- Ο υπολογιστής καθορίζει τον τύπο αρχείου με ακρίβεια.
- Με Προεπιλογή των Windowsδεν εμφανίζει επεκτάσεις ονόματος αρχείου.
- Ορισμένοι χαρακτήρες δεν μπορούν να χρησιμοποιηθούν στο όνομα και την επέκταση του αρχείου.
- Δεν σχετίζονται όλες οι μορφές με το ίδιο πρόγραμμα.
- Παρακάτω είναι όλα τα προγράμματα που μπορούν να ανοίξουν το BIG αρχείο.
XnView - Όμορφο ισχυρό πρόγραμμα, το οποίο συνδυάζει πολλές λειτουργίες για εργασία με εικόνες. Μπορεί να είναι μια απλή προβολή αρχείων, και η μετατροπή τους, και μικρή επεξεργασία. Είναι cross-platform, γεγονός που του επιτρέπει να χρησιμοποιείται σχεδόν σε οποιοδήποτε σύστημα. Το πρόγραμμα είναι επίσης μοναδικό στο ότι υποστηρίζει περίπου 400 διάφορες μορφέςεικόνες, μεταξύ των οποίων υπάρχουν τόσο οι πιο χρησιμοποιημένες και δημοφιλείς όσο και οι μη τυπικές μορφές. Το XnView μπορεί να μετατρέψει ομαδικές εικόνες. Είναι αλήθεια ότι μπορούν να μετατραπούν μόνο σε 50 μορφές, αλλά μεταξύ αυτών των 50 μορφών υπάρχουν όλες οι δημοφιλείς επεκτάσεις.
Το XnConvert είναι ένα χρήσιμο βοηθητικό πρόγραμμα για τη μετατροπή και την προεπεξεργασία φωτογραφιών και εικόνων. Λειτουργεί με 400+ μορφές. Υποστηρίζει όλες τις δημοφιλείς μορφές γραφικών. Με απλά εργαλεία XnConvert, μπορείτε να προσαρμόσετε τη φωτεινότητα, το γάμμα και την αντίθεση. Στην εφαρμογή, μπορείτε να αλλάξετε το μέγεθος των φωτογραφιών, να εφαρμόσετε φίλτρα και μια σειρά από δημοφιλή εφέ. Ο χρήστης μπορεί να προσθέσει υδατογραφήματα και να κάνει ρετουσάρισμα. Χρησιμοποιώντας την εφαρμογή, μπορείτε να αφαιρέσετε μεταδεδομένα, να περικόψετε αρχεία και να τα περιστρέψετε. Το XnConvert διατηρεί ένα αρχείο καταγραφής στο οποίο ο χρήστης θα τα δει όλα λεπτομερείς πληροφορίεςγια τους πρόσφατους χειρισμούς της εικόνας του.
Σύμφωνα με έρευνες & τάσεις
Τα Big Data, τα "Big Data" έχουν γίνει το talk of the town στον Τύπο πληροφορικής και μάρκετινγκ εδώ και αρκετά χρόνια. Και είναι σαφές: οι ψηφιακές τεχνολογίες έχουν διαποτίσει τη ζωή ενός σύγχρονου ανθρώπου, «όλα είναι γραμμένα». Ο όγκος των δεδομένων στο μέγιστο διαφορετικές πλευρέςτης ζωής αυξάνεται, και ταυτόχρονα, αυξάνονται οι δυνατότητες αποθήκευσης πληροφοριών.
Παγκόσμιες τεχνολογίες αποθήκευσης πληροφοριών
Πηγή: Hilbert και Lopez, «Η τεχνολογική ικανότητα του κόσμου να αποθηκεύει, να επικοινωνεί και να υπολογίζει πληροφορίες», Science, 2011 Global.
Οι περισσότεροι ειδικοί συμφωνούν ότι η επιτάχυνση της ανάπτυξης δεδομένων είναι μια αντικειμενική πραγματικότητα. Κοινωνικά δίκτυα, κινητές συσκευές, δεδομένα από συσκευές μέτρησης, επιχειρηματικές πληροφορίες - αυτοί είναι μόνο μερικοί τύποι πηγών που μπορούν να δημιουργήσουν τεράστιες ποσότητες πληροφοριών. Σύμφωνα με έρευνα IDCΨηφιακό σύμπαν, που δημοσιεύτηκε το 2012, τα επόμενα 8 χρόνια η ποσότητα δεδομένων στον κόσμο θα φτάσει τα 40 Zb (zettabytes), που ισοδυναμεί με 5200 GB ανά κάτοικο του πλανήτη.
