Πίνακας περιεχομένων:
- Λιμάνετε τα μεγάλα δεδομένα κατευθείαν σε πλατφόρμες ειδικά για το συγκεκριμένο τομέα
- Κατασκευάστε παλαιότερα συστήματα επιχειρηματικής ευφυΐας
- Χρησιμοποιήστε αυτήν την αποθήκη δεδομένων
- Στοιχεία δομής
- Προσδιορισμός και χειρισμός δεδομένων λιμνών
Υπάρχουν πολλές συζητήσεις αυτές τις μέρες σχετικά με το τι εμπλέκεται στη δημιουργία μεγάλων συστημάτων πληροφορικής, από τη χρήση του Apache Hadoop και τα σχετικά εργαλεία για την καινοτομία της προσβασιμότητας, σε συζητήσεις σχετικά με τεχνικούς τρόπους για τη διοχέτευση δεδομένων μέσα και έξω από τις κεντρικές αποθήκες δεδομένων εταιρειών. Υπάρχει όμως και το φιλοσοφικό στοιχείο των μεγάλων δεδομένων. Με άλλα λόγια, πώς χρησιμοποιείτε όλα αυτά τα δεδομένα που βρίσκονται γύρω για να ενισχύσουν πραγματικά τα αποτελέσματα της επιχείρησής σας και να βελτιώσουν το επιχειρηματικό σας μοντέλο;
Εδώ είναι πέντε τρόποι με τους οποίους οι εταιρείες χτυπάνε τους αριθμούς και τις εφαρμόζουν πραγματικά σε συγκεκριμένα αποτελέσματα.
Λιμάνετε τα μεγάλα δεδομένα κατευθείαν σε πλατφόρμες ειδικά για το συγκεκριμένο τομέα
Ένας εύκολος τρόπος για να αρχίσετε να χρησιμοποιείτε συγκεντρωτικά επιχειρηματικά δεδομένα είναι να τοποθετήσετε συγκεκριμένα στοιχεία δεδομένων σε προσχεδιασμένα συστήματα επιχειρηματικών διαδικασιών που γίνονται για την αποτελεσματική απόδοση αυτών των δεδομένων. Ίσως το καλύτερο παράδειγμα είναι τα εργαλεία διαχείρισης σχέσεων με πελάτες (CRM). Οι πωλητές συχνά χτίζουν τις υπηρεσίες τους γύρω από τα dashboards που μπορούν να παρουσιάσουν τους πωλητές και τους άλλους με αποτελεσματικά αρχεία και φακέλους πελατών ή φακέλους με δυνατότητα δράσης.
Το πράγμα είναι ότι χρησιμοποιώντας το CRM υποθέτει ότι έχετε τα απαραίτητα δεδομένα κάπου. Αν μπορείτε να ομαδοποιήσετε τα αναγνωριστικά των πελατών, τα ιστορικά αγορών και άλλα σχετικά στοιχεία μαζί, μπορείτε να ξεκινήσετε να στέλνετε όλα αυτά στην πλατφόρμα CRM. Η ομάδα πωλήσεών σας θα σας ευχαριστήσει.
Κατασκευάστε παλαιότερα συστήματα επιχειρηματικής ευφυΐας
Και πάλι, θα επιλέξετε και επιλέγετε τα συγκεκριμένα σύνολα δεδομένων που θέλετε να χρησιμοποιήσετε, αλλά ένα άλλο πράγμα που κάνουν οι εταιρείες είναι να ακολουθούν τους συνήθεις τρόπους για να τσακίσουν τα δεδομένα και να τα επεκτείνουν αργά, εισάγοντας όλο και περισσότερα σύνολα μεγάλων δεδομένων στην παραδοσιακή τεχνικές αναφοράς.
Εντάξει, οπότε υπάρχουν περισσότεροι από λίγοι προειδοποιητικοί πόροι έξω εκεί για το πόσα συστήματα παλαιού τύπου γενικά εμποδίζουν την πραγματική πρόοδο. Υπάρχουν όμως και κάποιες πρακτικές οδηγίες που δείχνουν μερικές από τις προκλήσεις όσον αφορά τη χρήση τεχνολογιών παλαιού τύπου για τα μεγάλα δεδομένα, πώς μπορεί να γίνει και πώς το σωστό προσωπικό μπορεί να κάνει τη διαφορά. Επιπλέον, τεχνικά, όλα είναι "κληρονομιά" μόλις αναπτυχθεί, οπότε δεν έχει πάντα νόημα να απορρίπτεται ένα παλαιό σύστημα κάθε φορά που κάτι καλύτερο έρχεται μαζί.
Χρησιμοποιήστε αυτήν την αποθήκη δεδομένων
Εάν έχετε μεγάλα δεδομένα σε ένα κεντρικό αποθετήριο και γνωρίζετε πώς να έχετε πρόσβαση σε αυτό, μπορείτε να δημιουργήσετε νέες διαδικασίες γύρω από αυτό.
