सामग्री
- पोर्ट बिग डेटा थेट सेक्टर-विशिष्ट प्लॅटफॉर्ममध्ये
- बिल्ड आउट लेगसी बिझनेस इंटेलिजेंस सिस्टम
- ते डेटा वेअरहाउस वापरा
- रचना डेटा
- डेटा लेक्स ओळखा आणि हाताळा
स्रोत: सोलरसिव्हन / ड्रीमस्टाइम.कॉम
टेकवे:
आपला व्यवसाय त्याच्या डेटामधून जास्तीत जास्त फायदा घेत आहे? आपल्याकडे असलेला डेटा वापरण्यासाठी येथे काही नवीन मार्ग आहेत.
Corporateक्सेसीबीलिटी करण्यासाठी अपाचे हॅडूप आणि संबंधित साधनांचा वापर करण्यापासून, मध्यवर्ती कॉर्पोरेट डेटा वेअरहाऊसमध्ये आणि डेटा बाहेर ठेवण्यासाठी तांत्रिक मार्गांबद्दल संभाषणांपर्यंत, मोठ्या डेटा आयटी सेटअप तयार करण्यामध्ये काय गुंतले आहे याबद्दल बरेच दिवस चर्चा आहे. परंतु मोठ्या डेटाचे तात्विक घटक देखील आहेत. दुसर्‍या शब्दांत, आपल्या व्यवसायाच्या परिणामास खरोखरच उत्तेजन देण्यासाठी आणि आपल्या व्यवसायाचे मॉडेल सुधारण्यासाठी आपण सुमारे पडलेला सर्व डेटा आपण कसा वापरता?कंपन्या क्रमांक क्रंच करीत आहेत आणि काही ठोस परिणामांवर त्यांना प्रत्यक्षात लागू करीत आहेत असे पाच मार्ग येथे आहेत.
पोर्ट बिग डेटा थेट सेक्टर-विशिष्ट प्लॅटफॉर्ममध्ये
एकत्रित व्यवसाय डेटा वापरणे सुरू करण्याचा एक सोपा मार्ग म्हणजे त्या डेटा प्रभावीपणे वितरीत करण्यासाठी तयार केलेल्या पूर्व-डिझाइन व्यवसाय प्रक्रिया प्रणालींमध्ये विशिष्ट डेटा घटक ठेवणे. ग्राहक उदाहरण व्यवस्थापन (सीआरएम) साधने याचे उत्तम उदाहरण आहे. विक्रेते बहुधा त्यांची सेवा डॅशबोर्डच्या आसपास तयार करतात जे विक्री कामगार आणि इतरांना कार्यक्षम आणि कारवाई करण्यायोग्य ग्राहक फायली किंवा फोल्डर्ससह सादर करू शकतात.गोष्ट अशी आहे की सीआरएम वापरल्याने असे गृहित धरले जाते की आपल्याकडे कुठेतरी आवश्यक डेटा आहे. आपण ग्राहक अभिज्ञापक, खरेदी इतिहास आणि इतर संबंधित आयटम एकत्रितपणे गटबद्ध करू शकत असल्यास आपण या सर्व गोष्टी आपल्या सीआरएम प्लॅटफॉर्मवर पाठविणे सुरू करू शकता. आपली विक्री कार्यसंघ आपले आभार मानेल.
बिल्ड आउट लेगसी बिझनेस इंटेलिजेंस सिस्टम
पुन्हा, आपण कोणता विशिष्ट डेटा वापरु इच्छित आहात ते निवडत आहात आणि निवडत आहात, परंतु कंपन्या करत असलेल्या आणखी एक गोष्ट म्हणजे त्यांचे पारंपारिक अहवाल देण्याच्या तंत्रात मोठ्या डेटाचे जास्तीत जास्त संच इंजेक्शन देऊन डेटा क्रंच करण्याचे आणि त्यांचे विस्तारण हळूहळू विस्तार करण्याचे सामान्य मार्ग आहेत. .ठीक आहे, म्हणूनच परंपरागत प्रणाली प्रत्यक्षात प्रगती किती मागे ठेवतात याविषयी काही सावध संसाधने आहेत. परंतु तेथे काही व्यावहारिक मार्गदर्शक देखील आहेत जे मोठ्या डेटासाठी लेगसी तंत्रज्ञान वापरण्यातील काही आव्हाने दर्शवितात, ते कसे केले जाऊ शकतात आणि योग्य कर्मचारी सर्व फरक कसा दर्शवू शकतात. शिवाय, तांत्रिकदृष्ट्या, प्रत्येक गोष्ट एकदा ती तैनात केल्यावर “लिगेसी” असते, म्हणून जेव्हा प्रत्येक वेळी काहीतरी चांगले येते तेव्हा एखाद्या लेगसी सिस्टमला स्क्रॅप करण्यास नेहमीच अर्थ नसतो.