Η αύξηση των συλλεχθέντων ψηφιακές πληροφορίεςστις ΗΠΑ
Πηγή: IDC
Ένα σημαντικό μέρος των πληροφοριών δεν δημιουργείται από ανθρώπους, αλλά από ρομπότ που αλληλεπιδρούν τόσο μεταξύ τους όσο και με άλλα δίκτυα δεδομένων, όπως, για παράδειγμα, αισθητήρες και έξυπνες συσκευές. Με αυτόν τον ρυθμό ανάπτυξης, ο όγκος των δεδομένων στον κόσμο, σύμφωνα με τους ερευνητές, θα διπλασιάζεται κάθε χρόνο. Ο αριθμός των εικονικών και φυσικών διακομιστών στον κόσμο θα δεκαπλασιαστεί λόγω της επέκτασης και της δημιουργίας νέων κέντρων δεδομένων. Ως αποτέλεσμα, υπάρχει μια αυξανόμενη ανάγκη για αποτελεσματική χρήσηκαι τη δημιουργία εσόδων από αυτά τα δεδομένα. Δεδομένου ότι η χρήση Big Data στις επιχειρήσεις απαιτεί σημαντικές επενδύσεις, είναι απαραίτητο να κατανοήσουμε με σαφήνεια την κατάσταση. Και είναι, στην ουσία, απλό: μπορείτε να αυξήσετε την αποτελεσματικότητα της επιχείρησης μειώνοντας το κόστος ή/και αυξάνοντας τις πωλήσεις.
Σε τι χρησιμεύουν τα Big Data;
Το παράδειγμα Big Data ορίζει τρεις κύριους τύπους εργασιών.
- Αποθήκευση και διαχείριση εκατοντάδων terabyte ή petabyte δεδομένων που οι συμβατικές σχεσιακές βάσεις δεδομένων δεν μπορούν να χρησιμοποιήσουν αποτελεσματικά.
- Οργάνωση αδόμητων πληροφοριών που αποτελούνται από κείμενα, εικόνες, βίντεο και άλλα είδη δεδομένων.
- Ανάλυση Μεγάλων Δεδομένων, η οποία θέτει το ερώτημα πώς να εργαστείτε με μη δομημένες πληροφορίες, τη δημιουργία αναλυτικών αναφορών και την εφαρμογή προγνωστικών μοντέλων.
Η αγορά έργων Big Data διασταυρώνεται με την αγορά επιχειρηματικής ευφυΐας (BA), ο όγκος της οποίας στον κόσμο, σύμφωνα με τους ειδικούς, το 2012 ανήλθε σε περίπου 100 δισεκατομμύρια δολάρια. Περιλαμβάνει στοιχεία τεχνολογιών δικτύου, διακομιστές, λογισμικόκαι τεχνικές υπηρεσίες.
Επίσης, η χρήση τεχνολογιών Big Data σχετίζεται με λύσεις κλάσης διασφάλισης εισοδήματος (RA) που έχουν σχεδιαστεί για να αυτοματοποιούν τις δραστηριότητες των εταιρειών. Σύγχρονα συστήματαΤα εργαλεία διασφάλισης εσόδων περιλαμβάνουν τον εντοπισμό ασυνέπειας και τα εργαλεία εξόρυξης δεδομένων για εντοπισμό πιθανές απώλειεςή εσφαλμένη παρουσίαση πληροφοριών που θα μπορούσε να οδηγήσει σε μείωση των οικονομικών αποτελεσμάτων. Σε αυτό το φόντο Ρωσικές εταιρείες, επιβεβαιώνοντας τη ζήτηση για τεχνολογίες Big Data στην εγχώρια αγορά, σημειώστε ότι οι παράγοντες που τονώνουν την ανάπτυξη των Big Data στη Ρωσία είναι η ανάπτυξη των δεδομένων, η επιτάχυνση της λήψης διοικητικών αποφάσεων και η βελτίωση της ποιότητάς τους.
Τι εμποδίζει την εργασία με Big Data
Σήμερα, αναλύεται μόνο το 0,5% των συσσωρευμένων ψηφιακών δεδομένων, παρά το γεγονός ότι αντικειμενικά υπάρχουν εργασίες σε ολόκληρη τη βιομηχανία που θα μπορούσαν να επιλυθούν χρησιμοποιώντας αναλυτικές λύσεις της κατηγορίας Big Data. Οι ανεπτυγμένες αγορές πληροφορικής έχουν ήδη αποτελέσματα που μπορούν να χρησιμοποιηθούν για την αξιολόγηση των προσδοκιών που σχετίζονται με τη συσσώρευση και την επεξεργασία μεγάλων δεδομένων.
