Analyse av big data

Analyse av big data undersøker store mengder data for å oppdage skjulte mønstre, korrelasjoner og annen innsikt. Med dagens teknologi er det mulig å analysere dataene dine og få svar nesten umiddelbart – en innsats som er mer tidkrevende og mindre effektivt med mer tradisjonelle business-intelligence løsninger.

• Historie
•     
• Verden i dag
•     
• Hvem bruker det
•     
• Hvordan fungerer det
•     
• Neste steg

Analysens historie

Begrepet big data har eksistert i årevis, og de fleste organisasjoner forstår at dersom de samler all data som strømmer inn i virksomhetene sine, kan de bruke analyse og hente ut betydelige verdier fra dem. Men selv på 1950-tallet, flere tiår før noen brukte begrepet “big data”, brukte bedrifter grunnleggende analyse (rett og slett tall på et regneark som ble undersøkt manuelt) for å oppdage trender og få innsikt. 

De nye fordelene som analyse av big data bringer til bordet er imidlertid hurtighet og effektivitet. Mens virksomheter for noen år siden ville ha samlet informasjon, kjørt analyse og avdekket informasjon som kunne brukes til fremtidige beslutninger, kan man i dag identifisere innsikt og ta avgjørelser umiddelbart. Muligheten til å jobbe raskere – og forbli smidig – gir organisasjoner et konkurransefortrinn de ikke hadde før.

Hovedmålet med en formell organisasjonsstrategi for data og analyse er vanligvis å forbedre beslutningsprosesser med analyse på et bredt område av aktiviteter. [Og] resultatene av våre undersøkelser og intervjuer gir sterke bevis for at suksessfylte analysestrategier fører til dramatiske endringer i hvordan beslutninger tas i organisasjonen.

Fra rapporten Beyond the Hype: The Hard Work Behind Analytics Success

Slik fungerer det og nøkkelteknologi

Det er ikke bare en enkelt teknologi som omfatter alt innen analyse av big data. Selvsagt finnes det avanserte analyser som kan brukes på big data, men det finnes flere typer teknologi som virker sammen for å hjelpe deg å få mest mulig nytte ut av informasjonen din. Her er de største feltene:

Maskinlæring. Maskinlæring er en spesifikk del av kunstig intelligens som trener en maskin hvordan den skal lære, noe som gjør det mulig å raskt og automatisk utvikle modeller som kan analysere større og mer kompliserte data og levere raskere og mer nøyaktige resultater – selv i en svært stor skala. Ved å utvikle presise modeller vil en organisasjon ha en bedre sjanse til å identifisere lønnsomme muligheter – eller unngå ukjent risiko.

Datahåndtering. Dataene må være av høy kvalitet og være godt organisert før man kan foreta pålitelige analyser. Ettersom dataene flyter inn og ut av organisasjonen hele tiden, er det viktig å etablere prosesser som kan gjentas for å få på plass og opprettholde standarder for datakvalitet. Når dataene er pålitelige bør organisasjonene etablere et master datahåndteringsprogram som setter standarden for hele bedriften.

Data mining. Teknologi for data mining hjelper deg å undersøke store mengder data for å avdekke mønstre i dataene – og denne informasjonen kan brukes i videre analyser for å besvare komplekse forretningsspørsmål. Med programvare for data mining kan du sile gjennom all den kaotiske og repeterende støyen i dataene, finne ut hva som er relevant, bruke denne informasjonen til å se sannsynlige utfall og deretter akselerere tempoet i å ta informerte beslutninger.

Hadoop. Dette rammeverket for åpen kildekode - programvare kan lagre store datamengder og kjøre applikasjoner på klynger av vanlige datamaskiner. Det har blitt en viktig teknologi i forretningsverdenen ettersom mengden og variasjonen i data stadig øker og den distribuerte modellen for databehandling prosesserer store data raskt. En annen fordel ved Hadoop er at denne åpne kilde-programvaren er gratis og bruker vanlige datamaskiner til å lagre store mengder data.

Analyser i minnet. Ved å analysere data fra systemminnet (istedet for fra harddisken) kan du få innsikt fra dataene umiddelbart og handle deretter raskt. Denne teknologien fjerner dataforbereding og forsinkelser i prosesseringen av dataanalyse når nye scenarioer testes og modeller utvikles. Det er ikke bare en enkel måte for organisasjoner å holde seg smidige på og ta bedre avgjørelser, det gjør dem også i stand til å kjøre iterative og interaktive analysescenarioer.

Prediktiv analyse. Teknologi for prediktive analyser bruker data, statistiske algoritmer og maskinlæringsteknikker for å identifisere hvor sannsynlige fremtidige utfall er basert på historiske data. Det handler om å gjøre best mulige vurderinger av hva som vil skje i fremtiden, slik at organisasjoner kan føle seg mer sikre på at de tar best mulige avgjørelser. Noen av de vanligste bruksområdene for forutseende analyser er svindelgjenkjenning, risiko, drift og markedsføring.

Text mining. Med teknologi for tekst mining kan du analysere tekstdata fra Internett, kommentarfelt, bøker og andre tekstbaserte kilder for å finne innsikt du ikke hadde lagt merke til tidligere. Tekst mining bruker maskinlæring eller teknologi for prossesering av naturlig språk for å finkjemme dokumenter – e-poster, blogger, Twitter-feeder, undersøkelser, kompetitiv intelligens med mer – for å hjelpe deg å analysere store mengder informasjon og oppdage nye sammenhenger mellom emner og begrep.