Big data-analyse

Big data analytics undersøger store datamængder for at afdække skjulte mønstre, korrelationer og anden indsigt. Med nutidens teknologi er det muligt at analysere dine data og få svar næsten med det samme, hvilket mere traditionelle business intelligence-løsningerikke i stand til, da de er langsommere og mindre effektive.

• Historik
•     
• Verden i dag
•     
• Hvem bruger det?
•     
• Hvordan fungerer det?
•     
• Næste skridt

Big data analytics’ historik og udvikling

Konceptet ’big data’ har eksisteret i årevis. De fleste organisationer forstår nu, at hvis de fastholder alle de data, der gennemstrømmer deres virksomheder, kan de anvender analytics og opnå en betydelig værdi herfra. Men selv i 1950'erne, årtier før nogen talte om ’big data’, brugte virksomheder grundlæggende analyse (hovedsageligt tal i regneark, der blev undersøgt manuelt) til at afdække indsigt og tendenser. 

Fordelene ved big data analytics er hastighed og effektivitet. Mens en virksomhed for nogle år siden ville have indsamlet information, foretaget analyser og afdækket information, der kunne bruges til fremtidige beslutninger, kan virksomheden i dag identificere indsigt til beslutninger her og nu. Evnen til at arbejde hurtigere – og forblive fleksibel – giver organisationer en konkurrencemæssig fordel, som de ikke havde før.

Det primære formål med en formel organisationsstrategi for data og analyse er typisk at forbedre beslutningstagningen med analytics for et bredt aktivitetsområde. [Og] vores undersøgelsesresultater og interviews tyder på, at vellykkede analysestrategier i høj grad ændrer, hvordan organisationer træffer beslutninger.

Fra White Paper Beyond the Hype: The Hard Work Behind Analytics Success

Sådan fungerer det og nøgleteknologier

Der er ikke én enkelt teknologi, der omfatter big data analytics. Der er naturligvis advanced analytics, der kan anvendes til big data, men i virkeligheden kombineres en række forskellige teknologier, så du får mest muligt ud af dine oplysninger. Her er de vigtigste:

Machine Learning. Machine learning, der er et delområde af kunstig intelligens, som træner en maskine i at lære, gør det muligt hurtigt og automatisk at producere modeller, der kan analysere større, mere komplekse datasæt og levere hurtigere og mere nøjagtige resultater – selv med meget store mængder. Og ved at bygge præcise modeller får en organisation en bedre chance for at identificere rentable muligheder – eller undgå ukendte risici.

Data management. Data skal være af høj kvalitet og godt administreret, før det kan analyseres pålideligt. Da data konstant gennemstrømmer en organisation, er det vigtigt at etablere gentagelige processer for opbygning og vedligeholdelse af datakvalitetsstandarder. Når data er pålidelig, bør organisationer etablere et master data management-program, der sikre samme standard på tværs af virksomheden.

Data mining. Data mining-teknologi hjælper med at afdække mønstre i store datamængder. Denne information kan bruges til yderligere analyse for at finde svar på komplekse forretningsspørgsmål. Med data mining-software kan du filtrere den kaotiske og gentagne støj i data fra, så du finder det, der er relevant. De oplysninger kan bruges til at vurdere sandsynlige resultater og derefter fremskynde en velinformeret beslutningsproces.

Hadoop. Dette open source-softwareværtøj kan gemme store mængder data og afvikle applikationer på klynger af standardhardware. Det er blevet en nøgleteknologi for mange virksomheder på grund af de konstant stigende datamængder og -typer, og dens distribuerede computermodel behandler store datamængder hurtigt. En yderligere fordel er, at Hadoops open source-software er gratis og bruger standardhardware til at lagre store datamængder.

In-memory analytics. Analyse af data fra systemhukommelse (frem for fra din harddisk) kan give omgående indsigt, så du kan reagere hurtigt. Denne teknologi kan fjerne dataforberedelse og forsinkelser ved analysebearbejdning til at teste nye scenarier og bygge nye modeller. Ikke nok med, at det er en let måde for organisationer at sikre fleksibilitet, det giver samtidig mulighed for at afvikle iterative og interaktive analytics-scenarier.

Predictive analytics. Predictive analytics-teknologi bruger data, statistiske algoritmer og machine learning-teknikker til at identificere sandsynligheden for fremtidige resultater baseret på historiske data. Det handler om at give den bedste vurdering af, hvad der vil ske i fremtiden, så organisationer kan føle sig mere sikre på, at de træffer de bedst mulige forretningsbeslutninger. Nogle af de mest almindelige anvendelser af predictive analytics omfatter afsløring af svindel, risiko, drift og markedsføring.

Text mining. . Med text mining-teknologi kan du analysere tekstdata fra internettet, kommentarfelter, bøger og andre tekstbaserede kilder for at afdække indsigt, du ikke havde lagt mærke til før. Text mining bruger teknologierne machine learning eller natural language processing til at finkæmme dokumenter (e-mails, blogs, Twitter feeds, undersøgelser, konkurrencerelaterede oplysninger etc.) for at hjælpe dig med at analysere store mængder information og finde nye emner og begrebsforhold.