Ένας από τους κύριους παράγοντες που επιβραδύνει την υλοποίηση έργων Big Data, εκτός από το υψηλό κόστος, είναι το πρόβλημα της επιλογής των προς επεξεργασία δεδομένων: δηλαδή ο ορισμός του ποια δεδομένα πρέπει να εξαχθούν, να αποθηκευτούν και να αναλυθούν και ποια δεν πρέπει να λαμβάνονται υπόψη.
Πολλοί εκπρόσωποι επιχειρήσεων σημειώνουν ότι οι δυσκολίες στην υλοποίηση έργων Big Data συνδέονται με την έλλειψη ειδικών - μάρκετινγκ και αναλυτών. Το ποσοστό απόδοσης της επένδυσης σε Big Data εξαρτάται άμεσα από την ποιότητα της εργασίας των εργαζομένων που εμπλέκονται σε βαθιά και προγνωστικά analytics. Οι τεράστιες δυνατότητες δεδομένων που υπάρχουν ήδη σε έναν οργανισμό συχνά δεν μπορούν να χρησιμοποιηθούν αποτελεσματικά από τους ίδιους τους επαγγελματίες του μάρκετινγκ λόγω ξεπερασμένων επιχειρηματικών διαδικασιών ή εσωτερικών κανονισμών. Ως εκ τούτου, τα έργα Big Data συχνά θεωρούνται από τις επιχειρήσεις ως δύσκολα όχι μόνο στην υλοποίηση, αλλά και στην αξιολόγηση των αποτελεσμάτων: την αξία των δεδομένων που συλλέγονται. Οι ιδιαιτερότητες της εργασίας με δεδομένα απαιτούν από τους εμπόρους και τους αναλυτές να στρέψουν την προσοχή τους από την τεχνολογία και την αναφορά στην επίλυση συγκεκριμένων επιχειρηματικών προβλημάτων.
Λόγω του μεγάλου όγκου και υψηλή ταχύτηταροή δεδομένων, η διαδικασία συλλογής τους περιλαμβάνει διαδικασίες ETL σε πραγματικό χρόνο. Για αναφορά:ETL - απόΑγγλικάΕκχύλισμα, Μεταμορφώνω, φορτώνω- κυριολεκτικά "εξαγωγή, μετασχηματισμός, φόρτωση") - μία από τις κύριες διαδικασίες στη διαχείριση αποθήκες δεδομένων, που περιλαμβάνει: εξαγωγή δεδομένων από εξωτερικές πηγές, μετατροπή τους και καθαρισμός για την κάλυψη αναγκών Το ETL θα πρέπει να θεωρείται όχι μόνο ως μια διαδικασία μεταφοράς δεδομένων από μια εφαρμογή σε άλλη, αλλά και ως εργαλείο προετοιμασίας δεδομένων για ανάλυση.
Και τότε τα ζητήματα της διασφάλισης της ασφάλειας των δεδομένων που προέρχονται από εξωτερικές πηγές θα πρέπει να έχουν λύσεις που να αντιστοιχούν στον όγκο των πληροφοριών που συλλέγονται. Δεδομένου ότι οι μέθοδοι ανάλυσης μεγάλων δεδομένων αναπτύσσονται μέχρι στιγμής μόνο μετά την αύξηση του όγκου των δεδομένων, η ικανότητα των αναλυτικών πλατφορμών να χρησιμοποιούν νέες μεθόδους προετοιμασίας και συγκέντρωσης δεδομένων παίζει σημαντικό ρόλο. Αυτό υποδηλώνει ότι, για παράδειγμα, δεδομένα σχετικά με πιθανούς αγοραστές ή μια τεράστια αποθήκη δεδομένων με ιστορικό κλικ σε ιστότοπους διαδικτυακών καταστημάτων μπορεί να είναι ενδιαφέροντα για την επίλυση διαφόρων προβλημάτων.
