Аналитика великих података - претварање увида у акцију



Овај блог говори о аналитици великих података, њеној важности, значењу, разним алатима потребним за њу и на крају различитим доменима и случајевима употребе.

Баш као што се каже да су читав универзум и наша галаксија настали услед експлозије Великог праска, слично, због толиког технолошког напретка, подаци такође експоненцијално расту, што доводи до експлозије великих података. Ови подаци долазе из различитих извора, имају различите формате, генеришу се променљивом брзином и такође могу садржати недоследности. Дакле, експлозију таквих података можемо једноставно назвати .Објаснићу следеће теме на овом блогу како бих вам пружио увид у Аналитику великих података:

Зашто Аналитика великих података?

Пре него што скочим да вам кажем шта је Аналитика, дозволите ми да вам кажем зашто је то потребно. Да вам такође откријем да свакодневно креирамо око 2,5 квинтилион бајта података! Дакле, сада када смо акумулирали велике податке, нити их можемо занемарити, нити их можемо пустити да мирују и учинити да пропадну.





Разне организације и сектори широм света почели су да усвајају аналитику великих података како би стекли бројне предности. Аналитика великих података даје увиде које многе компаније претварају у акције и остварују огроман профит као и открића. Навешћу четири таква разлога заједно са занимљивим примерима.

Први разлог је,



  1. Стварање паметније и ефикасније организације
    Дозволићу вам да вам кажем о једној таквој организацији, њујоршкој полицијској управи (НИПД). НИПД сјајно користи велике податке и аналитику за откривање и идентификовање злочина пре него што се догоде. Они анализирају историјске обрасце хапшења, а затим их мапирају са догађајима као што су савезни празници, плати, протоци саобраћаја, кише итд.То им помаже да одмах анализирају информације користећи ове обрасце података. Стратегија великих података и аналитикепомажеони идентификују места злочина преко којих распоређују своје официре на те локације. Стога досезањем ових локација пре него што су злочини почињени, спречавају појаву злочина.

  2. Оптимизирајте пословање анализирајући понашање купаца Већина организација користи бихејвиоралну аналитику купаца како би им пружила задовољство, а тиме и повећала базу купаца. Најбољи пример за то је Амазон. Амазон је једна од најбољих и најчешће коришћених веб локација за е-трговину са базом клијената од око 300 милиона. Користе купчеве податке о протоку кликова и историјске податке о куповини да би им пружили прилагођене резултате на прилагођеним веб страницама. Анализирајући кликови сваког посетиоца на њиховој веб локацији помажу им да разумеју њихово навигационо понашање, путање којима је корисник кренуо до куповине производа, путање које су их довеле до напуштања сајта и још много тога. Све ове информације помажу Амазону да побољша своје корисничко искуство, а тиме побољшава продају и маркетинг.
  3. Смањење трошкова Технологије великих података и технолошки напредак попут рачунарства у облаку доносе значајне трошковне предности када је у питању чување и обрада великих података. Дозволићу вам да вам кажем како здравство користи аналитику великих података да би смањило своје трошкове. Пацијенти данас користе нове сензорске уређаје када су код куће или вани, а који шаљу сталне токове података који се могу пратити и анализирати у реалном времену како би помогли пацијентима да избегну хоспитализацију самоуправљањем својим условима.За хоспитализоване пацијенте, лекари могу користити предиктивну аналитику да би оптимизовали исходе и смањили реадмисију.Болница Паркланд користи аналитику и предиктивно моделирање за идентификовање високо ризичних пацијената и предвиђање вероватних исхода након што пацијенте пошаљу кући. Као резултат тога, Паркланд је смањио 30-дневни пријем за пацијенте са срчаном инсуфицијенцијом, за 31%, уштедећи 500.000 УСД годишње.

Производи нове генерације

Уз могућност да се аналитиком мере потребе и задовољство купаца, долази снага да купцима пружите оно што желе. Овде сам пронашао три тако занимљива производа. Први , Гоогле-асамовозећи аутомобилшто чини милионе калкулација на сваком путовању које помажу аутомобилу да одлучи када и где ће скренути, да ли ће успорити или убрзати и када променити траку - исте одлуке доноси и човек возач за воланом.

Тхе друго један јеНетфлик који се две сезоне обавезао на своју изузетно популарну емисију Кућа од карата, потпуно поверивши се у Биг Дата Аналитицс! Прошле године је Нетфлик повећао базу претплатника у САД-у за 10% и додао скоро 20 милиона претплатника из целог света.



Тхе треће пример је једна од заиста нових ствари на које сам наишао, паметна јога подлога. Када први пут будете користили Смарт Мат, водиће вас кроз низ покрета за калибрацију облика, величине и личних ограничења тела. Ови подаци о личном профилу чувају се у вашој апликацији Смарт Мат и помоћи ће Смарт Мат-у да открије када нисте у равни или равнотежи. Временом ће се аутоматски развијати са ажурираним подацима како побољшавате своју јога праксу.

Шта је Аналитика великих података?

Сада да формално дефинишемо „Шта је Аналитика великих података?“ Аналитика великих података испитује велике и различите врсте података како би открила скривене обрасце, корелације и друге увиде. У основи, компаније Биг Дата Аналитицс користе у великој мери како би им олакшале раст и развој. Ово углавном укључује примену различитих алгоритама за руковање подацима на дати скуп података, што ће им помоћи у бољем доношењу одлука.

