Q:
Mer er ikke alltid bedre. Hvordan kan organisasjoner redusere støyen i dataene sine for å oppnå målrettet og nøyaktig analyse?
EN:Med store datasystemer er et av de store spørsmålene for selskaper hvordan du kan holde disse prosjektene godt målrettede og effektive. Mange av verktøyene og ressursene som er bygd for big data er bygd for å suge opp store mengder informasjon i et bredt nett. De er ikke alltid like oppmerksomme på å foredle dataene og holde dem enkle. Imidlertid er det noen gode fremgangsmåter som dukker opp i bransjen for å lage mer målrettede og nyttige big data-prosjekter.
En pilar i en målrettet big data-tilnærming er å bruke riktig programvareverktøy og ressurser. Ikke alle analyser og big data-systemer er de samme. Noen kan mer effektivt filtrere bort overdreven eller irrelevant data, og la virksomheter bare fokusere på de essensielle fakta som vil avgjøre deres kjerneprosesser og operasjoner.
En annen hoveddel av dette involverer mennesker. Før en blir involvert i et big data-prosjekt, og mens du kjøper leverandørprogramvare, forfølger implementering og opplæring av andre, må en sentral gruppe mennesker være ansvarlig for prosessen og delegere også forsknings- og idédugnadsoppgaver. Dette kan gjøre en big data-tilnærming til en presis, kirurgisk metode som vil forbedre virksomheten uten å bli for topptung og forstyrre den daglige driften.
For eksempel kan arbeidsstyrker eller andre kjernegrupper sette seg ned og se i detalj på måtene implementering skal gjøres, hvordan virksomheten vil begynne å evaluere datasettene, hvordan de vil krysse indeksregnskaper, hva slags papir eller digitale presentasjoner de vil bruke for å spre informasjonen, hvordan de skal lage nyttige rapporter osv. Disse detaljene vil beskytte virksomheten mot oppblåsthet i store data.
Etter hvert som selskaper begynner å skaffe flere leverandørtjenester, gjøre mer big data-knusing og gjøre IT-arkitekturer mer komplekse, har de lært å skille ut de mest sensitive dataene fra alt annet.
En måte å gjøre dette på er å lage et lagdelt system. For eksempel kan et kjernedatasett med kunde-IDer og historier lagres i en spesiell vedlikeholdt database under en bestemt skysikkerhetsavtale, eller på stedet. Andre datasett kan oppholde seg i mindre spesialiserte datamiljøer, enten fordi de er mindre følsomme når det gjelder brudd på data, eller fordi de er mindre direkte relevante for analysen som virksomheten gjør. Flertrinnede systemer eller flernivåsystemer muliggjør kostnadseffektiv implementering av big data.
Dette er noen av måtene virksomheter blir smarte på å få big data på riktig måte. I stedet for bare å støvsuge noen data de kan hente, behandler de visse datasett som mest kritiske for å få mest mulig forretningsinnsats med minst mulig anstrengelse.
