Bariery dla analityki w czasie rzeczywistym

Big Data zapewnia wartość firmom z wielu branż na wielu poziomach. Weźmy na przykład branżę detaliczną. Sektor zmaga się z coraz bardziej złożonym ekosystemem, którego potrzeby i preferencje ewoluują z minuty na minutę. Potrójne wymagania klientów dotyczące szybszego świadczenia usług, najwyższej jakości i niższych cen są tym, co powoduje powstanie dużych zbiorów danych jako broni do przeciwdziałania tym wymaganiom i odpowiedniego ich zaspokojenia, aby uniknąć utraty przychodów.

Pierwszym krokiem do spełnienia tych wymagań jest poznanie opinii klientów o danej marce. Pomoże to sprzedawcom określić, czego potrzebują klienci. Dzięki ukierunkowanemu przeszukiwaniu sieci dostarczanemu przez wyspecjalizowane firmy zajmujące się wydobywaniem danych , firmy mają teraz możliwość uzyskiwania z doskonałym skutkiem danych z potencjalnie milionów stron internetowych i platform mediów społecznościowych.

Analiza dużych zbiorów danych generowanych podczas indeksowania sieci i ekstrakcji danych

Kolejnym krokiem jest przeprowadzenie analizy danych zebranych podczas indeksowania sieci. Pomoże to analitykom danych i menedżerom ds. marketingu zrozumieć potrzeby, pragnienia, preferencje i wybory wymagane przez klientów. W rezultacie decydenci w branży detalicznej mogą szybko działać, aby wypełnić luki w popycie lub dostosować swój asortyment produktów, aby dopasować go do tego, co chcą zobaczyć klienci. Jednak analiza danych nie będzie łatwa, gdy będziesz mieć do analizy miliony wierszy danych. Według Gartnera, dane będą rosnąć w niespotykanym dotąd 800% w ciągu najbliższych 5 lat, a 80% danych będzie nieustrukturyzowanych. W związku z tym potrzeba analizy big data eksploduje dopiero w ciągu najbliższych kilku lat.

Jak analityka danych ewoluowała na przestrzeni lat?

Chociaż analiza danych istnieje od wielu lat, to skala i szybkość, z jaką dane obecnie napływają, stwarza problemy dla analityków i naukowców zajmujących się danymi. Jak mówi Anant Rajaraman, starszy wiceprezes w Walmart Global e-commerce i współzałożyciel @WalmartLabs: „ Wiele osób wie, jak pracować z danymi, ale teraz jest o wiele więcej danych, więc możesz robić różne rzeczy z nim i sposób, w jaki z nim pracujesz, może się bardzo różnić… Narzędzia [dla Big Data] są bardzo różne. Wiele podstawowych algorytmów analizy predykcyjnej zależy przede wszystkim od utrzymywania danych w pamięci głównej za pomocą jednego procesora, aby uzyskać do nich dostęp. Big Data łamie ten warunek. Wszystkie dane nie mogą znajdować się w pamięci w tym samym czasie, dlatego muszą być przetwarzane w sposób rozproszony. To wymaga nowego modelu programowania. ”

Potrzeba analizy danych w czasie rzeczywistym

Jeśli spojrzymy kilka lat wstecz, w schemacie działania marketerów cyfrowych bardzo brakowało przewagi, jaką daje analityka w czasie rzeczywistym . To ograniczenie stwarzało problemy na kilku frontach dla reklamodawców, menedżerów marketingu i decydentów . Chociaż korzystali ze statystyk sprzed zaledwie kilku dni lub tygodni, ten okres wystarczył, aby dane stały się nieaktualne, dzięki ogromnej prędkości big data. Stworzyło to zapotrzebowanie na szybszy dostęp do informacji i wykonywanie analiz w krótszym czasie.