Фазе у аналитици великих података

Ово су следеће фазе укључене у процес Аналитике великих података:

Врсте аналитике великих података

Постоје четири врсте:

  1. Описна аналитика: Користи агрегацију података и рударење података како би пружио увид у прошлост и одговорио: „Шта се догодило?“ Дескриптивна аналитика ради тачно оно што назив подразумева, они „описују“ или сумирају сирове податке и чине их људима разумљивим.
  2. Предиктивна аналитика: Користи статистичке моделе и технике предвиђања да би разумео будућност и одговорио: „Шта би се могло догодити?“ Предиктивна аналитика пружа предузећима увиде на основу података. Даје процене о вероватноћи будућег исхода.
  3. Прескриптивна аналитика: Користи алгоритме за оптимизацију и симулацију за савете о могућим исходима и одговорима: „Шта да радимо?“ Омогућава корисницима да „пропишу“ низ различитих могућих радњи и воде их ка решењу. Укратко, ова аналитика се бави пружањем савета.
  4. Дијагностичка аналитика: Користи се за утврђивање зашто се нешто догодило у прошлости. Карактеришу га технике као што су детаљно анализирање, откривање података, рударење подацима и корелације. Дијагностичка аналитика дубље проучава податке како би разумела основне узроке догађаја.

Велики података Алати

Ово су неки од следећих алата који се користе за аналитику великих података: Хадооп , , Апацхе ХБасе , Апацхе Спарк , , , Апацхе Хиве , Кафка .

Домене великих података

  • Здравствена заштита: Здравство користи аналитику великих података за смањење трошкова, предвиђање епидемија, избегавање болести које се могу спречити и побољшање квалитета живота уопште. Један од најраспрострањенијихпримена великих података у здравству је Електронска здравствена евиденција (ЕХР).
  • Телеком: Они су један од најзначајнијих сарадника за Биг Дата. Телеком индустрија побољшава квалитет услуге иусмерава саобраћај ефикасније. Анализом евиденције података о позивима у реалном времену, ове компаније могу да идентификују превара и одмах реагују на њих. Маркетиншка служба може да модификује своје кампање како би боље циљала своје купце и користила стечене увиде за развој нових производа и услуга.
  • Осигурање: Ове компаније користе аналитику великих података за процену ризика, откривање превара, маркетинг, увид у купце, искуство купаца и још много тога.
  • Влада: Индијска влада је користила аналитику великих података да би добила процену трговине у земљи. Користили су централне фактуре пореза на промет како би анализирали у којој мери државе тргују једна с другом.
  • Финансије: Банке и компаније за финансијске услуге користе аналитику да би разликовале лажне интеракције од легитимних пословних трансакција. Аналитички системи предлажу тренутне радње, попут блокирања нерегуларних трансакција, чиме се превара зауставља пре него што се догоди и побољшава профитабилност.
  • Аутомобиле: Роллс Роице који је прихватио Биг Дата уградивши стотине сензора у своје моторе и погонске системе, који бележе све ситне детаље о њиховом раду. О променама података у реалном времену извештавају се инжењери који ће одлучити који је најбољи пут деловања, попут заказивања одржавања или отпреме инжењерских тимова.
  • Образовање: Ово је једно поље у којем се аналитика великих података апсорбује полако и постепено.Одлучивање за технологију засновану на великим подацима као алат за учење уместо традиционалних метода предавања, побољшало је учење ученика као и помогло наставницима да боље прате њихов учинак.
  • Малопродаја: Малопродаја, укључујући е-трговину и продавнице, широко користи Аналитику великих података за оптимизацију свог пословања. На пример, Амазон, Валмарт итд.

Случајеви коришћења великих података

Први случај који сам овде узео је Старбуцкс.

Други случај коришћења који желим да поделим са вама је Процтер & Гамбле.

Трендови у аналитици великих података

Слика испод приказује тржишни приход великих података умилијардеАмерички долари од 2011. до 2027. године.

Ево неких Чињенице и статистике Форбеса :

Напредак у каријери у аналитици великих података:

  • Аспекти плата: Просечна зарада на пословима аналитике је око 94.167 долара. Дата Сциентист проглашен је за најбољи посао у Америци већ три године, са средњом основном платом од 110.000 америчких долара и 4.524 отворених радних места. У Индији је проценат аналитичара који заповедају платама мањим од ИНР 10 Лакхс нижи Проценат аналитичара који зарађују више од ИНР 15 Лакх је повећан са 17% у 2016. до двадесет један% у 2017. до 22,3% у 2018. години.
  • Огромне могућности за посао: Компаније попут Гоогле-а, Аппле-а, ИБМ-а, Адобе-а, Куалцомма-а и многих других запошљавају стручњаке за Биг Дата Аналитицс.

Скиллсет

Ово су неке од вештина које су потребне у зависности од улоге у пољу Аналитике великих података:

  • Основно програмирање: Треба имати знање о барем неком програмском језику опште намене, као што су Јава и Питхон.
  • Статистичка и квантитативна анализа: Имати идеју о статистици и квантитативној анализи је идеално.
  • Складиштење података: Потребно је познавање СКЛ и НоСКЛ база података.
  • Визуализација података: Веома је важно знати како визуализовати податке како бисте могли да разумете увиде и примените их на делу.
  • Специфично пословно знање: Човек мора нужно бити свестан посла у коме примењују аналитику како би оптимизирао своје пословање.
  • Рачунски оквири: Пожељно би било знати најмање један или два алата потребна за аналитику великих података.

Сада када знате аналитику великих података, погледајте Едурека, поуздана компанија за учење на мрежи са мрежом од више од 250.000 задовољних ученика раширених широм света. Едурека курс обуке за сертификацију великих података помаже ученицима да постану стручњаци за ХДФС, предиво, МапРедуце, ​​свињу, кошницу, ХБасе, Оозие, Флуме и Скооп користећи случајеве коришћења у реалном времену на малопродаји, друштвеним медијима, ваздухопловству, туризму, финансијском домену.

шта је поступак у скл-у

Имате питање за нас? Молимо вас да то споменете у одељку за коментаре и јавићемо вам се.