Χαρακτηριστικά της Ανάλυσης Μεγάλων Δεδομένων - ανδρείκελα

Μεγάλη ανάλυση δεδομένων έχει πάρει πολύ δημοσιότητα πρόσφατα, και για καλό λόγο. Θα πρέπει να γνωρίζετε τα χαρακτηριστικά της μεγάλης ανάλυσης δεδομένων, εάν θέλετε να είστε μέρος αυτού του κινήματος. Οι εταιρείες γνωρίζουν ότι κάτι είναι έξω εκεί, αλλά μέχρι πρόσφατα δεν το κατάφεραν. Αυτό ωθεί το φάκελο στην ανάλυση είναι μια συναρπαστική πτυχή της μεγάλης κίνησης ανάλυσης δεδομένων.

Οι εταιρείες είναι ενθουσιασμένες που μπορούν να έχουν πρόσβαση και να αναλύσουν τα δεδομένα που έχουν συλλέξει ή θέλουν να αποκτήσουν γνώση, αλλά δεν κατάφεραν να διαχειριστούν ή να αναλύσουν αποτελεσματικά. Θα μπορούσε να περιλαμβάνει την απεικόνιση τεράστιων ποσοτήτων διαφορετικών δεδομένων ή θα μπορούσε να περιλαμβάνει προηγμένη αναλυτική ροή σε εσάς σε πραγματικό χρόνο. Είναι εξελικτικό από ορισμένες απόψεις και επαναστατικό σε άλλα.

Έτσι, τι είναι διαφορετικό όταν η επιχείρησή σας πιέζει το φάκελο με μεγάλη ανάλυση δεδομένων; Η υποδομή που υποστηρίζει την ανάλυση μεγάλων δεδομένων είναι διαφορετική και οι αλγόριθμοι έχουν αλλάξει ώστε να γνωρίζουν την υποδομή.

Η μεγάλη ανάλυση δεδομένων πρέπει να εξεταστεί από δύο όψεις:

• Προσανατολισμένη στην επιλογή

• Προσανατολισμένη στην δράση

Ανάλυση με βάση τις αποφάσεις είναι περισσότερο παρόμοια με την παραδοσιακή επιχειρησιακή ευφυΐα. Εξετάστε επιλεκτικά υποσύνολα και αναπαραστάσεις μεγαλύτερων πηγών δεδομένων και προσπαθήστε να εφαρμόσετε τα αποτελέσματα στη διαδικασία λήψης επιχειρηματικών αποφάσεων. Είναι βέβαιο ότι αυτές οι αποφάσεις θα μπορούσαν να οδηγήσουν σε κάποια ενέργεια ή αλλαγή της διαδικασίας, αλλά ο σκοπός της ανάλυσης είναι να ενισχύσει τη λήψη αποφάσεων.

Η ανάλυση προσανατολισμού δράσης χρησιμοποιείται για την ταχεία απόκριση όταν εμφανίζεται ένα πρότυπο ή ανιχνεύονται συγκεκριμένα είδη δεδομένων και απαιτείται δράση. Η αξιοποίηση των μεγάλων δεδομένων μέσω ανάλυσης και η πρόκληση ενεργητικών ή αντιδραστικών αλλαγών συμπεριφοράς προσφέρουν μεγάλες δυνατότητες στους πρώτους υιοθετώντες.

Η εύρεση και αξιοποίηση μεγάλων δεδομένων με τη δημιουργία εφαρμογών ανάλυσης μπορεί να κρατήσει το κλειδί για την εξαγωγή της αξίας νωρίτερα και όχι αργότερα. Για να επιτευχθεί αυτό το καθήκον, είναι πιο αποτελεσματικό να κατασκευαστούν αυτές οι προσαρμοσμένες εφαρμογές από την αρχή ή με μόχλευση πλατφορμών και / ή εξαρτημάτων.

