2 Hvad Er Store Data? DK
Hvad Er Store Data?
-
Data af en meget stor størrelse, typisk i det omfang, at dens manipulation og styring giver væsentlige
logistiske udfordringer. Oxford English Dictionary. - En ny holdning fra virksomheder, nonprofitorganisationer, offentlige agenturer og enkeltpersoner, der anerkender, at kombination af data fra flere kilder kan føre til bedre beslutninger. Gill Press i Forbes, 2014.
- Informationskapaciteter i høj volumen, høj hastighed og stor variation, der kræver omkostningseffektive, innovative former for informationsbehandling for forbedret indsigt og beslutningstagning. Gartner, 2014
Før vi begynder, lad os indstille scenen ved at læse
MODELL T FORD
Ford Model T er en bil produceret af Ford Motor Company fra 1. oktober 1908 til 26. maj 1927. Det betragtes generelt som den første overkommelige bil, den bil, der åbnede rejse til den fælles middelklasseamerikaner.
Ford Piquette Avenue-anlægget kunne ikke følge med efterspørgslen efter Model T, og kun 11 biler blev bygget der i løbet af den første fulde produktionsmåned. I 1910, næsten efter samling 12.000 Model Ts, Henry Ford flyttede virksomheden til det nye Highland Park-kompleks. I løbet af denne tid overgik produktionssystemet Model T til et ikonisk eksempel på produktion af samlebånd; i de efterfølgende årtier ville det også komme til at betragtes som det klassiske eksempel på den stive første generation af versionen af samlebåndsproduktion.
I 1914 producerede Ford flere biler end alle andre bilproducenter tilsammen. Model T var en stor kommerciel succes, og da Henry lavede sin 10 million. bil var halvdelen af alle biler i verden Fords. Det var så vellykket, Ford købte ikke nogen reklame mellem 1917 og 1923.
Henry Fords ideologiske tilgang til Model T-design var en af at få det rigtigt og derefter holde det samme; han troede, at Model T var al den bil, en person ville eller kunne have brug for nogensinde. Da andre virksomheder tilbød komfort- og stylingfordele til konkurrencedygtige priser, mistede Model T markedsandel. Designændringer var ikke så få som offentligheden opfattede, men ideen om en uforanderlig model blev holdt intakt. Til sidst, den 26. maj 1927, stoppede Ford Motor Company den amerikanske produktion.
fortolkning:
I nutidens verden synes ideen om kun ÉN type produkt meget forældet. Ford mistede markedsandelen, da forbrugerne ville have forskellige typer biler med forskellige funktioner, der passer til deres behov og smag.
Dagens forbrugere ønsker personaliserede tjenester. Rentabiliteten afhænger af det. Vi kan ikke generalisere mere.
Sammenlign “én størrelse passer alle” Model T med dagens online detailhandel, hvor viden om en kundes behov og interesser er afgørende for at vinde deres forretning.
Og hvordan kan vi finde ud af om deres behov og interesser og skræddersy vores service til dem?
Det er kraften i data.
Begrænsninger i den ene størrelse passer til alle modeller i æraen med digitale data.
2.1 De 5 Vs Big Data
Volumen
Alt i Data Management-verdenen skaleres massivt, eksponentielt og ubarmhjertigt.
Så længe den daglige forretning udføres online, vil data fortsat stige i volumen og størrelse.
Velocity
Big datateknologi giver os mulighed for at analysere dataene, mens de genereres, uden nogensinde at lægge dem i databaser.
For mange virksomheder er hastigheden af oprettelse af data endnu vigtigere end volumen.
Indsigt i realtid
MIT Media Lab brugte lokaliseringsdata fra telefoner til at udlede, hvor mange der var på Macy’s parkeringspladser på Black Friday.
De kunne estimere detailhandlerens salg den kritiske dag, selv før Macy’s selv havde registreret dette salg.
Hurtig indsigt giver analytikere og ledere en åbenlys konkurrencefordel.
Variation
Før data overvejende var struktureret – det var numerisk og meget organiseret. I dag er 80% af verdens data ustrukturerede, herunder fotos, opdateringer på sociale medier, aflæsninger fra sensorer osv.
Dagens store datateknologi gør det muligt at høste, gemme og bruge strukturerede og ustrukturerede data samtidigt.
Ærlighed
Big data kan være en vigtig del af forretningsstrategi og vækst, men store datamængder er ikke til nogen nytte, hvis dataene ikke er nøjagtige.
De mest almindelige problemer er ufuldstændighed i data og uoverensstemmelser. Når disse er kendt og bogført, kan data renses, eller der kan tages højde for problemer.
Værdi
Med så mange data omkring er det let at falde i buzz-fælden og gå i gang med big data-initiativer uden en klar forståelse af den forretningsværdi, den vil bringe.
Tilpasning af data, der passer til dine forretningsbehov, giver dig mulighed for at frigøre det skjulte potentiale inden for de oplysninger, du har samlet, hvilket betyder, at du får mest muligt ud af dine data.
2.2 Forstående Data
MASKIN GENEREREDE DATA
Inkluderer transaktioner med finansielle systemer, cloud-applikationer, opkaldsdetaljer, medicinsk udstyr, GPS data og sensordata.
Det er værdifuldt, fordi det indeholder en endelig, realtidsregistrering af brugernes adfærd og deres transaktioner.
SOCIALE DATA
Oplysninger, der bruger sociale medier offentligt, herunder metadata som brugerens placering, talte sprog, biografiske data og / eller delte links. Det er værdifuldt for marketingfolk, der leder efter kundeindsigt, der kan øge salget.
MENNESKE GENEREREDE DATA
Eksisterer som ikke-numeriske, ustrukturerede datasæt fra online-undersøgelser, indlæg på sociale medier, endda telefonopkald. Det er værdifuldt, fordi det beskriver en persons interesser de sociale aspekter af menneskelig interaktion, men det kan være meget vanskeligt at analysere
META DATA
Data, der indeholder oplysninger om andre data. For eksempel udgør information om titlen, emnet, forfatteren og størrelsen på et dokument metadata om det dokument.
STRUKTURERET
Høj grad af organisation, såsom relationsdatabase.
Eksempler: Datoer, telefonnumre, kundenavne, transaktionsoplysninger …
ustruktureret
Oplysninger, der er vanskelige at organisere ved hjælp af traditionelle mekanismer.
Eksempler: Billeder, sociale medier…
SEMI STRUKTURERET
Oplysninger ikke i en database, men der har nogle organisatoriske egenskaber, der gør det lettere at analysere
Eksempler: Websteder, XML, e-mails …