Wartość oferowana przez duże zbiory danych jest wystarczająco uzasadniona , aby firmy szukały szybszych wyników analizy danych i spostrzeżeń. Jako dyrektor ds. technologii firmy EMC, będący właścicielem Greenplum, Duke Lonergan mówi: „Każda firma poszukuje sposobów na nawiązanie ściślejszych kontaktów ze swoimi klientami, poprawienie przewidywań i przesunięcie ich wzdłuż trajektorii. W związku z Big Data widzimy pewną pilną potrzebę. ”

Pokazuje to, że świat biznesu i technologii coraz bardziej skłania się ku analizie danych big data w czasie rzeczywistym na danych wyodrębnionych z przeszukiwania sieci i umiejętności ekstrakcji danych ekspertów w tej dziedzinie. Za pomocą analizy danych w czasie rzeczywistym menedżerowie ds. marketingu i kadra kierownicza wyższego szczebla mogą zobaczyć w czasie rzeczywistym różne wskaźniki wydajności, takie jak liczba osób oglądających dany produkt, liczba odpowiadających na produkt online i liczba faktycznie go kupując. Firmie pomaga zwiększyć lub zmniejszyć wydatki cyfrowe w oparciu o to, o czym ludzie faktycznie mówią i co jest na topie w danym momencie. Optymalizacja wydatków cyfrowych pomaga marce zacieśnić relacje z klientami i budować długoterminową wartość marki.

Wyzwania w analizie danych w czasie rzeczywistym

Jednak chociaż analiza danych w czasie rzeczywistym może wyglądać fantastycznie w teorii, w rzeczywistym projektowaniu i dostarczaniu staje się nieco skomplikowana. Analizy danych w czasie rzeczywistym generowane za pomocą indeksowania sieci wykonywanego przez firmy zajmujące się wydobywaniem danych powinny zasadniczo służyć następującym celom:

• Analizuj dane przez długi czas, aby pomóc odkryć wzorce i odblokować warte poznania trendy
• Twórz modele do prognozowania przyszłości lub opracowuj systemy sterowania
• Pomoc w korelacji pozornie niepowiązanych parametrów. Na przykład więcej informacji na temat stylu jazdy można uzyskać, badając parametry, takie jak dane z czujników IoT dotyczące przyspieszenia i prędkości.

Jak widać, istnieje wiele istotnych wyzwań do pokonania, zanim zwrot z inwestycji w analitykę w czasie rzeczywistym stanie się atrakcyjny. Poniżej przedstawiamy niektóre z kluczowych wyzwań –

1. Zależność od starszych systemów : Cofając się kilka lat wstecz – około 2009 r., proste zapytanie i odnalezienie danych do odpowiedzi na zapytanie zajęło DUŻO czasu. Załóżmy, że jeśli masz zapytanie „Ilu klientów przegląda moje witryny za pomocą telefonu z Androidem”, pierwszym krokiem do uzyskania odpowiedzi na to zapytanie byłoby ulepszenie schematu w hurtowni danych. Sam ten krok zająłby średnio kilka miesięcy .

Stąd powszechną tendencją menedżerów danych było wcześniejsze wymyślenie pytań podczas projektowania schematu i hurtowni tak, aby była ona dopasowana do odpowiedzi na zapytania, gdy faktycznie się pojawią. Jednak w dynamicznym środowisku nie jest to już możliwe do zrealizowania. Dlatego zależność od starszych systemów bez uaktualniania do gotowych na przyszłość narzędzi do analizy danych w czasie rzeczywistym, takich jak Vertica, Hive i MapReduce, stanowi dużą przeszkodę w analizowaniu danych w czasie rzeczywistym .

2. Jak szybko jest dzisiaj : Poprawa krajobrazu technologicznego sprawiła, że ​​całe procesy analityczne, które kiedyś zajmowały miesiące, tygodnie i dni, teraz zajmują minuty, sekundy i mikrosekundy. Analitycy danych muszą po prostu pomyśleć o zapytaniu i altówce! Wyniki swoich eksperymentów i hipotez mają przed sobą praktycznie w mgnieniu oka. Krótszy czas przetwarzania na potrzeby analizy danych spowodował wzrost oczekiwań.

