Indhold
- Inddrag alle forretningsafsnit i et big data-initiativ
- Evaluer alle infrastrukturmodeller til implementering af big data
- Overvej traditionelle datakilder i big data-planlægning
- Overvej et konsekvent sæt af data
- Distribuer dataene
- Stol aldrig på en enkelt big data analytics-tilgang
- Start ikke big big data-initiativ, før du er klar
- Brug ikke data isoleret
- Ignorerer ikke datasikkerhed
- Ignorerer ikke performance-delen af big data-analyse
Kilde: Rawpixelimages / Dreamstime.com
Tag væk:
Big data er et nyt og nye domæne for de fleste virksomheder. At få det til at arbejde kræver omhyggelig finjustering og brug af bedste praksis.
Big data giver mange løfter for alle typer industrier. Hvis disse store data udnyttes effektivt og effektivt, kan det have en betydelig indflydelse på beslutningstagning og analyse. Men fordelen ved big data kan kun opnås, hvis de styres på en struktureret måde. Den bedste praksis med big data etableres gradvist, men der er allerede nogle klare doser og ikke, når det kommer til implementering.Følgende vejledning er baseret på praktisk erfaring og viden indsamlet fra virkelige projekter. Her er mine top big data dos og donts.
Inddrag alle forretningsafsnit i et big data-initiativ
Et big data-initiativ er ikke en isoleret og uafhængig aktivitet, og involvering af alle forretningsenheder er et must for at få reel værdi og indsigt. Big data kan hjælpe organisationer med at udnytte store mængder data og få indsigt i kundeadfærd, begivenheder, tendenser, forudsigelser osv. Dette er ikke muligt med et datasnapshot, der kun fanger en del af hele datamængden behandlet i big data. Som et resultat koncentrerer virksomheder sig i stigende grad mere om alle typer data, der kommer fra alle mulige veje / forretningsenheder for at forstå det rigtige mønster.Evaluer alle infrastrukturmodeller til implementering af big data
Mængden af data og styring heraf er et stort problem for ethvert big data-initiativ. Da big data omhandler petabytes af data, er den eneste løsning til at styre dem ved at bruge datacentre. Samtidig skal omkostningskomponenten overvejes, inden der vælges og færdiggøres en lagringsfacilitet. Cloudtjenester er ofte det bedste valg, men tjenesterne i forskellige skymiljøer skal evalueres for at bestemme det passende. Da opbevaring er en af de vigtigste komponenter i enhver big data-implementering, er det en faktor, der bør evalueres meget omhyggeligt i ethvert big data-initiativ. (Få et andet perspektiv i dagens Big Data Challenge stammer fra variation, ikke volumen eller hastighed.)Overvej traditionelle datakilder i big data-planlægning
Der er forskellige kilder til big data, og antallet af kilder stiger også dag for dag. Denne enorme datamængde bruges som input til behandling af big data. Som et resultat mener nogle virksomheder, at traditionelle datakilder ikke nytter. Dette er ikke sandt, da disse traditionelle data er en kritisk komponent for succes for enhver big data-historie. Traditionelle data indeholder værdifuld information, så de bør bruges sammen med andre big datakilder. Den reelle værdi af big data kan kun udledes, hvis der tages højde for alle datakilder (traditionelle og ikke-traditionelle). (Lær mere i Take That, Big Data! Hvorfor små data kan pakke et større stempel.)Overvej et konsekvent sæt af data
I et big data-miljø kommer data fra forskellige kilder. Format, struktur og datatyper varierer fra en kilde til en anden. Den vigtigste del er, at dataene ikke renses, når det kommer til dit big data-miljø. Så før du har tillid til de indgående data, skal du kontrollere konsistensen ved gentagen observation og analyse. Når dataets konsistens er bekræftet, kan de behandles som et konsistent sæt metadata. At finde et konsistent sæt metadata ved omhyggelig observation af mønsteret er en vigtig øvelse i enhver big data-planlægning.Distribuer dataene
Mængden af data er et stort problem, når vi overvejer et behandlingsmiljø. På grund af den enorme mængde data, som big data behandler, er behandling på en enkelt server ikke mulig. Løsningen er et Hadoop-miljø, som er et distribueret computermiljø, der kører på råvarehardware. Det giver kraften i hurtigere behandling på flere noder. (Lær mere i 7 ting at vide om Hadoop.)Stol aldrig på en enkelt big data analytics-tilgang
Der er forskellige teknologier tilgængelige på markedet til behandling af big data. Grundlaget for alle big data-teknologier er Apache Hadoop og MapReduce. Derfor er det vigtigt at evaluere den rigtige teknologi til det rigtige formål. Nogle af de vigtige analytiske tilgange er forudsigelsesanalyse, receptpligtig analyse, analyse, stream dataanalyse osv. Valg af den passende metode / tilgang er vigtig for at nå det ønskede mål. Det er bedst at undgå at stole på en enkelt tilgang, men at undersøge forskellige tilgange og vælge det perfekte match til din løsning.Start ikke big big data-initiativ, før du er klar
Det anbefales altid at starte med små trin til ethvert big data-initiativ. Så start med pilotprojekter for at få ekspertise og derefter gå til faktisk implementering. Potentialet ved big data er meget imponerende, men den reelle værdi kan kun opnås, når vi reducerer vores fejl og får mere ekspertise.Brug ikke data isoleret
Store datakilder er spredt omkring os, og de stiger dag for dag. Det er vigtigt at integrere alle disse data for at få korrekt analytisk output. Der findes forskellige værktøjer på markedet for dataintegration, men de bør evalueres korrekt inden brug. Integration af big data er en kompleks opgave, da dataene fra forskellige kilder er af forskellig format, men det kræves meget for at få et godt analyseresultat.Ignorerer ikke datasikkerhed
Datasikkerhed er en vigtig faktor i planlægningen af big data. Oprindeligt (inden der udføres nogen behandling) er dataene i petabytes, så sikkerheden ikke implementeres strengt. Men efter en vis behandling vil du få en undergruppe af data, der giver en vis indsigt. På dette tidspunkt bliver datasikkerhed afgørende. Jo mere dataene behandles og finjusteres, jo mere værdifulde bliver de ofte for en organisation. Disse finindstillede outputdata er intellektuel ejendom og skal sikres. Datasikkerhed skal implementeres som en del af livscyklussen for store data.Ignorerer ikke performance-delen af big data-analyse
Outputet fra big data-analyse er kun nyttigt, når det giver god ydelse. Big data giver mere indsigt baseret på behandlingen af en enorm mængde data med en hurtigere hastighed. Derfor er det vigtigt at styre det effektivt og effektivt. Hvis effektiviteten af big data ikke styres omhyggeligt, vil det medføre problemer og gøre hele indsatsen meningsløs.I vores diskussion har vi fokuseret på dos og donts fra big data-initiativer. Big data er et voksende område, og når det kommer til implementering er mange virksomheder stadig i planlægningsfasen. Det er vigtigt at forstå bedste data for bedste data for at minimere risiko og fejl. Diskussionspunkterne er afledt af live-projektoplevelser, så det vil give nogle retningslinjer for, hvordan en big data-strategi bliver vellykket.