Οι δυσκολίες δεν σταματούν
Παρά όλες τις δυσκολίες με την εφαρμογή των Big Data, η επιχείρηση σκοπεύει να αυξήσει τις επενδύσεις σε αυτόν τον τομέα. Σύμφωνα με στοιχεία της Gartner, το 2013, το 64% των μεγαλύτερων εταιρειών του κόσμου έχουν ήδη επενδύσει ή σχεδιάζουν να επενδύσουν στην ανάπτυξη τεχνολογιών Big Data για την επιχείρησή τους, ενώ το 2012 υπήρχαν 58% τέτοιων εταιρειών. Σύμφωνα με μελέτη της Gartner, οι ηγέτες των βιομηχανιών που επενδύουν σε Big Data είναι οι εταιρείες μέσων ενημέρωσης, οι τηλεπικοινωνίες, ο τραπεζικός τομέας και οι εταιρείες παροχής υπηρεσιών. Επιτυχή αποτελέσματα της εφαρμογής Big Data έχουν ήδη επιτευχθεί από πολλούς σημαντικούς παίκτες στον κλάδο του λιανικού εμπορίου όσον αφορά τη χρήση δεδομένων που λαμβάνονται με χρήση εργαλείων RFID, logistics και συστημάτων μετεγκατάστασης (από τα αγγλικά. αναπλήρωση- συσσώρευση, αναπλήρωση - Ε&Τ), καθώς και από προγράμματα επιβράβευσης. Η επιτυχημένη εμπειρία λιανικής διεγείρει άλλους τομείς της αγοράς να βρουν νέους. αποτελεσματικούς τρόπουςδημιουργία εσόδων από μεγάλα δεδομένα για να μετατραπεί η ανάλυσή τους σε πόρο που λειτουργεί για την ανάπτυξη της επιχείρησης. Χάρη σε αυτό, σύμφωνα με ειδικούς, την περίοδο έως το 2020, οι επενδύσεις στη διαχείριση και αποθήκευση θα μειωθούν για κάθε gigabyte δεδομένων από $2 σε $0,2, αλλά για τη μελέτη και ανάλυση των τεχνολογικών ιδιοτήτων των Big Data θα αυξηθούν μόνο κατά 40 %.
Τα έξοδα παρουσιάζονται σε διάφορα επενδυτικά σχέδιαστον τομέα των Big Data, έχουν διαφορετικό χαρακτήρα. Τα στοιχεία κόστους εξαρτώνται από τους τύπους προϊόντων που επιλέγονται με βάση ορισμένες αποφάσεις. Το μεγαλύτερο μέρος του κόστους σε επενδυτικά έργα, σύμφωνα με τους ειδικούς, πέφτει σε προϊόντα που σχετίζονται με τη συλλογή, τη δομή δεδομένων, τον καθαρισμό και τη διαχείριση πληροφοριών.
Πώς γίνεται
Υπάρχουν πολλοί συνδυασμοί λογισμικού και σκεύη, εξαρτήματα, που σας επιτρέπουν να δημιουργείτε αποτελεσματικές λύσεις Big Data για διάφορους κλάδους της επιχείρησης: από τα μέσα κοινωνικής δικτύωσης και εφαρμογές για κινητά, στην εξόρυξη και οπτικοποίηση δεδομένων επιχειρήσεων. Ένα σημαντικό πλεονέκτημα του Big Data είναι η συμβατότητα νέων εργαλείων με βάσεις δεδομένων που χρησιμοποιούνται ευρέως στις επιχειρήσεις, κάτι που είναι ιδιαίτερα σημαντικό όταν εργάζεστε με διεπιστημονικά έργα, όπως η οργάνωση πολυκαναλικών πωλήσεων και η υποστήριξη πελατών.
Η αλληλουχία εργασίας με Big Data αποτελείται από τη συλλογή δεδομένων, τη δομή των πληροφοριών που λαμβάνονται χρησιμοποιώντας αναφορές και πίνακες εργαλείων (dashboard), τη δημιουργία πληροφοριών και πλαισίων και τη διαμόρφωση προτάσεων για δράση. Δεδομένου ότι η εργασία με Big Data συνεπάγεται υψηλό κόστος για τη συλλογή δεδομένων, το αποτέλεσμα της επεξεργασίας των οποίων δεν είναι γνωστό εκ των προτέρων, το κύριο καθήκον είναι να κατανοήσουμε ξεκάθαρα σε τι χρησιμεύουν τα δεδομένα και όχι πόσο από αυτά είναι διαθέσιμα. Σε αυτή την περίπτωση, η συλλογή δεδομένων μετατρέπεται σε μια διαδικασία απόκτησης πληροφοριών που είναι εξαιρετικά απαραίτητες για την επίλυση συγκεκριμένων προβλημάτων.