ते डेटा वेअरहाउस वापरा
आपल्याकडे मध्यवर्ती भांडारात मोठा डेटा असल्यास आणि त्यामध्ये प्रवेश कसा करावा हे आपल्याला माहिती असल्यास आपण त्याभोवती नवीन प्रक्रिया तयार करू शकता.काही मोठ्या कंपन्या मोठ्या डेटाच्या विशिष्ट, अचूक, ठराविक उपयोगांचा कसा पाठपुरावा करतात याचे उत्कृष्ट उदाहरण येथे आहे. आपण याला क्रॉस-इंडेक्सिंग म्हणू शकता; हे सॉफ्टवेअर आर्किटेक्चरच्या वेगवेगळ्या भागात ठेवलेल्या त्यांच्या असंख्य प्रकारच्या ग्राहक खात्यांमधील सुसंगत मॉडेल्स तयार करण्यास एंटरप्राइझला मदत करते.
सर्व कारवाई करण्यायोग्य डेटा एकत्रित करून, एखादी कंपनी त्याच्या एक-वेळच्या पॉईंट-ऑफ-सेल रिटेल डेटाबेसमधील एखादी सेवा त्याच्या सेवा विभागातील नावाशी जुळते की नाही हे पाहण्यास सक्षम असेल. त्यानंतर ही कंपनी दोन्ही विभागांना माहिती आयात करते, जेणेकरुन जेव्हा कोणी फोन उचलतो तेव्हा त्यांना कळेल की ती व्यक्ती दोन्ही स्वतंत्र चॅनेलमध्ये सक्रिय आहे.
हा व्यवसायातील बुद्धिमत्तेचा व्यावहारिक वापर आहे - आपण एकत्रितपणे स्क्रॅप केलेल्या सर्व मोठ्या डेटाच्या आधारे हे काहीतरी खरोखर करण्यास मदत करते.
रचना डेटा
मोठ्या डेटासह आणखी एक प्रमुख समस्या म्हणजे कंपन्या बर्‍याचदा तुलनेने अप्रचलित डेटा गोळा करतात. संरचित डेटा कागदाच्या स्वरूपात किंवा डिजिटल दस्तऐवज, कच्चा किंवा अपरिभाषित डेटाबेस संसाधने किंवा मोबाइल डिव्हाइसवरील स्निपेट्स आणि कोडच्या स्वरूपात येऊ शकतो. अप्रबंधित डेटामध्ये काय सामान्य आहे ते रिलेशनल डेटाबेस स्वरुपाचे अनुसरण करीत नाही. परिणामी, पारंपारिक संबंधित डेटाबेस हे हाताळू शकत नाही आणि आपल्याला त्यातून कोणतीही व्यवसाय बुद्धिमत्ता मिळणार नाही.हे हाताळण्याचे दोन मार्ग आहेत: एक फावडे पकडणे आणि खोदणे सुरू करा किंवा काही संसाधने मिळवा ज्यातून अ-संरचित डेटाला परिपूर्ण डेटामध्ये परिष्कृत केले जाईल. ज्या कंपन्यांना नवीन सॉफ्टवेअरमध्ये गुंतवणूक करायची इच्छा नाही अशा मानवीय हातांनी नियोजित डेटाद्वारे क्रमवारी लावण्यासाठी आणि त्यास योग्यरित्या स्वरूपित करू शकतात, परंतु आता आपल्याकडे अशा काही साधनांचे आभार आहेत जे अशक्य डेटा प्रभावीपणे विश्लेषित करतील. उदाहरणार्थ, मेटाडेटा डेटा खन्यास स्वयंचलित करण्याचा एक मार्ग आहे ज्यायोगे तो उपयुक्त ठरतो.
डेटा लेक्स ओळखा आणि हाताळा
मोठ्या डेटा समुदायामधील आणखी एक मोठा buzzword म्हणजे डेटा लेक. मूलभूतपणे, डेटा लेक तिथे न वापरलेल्या बसलेल्या डेटाचा एक मोठा तलाव आहे. उर्वरित आकडेवारीची ही उत्स्फूर्त परिभाषा आहे - त्याच्याशी काहीही केले जात नाही, ते विचलित होणार नाही, हे स्थिर असलेल्या पाण्याचे आवरण म्हणून बर्फासारखे आणि शांत आहे.पुन्हा, डेटा सरोवर हाताळण्याचे बरेच वेगवेगळे मार्ग आहेत, परंतु या सर्व गोष्टी त्या मोठ्या डेटा सेटमध्ये काय आहेत आणि प्रथम कोल्ड स्टोरेजमध्ये का आहेत यावर विचार करण्यापासून सुरुवात करतात. कंपन्या स्वत: चे डेटा सेंटर तयार करीत आहेत आणि या डेटा सरोवरांना कारवाईयोग्य तुकडे करण्यासाठी अल्ट्रामोडर्न ऑब्जेक्ट-देणारं डेटा क्लस्टरिंग तंत्रज्ञान वापरत आहेत. हे खरोखर एखाद्या मालकीच्या केस-दर-प्रकरण आधारावर केले जाते, परंतु काही तज्ञांना माहिती डेटाचे तुकडे कुठेतरी संपून काही करून काही केल्या जातात अशा उपयोगी कालव्यांमधील डेटा तलावांचा कसा कसा बडबड करावा याबद्दल सल्ला आहेत.