Ακολουθεί ένα εξαιρετικό παράδειγμα του τρόπου με τον οποίο ορισμένες μεγαλύτερες εταιρείες επιδιώκουν συγκεκριμένες, ακριβείς και αξιόλογες χρήσεις μεγάλων δεδομένων. Μπορεί να την ονομάσετε διασταυρωμένη ευρετηρίαση. βοηθά μια επιχείρηση να κατασκευάσει σταθερά μοντέλα μεταξύ όλων των πολυάριθμων ειδών λογαριασμών πελατών που μπορούν να πραγματοποιηθούν σε διαφορετικά τμήματα της αρχιτεκτονικής του λογισμικού.
Συνδυάζοντας όλα τα δεδομένα που μπορούν να αποτελέσουν αντικείμενο προσφυγής, μια εταιρεία μπορεί να είναι σε θέση να διαπιστώσει εάν, για παράδειγμα, ένα όνομα στην βάση δεδομένων μιας λιανικής πώλησης στο σημείο πώλησης ταιριάζει με ένα όνομα σε ένα τμήμα της υπηρεσίας. Στη συνέχεια, η εταιρεία εισάγει τις πληροφορίες και στα δύο τμήματα, έτσι ώστε όταν κάποιος πάρει το τηλέφωνο, γνωρίζουν ότι το άτομο αυτό είναι ενεργό και στα δύο ξεχωριστά κανάλια.
Αυτή είναι η πρακτική χρήση της επιχειρησιακής νοημοσύνης - σας βοηθά να κάνετε πραγματικά κάτι βασισμένο σε όλα τα μεγάλα δεδομένα που έχετε αποξέσει μαζί.
Στοιχεία δομής
Ένα άλλο σημαντικό ζήτημα με μεγάλα δεδομένα είναι ότι οι εταιρείες συλλέγουν συχνά σχετικά μη δομημένα δεδομένα. Τα μη δομημένα δεδομένα μπορεί να έχουν τη μορφή χαρτιού ή ψηφιακών εγγράφων, ακατέργαστων ή μη επεξεργασμένων πόρων βάσης δεδομένων ή ακόμα και αποσπάσματα κειμένου και κώδικα από κινητές συσκευές. Τι κοινά μη δομημένα δεδομένα είναι ότι δεν ακολουθεί τη μορφή σχεσιακής βάσης δεδομένων. Ως αποτέλεσμα, η παραδοσιακή σχετική βάση δεδομένων δεν μπορεί να το χειριστεί και δεν αποκτάτε επιχειρηματική ευφυΐα από αυτήν.
Υπάρχουν δύο τρόποι για να το χειριστείτε: αρπάξτε ένα φτυάρι και ξεκινήστε να σκάβετε, ή να πάρετε μερικούς πόρους που βελτιώνουν τα μη δομημένα δεδομένα σε δεδομένα που μπορούν να ενεργοποιηθούν. Οι εταιρείες που δεν επιθυμούν να επενδύσουν σε νέο λογισμικό μπορούν να χρησιμοποιήσουν ανθρώπινα χέρια για να ταξινομήσουν τα μη δομημένα δεδομένα και να τα διαμορφώσουν σωστά, αλλά τώρα έχετε κάποιες εναλλακτικές λύσεις χάρη σε εργαλεία που θα αναλύουν αποτελεσματικά τα αδόμητα δεδομένα. Τα μεταδεδομένα, για παράδειγμα, είναι ένας τρόπος αυτοματοποίησης της εξόρυξης δεδομένων κατά τρόπο που την καθιστά χρήσιμη.
Προσδιορισμός και χειρισμός δεδομένων λιμνών
Ένα άλλο μεγάλο λέιζερ στη μεγάλη κοινότητα δεδομένων είναι η λίμνη δεδομένων. Ουσιαστικά, η λίμνη δεδομένων είναι απλώς ένα μεγάλο σύνολο δεδομένων που κάθεται εκεί αχρησιμοποίητο. Είναι ο βασικός ορισμός των δεδομένων σε ηρεμία - τίποτα δεν γίνεται με αυτό, δεν είναι διαταραγμένο, είναι τόσο παγωμένο και απλό όσο το καπλαμά ενός στάσιμου νερού.
Και πάλι, υπάρχουν πολλοί διαφορετικοί τρόποι για να χειριστείτε τις λίμνες δεδομένων, αλλά όλοι αρχίζουν με να προβληματιστούν για αυτά που βρίσκονται σε αυτά τα μεγάλα σύνολα δεδομένων και γιατί βρίσκονται στην ψυχρή αποθήκη. Οι εταιρείες χτίζουν τα δικά τους κέντρα δεδομένων και χρησιμοποιούν υπερσύγχρονες αντικειμενοστρεφείς τεχνολογίες συγκέντρωσης δεδομένων για να διαλύσουν αυτές τις λίμνες δεδομένων σε εκτελέσιμα κομμάτια. Αυτό γίνεται πραγματικά κατά περίπτωση, αλλά μερικοί εμπειρογνώμονες έχουν προτάσεις για το πώς να διαχειριστούν αυτές τις λίμνες δεδομένων σε χρήσιμα κανάλια που κάνουν κομμάτια πληροφοριών καταλήγουν κάπου και κάνουν κάτι.
