Obsah
- Co jsou velká data a jak se liší od analýzy velkých dat v reálném čase?
- Klady
- Nevýhody
- Závěr
- Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Zdroj: Seoterra / Dreamstime
Odnést:
Mít okamžitý přístup k datům v reálném čase se může jevit jako ideální scénář, ale s výhodami jsou i nevýhody.
V tomto věku exploze dat organizace shromažďují a ukládají data stále rostoucí rychlostí. Pouhé shromažďování těchto údajů pro vaši organizaci však nemá žádnou obchodní hodnotu. Analýzy a vizualizace těchto velkých dat v reálném čase přeměňují toto množství dat na cenné statistiky. I když tento přehled v reálném čase může být pro vaši organizaci velmi užitečný, má výhody i nevýhody.
Co jsou velká data a jak se liší od analýzy velkých dat v reálném čase?
Než se přesuneme dále, necháme diskutovat o velkých datech - co přesně to je? Tradičně byla data ukládána mnohem snadněji, protože jich bylo mnohem méně. Velká data vznikla, když bylo potřeba ukládat soubory dat v mnohem větším množství. Nejedná se pouze o data nebo soubor dat, ale o kombinaci nástrojů, technik, metod a rámců.
Velká data mohou pocházet z téměř všeho, co generuje data, včetně vyhledávačů a sociálních médií, jakož i z některých méně zřejmých zdrojů, jako jsou energetické sítě a dopravní infrastruktura. Tato data lze rozdělit do tří typů: strukturovaná, polostrukturovaná a nestrukturovaná.
Velká data jsou obvykle shromažďována a analyzována v předem definovaných intervalech. S analýzou velkých dat v reálném čase je však sběr a analýza nepřetržitá, což poskytuje obchodní přehled o minutě. (Další informace o analytice velkých dat naleznete v tématu Jak může služba Analytics velkých dat optimalizovat výkon IT.)
Hadoop je nejznámější nástroj pro analýzu velkých dat, ale není vhodný pro zpracování analýzy velkých dat v reálném čase. Některé velké datové nástroje v reálném čase zahrnují:
- Storm - Jedná se o distribuovaný výpočetní systém v reálném čase, který pracuje s jakýmkoli programovacím jazykem a je škálovatelný. V současné době je ve vlastnictví.
- GridGain - Toto je podnikový open-source grid computing tool. Je kompatibilní s Hadoop DFS, který nabízí náhradu za Hadoop's MapReduce.
Klady
Nyní můžeme diskutovat o některých výhodách analýzy velkých dat v reálném čase.
- Rychlé rozpoznávání chyb - Umožňuje předpokládat, že došlo k chybě a je třeba ji vyřešit ASAP. Díky analýze velkých dat v reálném čase lze tuto chybu okamžitě a rychle napravit. To může pomoci předcházet četným a / nebo vážnějším poruchám. V dlouhodobém horizontu to také pomáhá obchodní pověsti - rychlé opravy chyb by mohly pomoci získat více zákazníků.
- Úspory - I když implementace analýzy velkých dat v reálném čase může být nákladná, vysoká hodnota okamžité analýzy dat může tyto výdaje nahradit.
- Progresivní služby - Monitorování produktů a služeb pomocí analýzy velkých dat by mohlo vést k vyšším konverzním poměrům pro zákazníky, což by zase mohlo vést k vyšším ziskům. Bezprostřední chyby a problémy lze snadno předpovědět pomocí analýzy, což by také mohlo pomoci při zaměření se více na potřeby zákazníků.
- Detekce podvodů v reálném čase - Tým, který spravuje zabezpečení systémů a serverů, může být rychle a snadno informován o podvodech, což jim umožňuje přijmout opatření v reálném čase, jakmile je podvod odhalen. (Další informace o detekci podvodů naleznete v části Machine Learning & Hadoop in Detection Fraud Detection.)
- Strategie vůči konkurentům - Konkurence děsí mnoho lidí na dnešním trhu a analýza velkých dat pomáhá při poskytování podrobného obrazu konkurentů, jako je uvedení nového produktu, snížení / zvýšení cen po určitou dobu nebo zaměření na uživatele z konkrétního místa.
- Statistiky - Statistiky prodeje jsou zásadní pro to, abyste věděli, kde stojí prodej. Tyto informace by mohly vést k dalším výnosům, jako je například ztráta zákazníka v dlouhodobém horizontu, kontrola míry okamžitého opuštění a nalezení optimálních způsobů zvýšení prodeje analýzou velkých datových analýz v reálném čase.
- Trendy - Rozhodnutí analýzou zákaznických trendů lze provádět pomocí analýzy velkých dat v reálném čase. To by mohlo zahrnovat nabídky, reklamy, potřeby zákazníků, nabídky dostupné pro konkrétní sezónu a další. Může tak také zlepšit dlouhodobá rozhodnutí.
Nevýhody
Nyní se podívejme na nevýhody.
- Hadoop není kompatibilní - Jak již bylo zmíněno dříve, Hadoop, nejpoužívanější nástroj pro analýzu velkých dat, v současné době není schopen zpracovat data v reálném čase. Proto jsou vyžadovány některé další nástroje s očekáváním, že Hadoop v budoucnu přidá funkce pro přístup v reálném čase.
- Vyžaduje se nový přístup - Některé organizace jsou zvyklé přijímat informace jednou týdně. Při neustálém přílivu velkých dat v reálném čase je však vyžadován zcela odlišný přístup. Pro některé organizace by to mohlo být výzvou a mohlo by to vést k předělávání některých rozhodnutí a plánů.
- Možné selhání - Některé organizace mohou vnímat analytiku velkých dat v reálném čase jako lesklou novou hračku a chtějí ji ihned implementovat. Pokud by však nebyla implementována správně, mohlo by to způsobit řadu problémů. Pokud podnik není zvyklý na zpracování dat tak rychle, mohlo by to vést k nesprávné analýze, což by mohlo organizaci způsobit větší problémy.
Závěr
Analytika velkých dat v reálném čase může být pro podnik nesmírně důležitá, ale podnik musí nejprve určit, zda klady převažují nad nevýhodami v jejich konkrétní situaci, a pokud ano, jak budou tyto nevýhody překonány. Toto je stále relativně nová technologie, proto se očekává, že se bude vyvíjet v budoucnu a doufejme, že vyřeší některé ze svých současných výzev.
Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Nemůžete zlepšit své programovací schopnosti, když se nikdo nestará o kvalitu softwaru.