Eigenschaften von Big Data Analysis - Dummies

Die Big-Data-Analyse hat in letzter Zeit viel Aufsehen erregt, und das aus gutem Grund. Sie müssen die Eigenschaften der Big Data-Analyse kennen, wenn Sie Teil dieser Bewegung sein wollen. Unternehmen wissen, dass etwas da draußen ist, aber bis vor kurzem konnten sie es nicht abbauen. Dies ist ein aufregender Aspekt der Big-Data-Analyse-Bewegung.

Unternehmen freuen sich, auf Daten zugreifen zu können und diese analysieren zu können, die sie gesammelt haben oder von denen sie Einblick gewinnen möchten, die sie jedoch nicht effektiv verwalten oder analysieren konnten. Es kann bedeuten, dass große Mengen unterschiedlicher Daten visualisiert werden müssen, oder es kann fortgeschrittenes analysiertes Streaming bei Ihnen in Echtzeit involviert sein. Es ist in mancher Hinsicht evolutionär und in anderen revolutionär.

Also, was ist anders, wenn Ihr Unternehmen mit Big Data-Analysen die Grenzen überschreitet? Die Infrastruktur, die die Big Data-Analyse unterstützt, ist unterschiedlich, und die Algorithmen wurden in Infrastruktur-Kenntnisse geändert.

Die Big-Data-Analyse sollte aus zwei Perspektiven betrachtet werden:

• Entscheidungsorientiert

• Handlungsorientiert

Die entscheidungstechnische Analyse entspricht eher der traditionellen Business Intelligence. Betrachten Sie selektive Teilmengen und Repräsentationen größerer Datenquellen und versuchen Sie, die Ergebnisse auf den Prozess der Geschäftsentscheidungen anzuwenden. Sicherlich können diese Entscheidungen zu einer Art von Aktion oder Prozessänderung führen, aber der Zweck der Analyse besteht darin, die Entscheidungsfindung zu verbessern.

Die handlungsorientierte Analyse wird für eine schnelle Reaktion verwendet, wenn ein Muster auftritt oder bestimmte Arten von Daten erkannt werden und Maßnahmen erforderlich sind. Die Nutzung von Big Data durch Analyse und die Initiierung proaktiver oder reaktiver Verhaltensänderungen bieten ein großes Potenzial für Early Adopters.

Das Finden und Verwenden von Big Data durch das Erstellen von Analyse-Anwendungen kann den Schlüssel zum Erzielen von Werten eher früher als später halten. Um diese Aufgabe zu erfüllen, ist es effektiver, diese benutzerdefinierten Anwendungen von Grund auf neu zu erstellen oder Plattformen und / oder Komponenten zu nutzen.

Betrachten wir zuerst einige der zusätzlichen Charakteristika der Big-Data-Analyse, die sie von den traditionellen Analysearten abgesehen von den drei Vs von Volumen, Geschwindigkeit und Vielfalt unterscheiden:

• programmatisch. Eine der größten Änderungen in der Analyse ist, dass Sie in der Vergangenheit mit Datensätzen zu tun hatten, die Sie manuell in eine Anwendung laden und untersuchen konnten. Bei der Big-Data-Analyse können Sie mit einer Situation konfrontiert sein, in der Sie mit Rohdaten beginnen können, die oft programmatisch behandelt werden müssen, um aufgrund des Umfangs der Daten jede Art von Exploration durchzuführen.

• Es kann datengesteuert sein. Während viele Datenwissenschaftler einen Hypothesen-getriebenen Ansatz zur Datenanalyse verwenden (eine Prämisse entwickeln und Daten sammeln, um zu sehen, ob diese Prämisse korrekt ist), können Sie die Daten auch verwenden, um die Analyse voranzutreiben - insbesondere, wenn Sie riesige Daten gesammelt haben. Beträge davon. Zum Beispiel können Sie einen maschinellen Lernalgorithmus verwenden, um diese Art von hypothesenfreier Analyse durchzuführen.

• Es können viele Attribute verwendet werden. In der Vergangenheit haben Sie möglicherweise Hunderte von Attributen oder Eigenschaften dieser Datenquelle verarbeitet. Jetzt haben Sie es vielleicht mit Hunderten von Gigabytes an Daten zu tun, die aus Tausenden von Attributen und Millionen von Beobachtungen bestehen. Alles geschieht jetzt in einem größeren Maßstab.

• Es kann iterativ sein. Mehr Rechenleistung bedeutet, dass Sie auf Ihren Modellen iterieren können, bis Sie sie erhalten, wie Sie sie wollen. Hier ist ein Beispiel. Angenommen, Sie erstellen ein Modell, das versucht, die Prädiktoren für bestimmte zugeordnete Kundenverhalten zu finden. Sie könnten damit beginnen, eine angemessene Datenmenge zu extrahieren oder eine Verbindung zu dem Ort herzustellen, an dem sich die Daten befinden. Sie könnten ein Modell erstellen, um eine Hypothese zu testen.

  Während Sie in der Vergangenheit vielleicht nicht so viel Speicher hatten, um Ihr Modell effektiv arbeiten zu lassen, benötigen Sie eine enorme Menge an physischem Speicher, um die notwendigen Iterationen durchlaufen zu können, die zum Trainieren des Algorithmus erforderlich sind. Es kann auch notwendig sein, fortschrittliche Computertechniken wie natürliche Sprachverarbeitung oder neuronale Netzwerke zu verwenden, die das Modell basierend auf dem Lernen automatisch weiterentwickeln, wenn mehr Daten hinzugefügt werden.

• Es kann schnell sein, um die benötigten Rechenzyklen zu erhalten, indem eine cloudbasierte Infrastruktur als Dienst genutzt wird. Mit Infrastructure as a Service (IaaS) -Plattformen wie Amazon Cloud Services (ACS) können Sie schnell einen Cluster von Rechnern bereitstellen, um große Datensätze zu erfassen und schnell zu analysieren.