Jak mówi Justin Erickson, starszy menedżer produktu Cloudera: „ Chodzi o szybsze poruszanie się w kierunku nieznanych wcześniej pytań, zdefiniowanie nowych spostrzeżeń i skrócenie czasu między zdarzeniem, które ma miejsce gdzieś na świecie, a reakcją lub reakcją na to zdarzenie. ” Stąd rosnące zapotrzebowanie na skrócenie czasu analizy danych i generowania wglądu jest barierą w dostarczaniu wartości dzięki analizie danych w czasie rzeczywistym.

3. Podejmowanie decyzji: jest prawie pewne, że technologie, procesy i ludzie mogą teraz szybko gromadzić dane poprzez ich ekstrakcję i indeksowanie sieci . Mogą teraz również wykorzystywać i analizować dane w czasie rzeczywistym. Ale jak sobie radzimy, jeśli chodzi o podejmowanie działań i podejmowanie decyzji na podstawie analizy danych? Są tu dwie opcje –

• Zorientowanie na człowieka — tradycyjne podejście, w którym osoba starsza lub osoba podejmująca decyzje przyjrzy się wynikom analiz, a następnie podejmie decyzje na podstawie tych spostrzeżeń i wizualizacji
• Zautomatyzowany system — zautomatyzowany proces może pomóc w podjęciu decyzji na podstawie określonego zestawu wyników bez czekania na interwencję ludzi.

Oczywiste jest, że posiadanie zautomatyzowanego systemu pomoże poprawić skuteczność analizy danych w czasie rzeczywistym i późniejszego procesu decyzyjnego. Jednak jego niezdolność do dopasowania się do wiarygodności działań podejmowanych w procesie decyzyjnym daje przewagę w podejmowaniu decyzji zorientowanych na człowieka. To znowu jest przeszkodą w poprawie efektywności analityki danych w czasie rzeczywistym.

4. Zmiana kulturowa : Dostępność i dostępność analiz w czasie rzeczywistym wpłynie również na obecny sposób funkcjonowania firm. Spostrzeżenia w czasie rzeczywistym zaleją firmy, które są przyzwyczajone do pracy nad spostrzeżeniami raz lub dwa razy w tygodniu. Wyobraź sobie, że firma zbudowała ludzi, procesy i wskaźniki wydajności na podstawie podejścia polegającego na podejściu do analizy raz w tygodniu? Co stanie się z danymi, produktywnością i wydajnością, gdy statystyki zaczną napływać codziennie, a nie co tydzień, dzięki analizie danych w czasie rzeczywistym?

Rezultatem będzie chaos, jeśli transformacja nie zostanie zaplanowana w strategiczny sposób. Dzieje się tak, ponieważ codzienne otrzymywanie i działanie na podstawie wglądów w każdej sekundzie będzie wymagało innej kultury i podejścia niż tradycyjne podejście polegające na działaniu w oparciu o wgląd co tydzień. Takie bariery kulturowe w korporacyjnym miejscu pracy w przyjmowaniu analizy danych w czasie rzeczywistym również nie będą rzadkością.

Podsumowując

Podsumowując, ogromna propozycja wartości oferowana przez analitykę dużych zbiorów danych w czasie rzeczywistym pomoże napędzać dzisiejsze główne sektory przemysłu do pokonania konkurencji w zakresie obsługi klientów w zadowalający sposób i uzyskania przewagi konkurencyjnej. Pod warunkiem, że są w stanie w zadowalający sposób sprostać wyzwaniom.

Planujesz pozyskiwać dane z sieci? Jesteśmy tutaj, aby pomóc. Daj nam znać o swoich wymaganiach.