Innholdsfortegnelse:
- Porter Big Data direkte inn i sektorspesifikke plattformer
- Bygge ut Legacy Business Intelligence Systems
- Bruk det datavarehuset
- Strukturdata
- Identifiser og håndter dataljøer
Det er i disse dager mye snakk om hva som er involvert i å lage store data-IT-oppsett, fra bruk av Apache Hadoop og relaterte verktøy for å innovere tilgjengeligheten, til samtaler om tekniske måter å trakte data inn og ut fra sentrale bedriftens datavarehus. Men det er også det filosofiske elementet i big data. Med andre ord, hvordan bruker du alle dataene som ligger rundt for å virkelig øke forretningsresultatene og forbedre forretningsmodellen?
Her er fem måter selskaper kan knuse tallene på og faktisk bruke dem på noen konkrete utfall.
Porter Big Data direkte inn i sektorspesifikke plattformer
En enkel måte å begynne å bruke aggregerte forretningsdata på er å sette spesifikke dataelementer i forhåndsdesignede forretningsprosesssystemer som er laget for å levere disse dataene effektivt. Det beste eksemplet er kanskje CRM-verktøy (Customer Relationship Management). Selgere bygger ofte tjenestene sine rundt dashbord som kan presentere salgsarbeidere og andre med effektive og handlingsrike kundefiler eller -mapper.
Saken er at å bruke CRM forutsetter at du har nødvendig data et sted. Hvis du kan gruppere kundeidentifikatorer, kjøpe historier og andre relevante elementer sammen, kan du begynne å sende alt dette til CRM-plattformen. Salgsteamet ditt vil takke deg.
Bygge ut Legacy Business Intelligence Systems
Igjen, du vil velge og velge hvilke spesifikke datasett du vil bruke, men en annen ting som selskaper gjør er å ta sine vanlige måter å knuse data på og utvide dem sakte, ved å injisere flere og flere sett med store data i de tradisjonelle rapporteringsteknikker.
OK, så det er mer enn noen få forsiktighetsressurser der ute om hvor mye eldre systemer som vanligvis holder tilbake den faktiske fremgangen. Men det er også noen praktiske guider der ute som viser noen av utfordringene med å bruke eldre teknologier for big data, hvordan det kan gjøres og hvordan rett personale kan utgjøre hele forskjellen. I tillegg er teknisk sett alt "legat" når det først er satt i bruk, så det er ikke alltid fornuftig å skrape et arv hver gang noe bedre kommer med.
Bruk det datavarehuset
Hvis du har big data i et sentralt lager, og du vet hvordan du får tilgang til det, kan du bygge nye prosesser rundt det.
Her er et utmerket eksempel på hvordan noen større selskaper driver spesifikk, presis og presist bruk av big data. Du kan kalle det kryssindeksering; det hjelper en bedrift å konstruere konsistente modeller mellom alle de mange typer kundekontoer som kan være i forskjellige deler av programvarearkitekturen.
Ved å kombinere alle handlingsverdige data sammen, kan et selskap kanskje se om for eksempel et navn i en engangs-butikkdata for salg samsvarer med et navn i en av sine tjenesteavdelinger. Selskapet importerer deretter informasjonen til begge avdelinger, slik at når noen tar opp telefonen, vet de at vedkommende er aktiv i begge separate kanaler.
Dette er praktisk bruk av forretningsinformasjon - det hjelper deg å faktisk gjøre noe basert på alle big dataene du har skrapt sammen.
Strukturdata
Et annet stort problem med big data er at selskaper ofte samler relativt ustrukturerte data. Ustrukturerte data kan komme i form av papir eller digitale dokumenter, rå eller uraffinerte databaseressurser, eller til og med tekstutdrag og kode fra mobile enheter. Hva ustrukturerte data har til felles er at de ikke følger det relative databaseformatet. Som et resultat kan den tradisjonelle relatable databasen ikke håndtere den, og du får ikke noe forretningsinformasjon fra den.
Det er to måter å håndtere dette på: ta tak i en spade og begynne å grave, eller få noen ressurser som avgrenser de ustrukturerte dataene til handlingsdata. Bedrifter som ikke vil investere i ny programvare, kan bruke menneskelige hender til å sortere gjennom ustrukturerte data og formatere dem riktig, men nå har du noen alternativer takket være verktøy som vil analysere ustrukturerte data effektivt. Metadata er for eksempel en måte å automatisere data mining på en måte som gjør det nyttig.
Identifiser og håndter dataljøer
Et annet stort buzzword i big data-samfunnet er data lake. I hovedsak er datasjøen bare et stort basseng med data som sitter der ubrukt. Det er den viktigste definisjonen av data i ro - ingenting blir gjort med det, det blir ikke forstyrret, det er like isete og rolige som finér av en stillestående vannmasse.
Igjen er det mange forskjellige måter å håndtere datasjøer på, men alle begynner med å reflektere over hva som finnes i de store datasettene og hvorfor de er i kjølerom i utgangspunktet. Bedrifter bygger sine egne datasentre og bruker ultramoderne objektorienterte dataklyngingsteknologier for å dele opp disse innsjøene i handlingsrike stykker. Dette gjøres egentlig fra en egenutviklet sak, men noen eksperter har forslag til hvordan du korrelerer disse innsjøene til nyttige kanaler som får informasjon til å havne et sted og gjøre noe.
