheden. Disse varehuse og marts leverer kompression, multilevel partitionering og en massivt parallelbehandlingarkitektur.

Stor dataanalyse

Evnen til at styre og analysere datablade af data gør det muligt for virksomheder at håndtere klynger af information, der kan have indflydelse på virksomheden. Dette kræver analytiske motorer, som kan håndtere disse meget distribuerede data og give resultater, der kan optimeres til at løse et forretningsproblem. Analytics kan blive ret komplekst med store data.

For eksempel bruger nogle organisationer prædiktive modeller, der parrer strukturerede og ustrukturerede data sammen for at forudsige svig. Social mediaanalyser, tekstanalyser og nye typer af analyser udnyttes af organisationer, der søger at få indsigt i store data.

Rapporter og stor datavisualisering

Organisationer har altid været afhængige af evnen til at oprette rapporter for at give dem en forståelse for, hvad dataene fortæller om alt fra månedlige salgstal til vækstfremskrivninger. Store data ændrer den måde, dataene administreres og bruges på.

Hvis en virksomhed kan indsamle, administrere og analysere nok data, kan den bruge en ny generation af værktøjer til at hjælpe ledelsen med at forstå virkningen af, hvordan disse dataelementer tilbyder kontekst baseret på det forretningsproblem, der behandles. Rapportering og datavisualisering bliver værktøjer til at se på sammenhængen mellem, hvordan data er relateret og virkningen af ​​disse relationer på fremtiden.

Store dataapplikationer

Virksomheden forventede traditionelt at data ville blive brugt til at besvare spørgsmål om, hvad de skal gøre, og hvornår man skal gøre det. Data blev ofte integreret som felter i almindelige forretningsapplikationer. Med fremkomsten af ​​store data ændrer dette sig.Nu udvikles applikationer specifikt til at udnytte de unikke egenskaber ved store data.

Nogle af de nye applikationer er inden for områder som sundhedspleje, produktionsstyring, trafikstyring og så videre. Hvad har alle disse store dataprogrammer til fælles? De stole på store mængder, hastigheder og datasorter for at omdanne et markeds adfærd.

I sundhedssektoren kan en stor dataapplikation muligvis overvåge for tidlige spædbørn for at bestemme, hvornår data angiver, hvornår intervention er nødvendig. I fremstillingen kan en stor dataapplikation bruges til at forhindre en maskine i at lukke ned under et produktionsløb. En stor datatrafikstyringsapplikation kan reducere antallet af trafikpropper på travle hovedveje for at reducere ulykker, spare brændstof og reducere forurening.