Indholdsfortegnelse:
- Port Big Data direkte i sektorspecifikke platforme
- Opbygge legacy Business Intelligence Systems
- Brug det datavarehus
- Strukturdata
- Identificer og håndter datasøer
Der er en masse snak i disse dage om, hvad der er involveret i at skabe big data-IT-opsætninger, fra brugen af Apache Hadoop og relaterede værktøjer til at innovere tilgængelighed, til samtaler om tekniske måder at tragtdata ind og ud af centrale virksomhedsdatarager. Men der er også det filosofiske element i big data. Med andre ord, hvordan bruger du alle disse data, der ligger omkring, for virkelig at øge dine forretningsresultater og forbedre din forretningsmodel?
Her er fem måder, hvorpå virksomheder klemmer antallet og faktisk anvender dem til nogle konkrete resultater.
Port Big Data direkte i sektorspecifikke platforme
En nem måde at begynde at bruge aggregerede forretningsdata på er at placere specifikke dataelementer i foruddesignede forretningsprocessystemer, der er lavet til at levere disse data effektivt. Det bedste eksempel er CRM-værktøjer til kundeforhold. Sælgere bygger ofte deres tjenester rundt om dashboards, der kan præsentere sælgere og andre med effektive og handlingsfulde kundefiler eller mapper.
Sagen er, at brug af CRM antager, at du har de nødvendige data et eller andet sted. Hvis du kan gruppere kundeidentifikatorer, købe historier og andre relevante elementer sammen, kan du begynde at sende alt dette til din CRM-platform. Dit salgsteam vil takke dig.
Opbygge legacy Business Intelligence Systems
Igen vælger du og vælger, hvilke specifikke datasæt du vil bruge, men en anden ting, som virksomheder gør, er at tage deres normale måder at knuse data på og udvide dem langsomt ved at injicere flere og flere sæt big data i deres traditionelle rapporteringsteknikker.
OK, så der er mere end et par forsigtige ressourcer derude om, hvor meget ældre systemer generelt holder tilbage til den faktiske udvikling. Men der er også nogle praktiske guider derude, der viser nogle af udfordringerne ved at bruge ældre teknologier til big data, hvordan det kan gøres, og hvordan det rigtige personale kan gøre hele forskellen. Plus, teknisk set, er alt "arv", når det først er implementeret, så det giver ikke altid mening at skrabe et arveanlæg, hver gang noget bedre kommer med.
Brug det datavarehus
Hvis du har big data i et centralt lager, og du ved, hvordan du får adgang til dem, kan du opbygge nye processer omkring det.
Her er et glimrende eksempel på, hvordan nogle større virksomheder forfølger specifikke, præcise, præcise anvendelser af big data. Du kan kalde det krydsindeksering; det hjælper en virksomhed med at konstruere konsistente modeller mellem alle deres mange forskellige kundekonti, der kan opbevares i forskellige dele af softwarearkitekturen.
Ved at kombinere alle handlinger, der kan bruges, kan et firma muligvis se, om for eksempel et navn i sin engangsbaserede salgsdatabase matcher et navn i en af sine serviceafdelinger. Virksomheden importerer derefter oplysningerne til begge afdelinger, så når nogen henter telefonen, ved de, at denne person er aktiv i begge separate kanaler.
Dette er praktisk brug af forretningsinformation - det hjælper dig med faktisk at gøre noget baseret på alle de store data, du har skrabet sammen.
Strukturdata
Et andet stort problem med big data er, at virksomheder ofte indsamler relativt ustrukturerede data. Ustrukturerede data kan komme i form af papir eller digitale dokumenter, rå eller uraffinerede databaseressourcer eller endda uddrag af tekst og kode fra mobile enheder. Hvad ustrukturerede data har til fælles, er, at de ikke følger det relationelle databaseformat. Som et resultat kan den traditionelle relatable database ikke håndtere den, og du får ikke nogen forretningsundersøgelser ud af den.
Der er to måder at håndtere dette på: Grib en skovl og begynde at grave, eller få nogle ressourcer, der finjusterer disse ustrukturerede data til handlingbare data. Virksomheder, der ikke ønsker at investere i ny software, kan bruge menneskelige hænder til at sortere gennem ustrukturerede data og formatere dem korrekt, men nu har du nogle alternativer takket være værktøjer, der analyserer ustrukturerede data effektivt. Metadata er for eksempel en måde at automatisere datadrift på en måde, der gør det nyttigt.
Identificer og håndter datasøer
Et andet stort buzzword i big data-samfundet er data lake. I hovedsagen er datasøen bare en stor pulje af data, der sidder der ubrugt. Det er den vigtigste definition af data i hvile - intet gøres med det, det forstyrres ikke, det er lige så iskaldt og roligt som finer af en stillestående vandmasse.
Igen er der mange forskellige måder at håndtere datasøer på, men alle af dem begynder med at reflektere over, hvad der findes i disse store datasæt, og hvorfor de er i køleri i første omgang. Virksomheder bygger deres egne datacentre og bruger ultramoderne objektorienterede dataklyngteknologier til at opdele disse datasøer i handlinger, der kan bruges. Dette gøres virkelig på en proprietær sag-til-sag-basis, men nogle eksperter har forslag til, hvordan man korrelerer disse datasøer i nyttige kanaler, der får oplysninger til at ende et sted og gøre noget.
