Traditionnelle et Advanced Analytics pour le Big Data - les nuls

Que fait votre entreprise avec toutes les données sous toutes leurs formes? Le Big Data nécessite de nombreuses approches d'analyse, traditionnelles ou avancées, en fonction du problème à résoudre. Certaines analyses utiliseront un entrepôt de données traditionnel, tandis que d'autres analyses tireront parti de l'analyse prédictive avancée. La gestion holistique des données volumineuses nécessite de nombreuses approches différentes pour aider l'entreprise à planifier avec succès pour l'avenir.

Entrepôts de données analytiques et data marts pour les mégadonnées

Après qu'une entreprise a trié les énormes quantités de données disponibles, il est souvent pragmatique de prendre le sous-ensemble des données qui révèlent les tendances et les mettent en un formulaire qui est disponible pour l'entreprise. Ces entrepôts et marts fournissent une compression, un partitionnement multiniveau et une architecture de traitement massivement parallèle.

Analyse de Big Data

La capacité de gérer et d'analyser des pétaoctets de données permet aux entreprises de gérer des groupes d'informations susceptibles d'avoir un impact sur l'entreprise. Cela nécessite des moteurs analytiques capables de gérer ces données hautement distribuées et de fournir des résultats pouvant être optimisés pour résoudre un problème métier. L'analyse peut devenir assez complexe avec les gros volumes de données.

Par exemple, certaines organisations utilisent des modèles prédictifs qui couplent des données structurées et non structurées pour prévoir la fraude. L'analyse des médias sociaux, l'analyse de texte et de nouveaux types d'analyse sont utilisés par les organisations qui cherchent à mieux comprendre les mégadonnées.

Rapports et visualisation de Big Data

Les organisations ont toujours compté sur la capacité de créer des rapports pour leur faire comprendre ce que les données leur apprennent, depuis les chiffres de ventes mensuels jusqu'aux projections de croissance. Les données volumineuses modifient la façon dont les données sont gérées et utilisées.

Si une entreprise peut collecter, gérer et analyser suffisamment de données, elle peut utiliser une nouvelle génération d'outils pour aider la direction à comprendre réellement l'impact de la manière dont ces éléments de données offrent un contexte basé sur le problème métier concerné. La création de rapports et la visualisation de données deviennent des outils pour examiner le contexte de la relation entre les données et l'impact de ces relations sur l'avenir.

Applications Big Data

Traditionnellement, l'entreprise s'attendait à ce que les données soient utilisées pour répondre à des questions sur ce qu'il faut faire et quand le faire. Les données ont souvent été intégrées en tant que champs dans des applications métier à usage général. Avec l'avènement du Big Data, cela change.Maintenant, le développement d'applications est conçu spécifiquement pour tirer parti des caractéristiques uniques du Big Data.

Certaines des applications émergentes concernent des domaines tels que les soins de santé, la gestion de la fabrication, la gestion du trafic, etc. Qu'est-ce que toutes ces applications Big Data ont en commun? Ils s'appuient sur des volumes, des vitesses et des variétés de données énormes pour transformer le comportement d'un marché.

Dans les soins de santé, une application Big Data pourrait être en mesure de surveiller les bébés prématurés afin de déterminer quand les données indiquent quand une intervention est nécessaire. En fabrication, une grande application de données peut être utilisée pour empêcher une machine de s'arrêter pendant une production. Une grande application de gestion du trafic de données peut réduire le nombre d'embouteillages sur les autoroutes urbaines achalandées pour réduire les accidents, économiser du carburant et réduire la pollution.