Μπορεί να είναι

• προγραμματική. Μία από τις μεγαλύτερες αλλαγές στην ανάλυση είναι ότι στο παρελθόν ασχολήσατε με σύνολα δεδομένων που θα μπορούσατε να φορτώσετε με το χέρι σε μια εφαρμογή και να εξερευνήσετε. Με μεγάλη ανάλυση δεδομένων, μπορεί να αντιμετωπίσετε μια κατάσταση όπου μπορείτε να ξεκινήσετε με ακατέργαστα δεδομένα, τα οποία συχνά πρέπει να αντιμετωπίζονται με προγραμματισμό , για να πραγματοποιήσετε κάθε είδους εξερεύνηση λόγω της κλίμακας των δεδομένων. Μπορεί να είναι δεδομένα

• . Ενώ πολλοί επιστήμονες δεδομένων χρησιμοποιούν μια προσέγγιση που βασίζεται στην υπόθεση για την ανάλυση δεδομένων (αναπτύξτε μια παραδοχή και συλλέξτε δεδομένα για να διαπιστώσετε εάν αυτή η προϋπόθεση είναι σωστή), μπορείτε επίσης να χρησιμοποιήσετε τα δεδομένα για να οδηγήσετε την ανάλυση - ειδικά αν έχετε συγκεντρώσει τεράστια ποσά του. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε έναν αλγόριθμο εκμάθησης μηχανών για να κάνετε αυτό το είδος ανάλυσης χωρίς υποθέσεις. Μπορεί να χρησιμοποιήσει πολλά

• χαρακτηριστικά. Στο παρελθόν, μπορεί να έχετε αντιμετωπίσει εκατοντάδες χαρακτηριστικά ή χαρακτηριστικά αυτής της πηγής δεδομένων. Τώρα ίσως να αντιμετωπίζετε εκατοντάδες gigabytes δεδομένων που αποτελούνται από χιλιάδες χαρακτηριστικά και εκατομμύρια παρατηρήσεις. Όλα συμβαίνουν τώρα σε μεγαλύτερη κλίμακα. Μπορεί να είναι

• επαναληπτικό. Περισσότερη υπολογιστική ισχύς σημαίνει ότι μπορείτε να επαναλάβετε τα μοντέλα σας μέχρι να τα αποκτήσετε όπως θέλετε. Ακολουθεί ένα παράδειγμα. Ας υποθέσουμε ότι χτίζετε ένα μοντέλο που προσπαθεί να βρει τους προβλεπόμενους για συγκεκριμένες συμπεριφορές πελατών. Ενδέχεται να ξεκινήσετε να εξάγετε ένα εύλογο δείγμα δεδομένων ή να συνδεθείτε με τον τόπο όπου βρίσκονται τα δεδομένα. Μπορεί να δημιουργήσετε ένα μοντέλο για να δοκιμάσετε μια υπόθεση. Ενώ στο παρελθόν μπορεί να μην είχατε αυτή τη μεγάλη μνήμη για να κάνετε το μοντέλο σας να λειτουργεί αποτελεσματικά, θα χρειαστείτε μια τεράστια ποσότητα φυσικής μνήμης για να περάσετε από τις απαραίτητες επαναλήψεις που απαιτούνται για την εκπαίδευση του αλγορίθμου. Μπορεί επίσης να είναι απαραίτητο να χρησιμοποιηθούν προηγμένες τεχνικές υπολογιστικής όπως επεξεργασία φυσικής γλώσσας ή νευρωνικά δίκτυα που εξελίσσουν αυτόματα το μοντέλο με βάση τη μάθηση καθώς προστίθενται περισσότερα δεδομένα.

  Μπορεί να είναι

• γρήγορη για να αποκτήσετε τους υπολογιστικούς κύκλους που χρειάζεστε χρησιμοποιώντας μια υποδομή που βασίζεται σε σύννεφο ως υπηρεσία. Με τις πλατφόρμες Infrastructure as Service (IaaS) όπως οι υπηρεσίες Cloud Services (ACS) της Amazon, μπορείτε να παρέχετε γρήγορα ένα σύμπλεγμα μηχανών για να απορροφήσετε μεγάλα σύνολα δεδομένων και να τα αναλύσετε γρήγορα.