Για παράδειγμα, οι πάροχοι τηλεπικοινωνιών συγκεντρώνουν μεγάλο ποσόδεδομένα, συμπεριλαμβανομένης της γεωγραφικής θέσης, η οποία ενημερώνεται συνεχώς. Αυτές οι πληροφορίες ενδέχεται να παρουσιάζουν εμπορικό ενδιαφέρον για διαφημιστικές εταιρείες, οι οποίες ενδέχεται να τις χρησιμοποιήσουν για την εξυπηρέτηση στοχευμένων και τοπικών διαφημίσεων, καθώς και σε εμπόρους λιανικής και τράπεζες. Τέτοια δεδομένα μπορούν να διαδραματίσουν σημαντικό ρόλο στην απόφαση για το αν θα ανοίξετε ένα κατάστημα λιανικής σε μια συγκεκριμένη τοποθεσία με βάση δεδομένα σχετικά με την παρουσία μιας ισχυρής στοχευμένης ροής ανθρώπων. Υπάρχει ένα παράδειγμα μέτρησης της αποτελεσματικότητας της διαφήμισης σε εξωτερικές διαφημιστικές πινακίδες στο Λονδίνο. Τώρα η κάλυψη τέτοιων διαφημίσεων μπορεί να μετρηθεί μόνο με την τοποθέτηση ατόμων με ειδική συσκευή, μετρώντας τους περαστικούς. Σε σύγκριση με αυτόν τον τύπο μέτρησης της αποτελεσματικότητας της διαφήμισης, φορέας κινητής τηλεφωνίαςπολύ περισσότερες ευκαιρίες - γνωρίζει ακριβώς την τοποθεσία των συνδρομητών του, γνωρίζει τα δημογραφικά τους χαρακτηριστικά, το φύλο, την ηλικία, οικογενειακή κατάσταση, και τα λοιπά.
Με βάση τέτοια δεδομένα, στο μέλλον ανοίγεται η προοπτική αλλαγής του περιεχομένου του διαφημιστικού μηνύματος, χρησιμοποιώντας τις προτιμήσεις ενός συγκεκριμένου ατόμου που περνάει από την διαφημιστική πινακίδα. Εάν τα δεδομένα δείχνουν ότι το άτομο που περνάει ταξιδεύει πολύ, τότε μπορεί να του εμφανιστεί μια διαφήμιση για το θέρετρο. Οι διοργανωτές ενός ποδοσφαιρικού αγώνα μπορούν μόνο να εκτιμήσουν τον αριθμό των φιλάθλων όταν έρχονται στον αγώνα. Αν όμως είχαν την ευκαιρία να ρωτήσουν τον χειριστή κυψελοειδούς επικοινωνίαςπληροφορίες σχετικά με το πού βρίσκονταν οι επισκέπτες μια ώρα, μια μέρα ή ένα μήνα πριν τον αγώνα, αυτό θα έδινε στους διοργανωτές την ευκαιρία να σχεδιάσουν μέρη για να διαφημίσουν τους επόμενους αγώνες.
Ένα άλλο παράδειγμα είναι πώς οι τράπεζες μπορούν να χρησιμοποιήσουν Big Data για να αποτρέψουν την απάτη. Εάν ο πελάτης αναφέρει την απώλεια της κάρτας και όταν πραγματοποιεί μια αγορά χρησιμοποιώντας αυτήν, η τράπεζα βλέπει σε πραγματικό χρόνο τη θέση του τηλεφώνου του πελάτη στην περιοχή αγοράς όπου πραγματοποιείται η συναλλαγή, η τράπεζα μπορεί να ελέγξει τις πληροφορίες στην εφαρμογή του πελάτη , αν προσπάθησε να τον εξαπατήσει. Ή το αντίθετο, όταν ένας πελάτης κάνει μια αγορά σε ένα κατάστημα, η τράπεζα βλέπει ότι η κάρτα στην οποία πραγματοποιείται η συναλλαγή και το τηλέφωνο του πελάτη βρίσκονται στο ίδιο σημείο, η τράπεζα μπορεί να συμπεράνει ότι ο ιδιοκτήτης της χρησιμοποιεί την κάρτα. Χάρη σε αυτά τα πλεονεκτήματα των Big Data, διευρύνονται τα όρια με τα οποία είναι προικισμένα οι παραδοσιακές αποθήκες δεδομένων.
Για μια επιτυχημένη απόφαση εφαρμογής λύσεων Big Data, μια εταιρεία πρέπει να υπολογίσει μια περίπτωση επένδυσης και αυτό προκαλεί μεγάλες δυσκολίες λόγω πολλών άγνωστων στοιχείων. Το παράδοξο της ανάλυσης σε τέτοιες περιπτώσεις είναι να προβλέπει το μέλλον με βάση το παρελθόν, πληροφορίες για το οποίο συχνά λείπουν. Σε αυτή την περίπτωση, ένας σημαντικός παράγοντας είναι ο ξεκάθαρος σχεδιασμός των αρχικών σας ενεργειών:
- Πρώτον, είναι απαραίτητο να προσδιοριστεί ένα συγκεκριμένο επιχειρηματικό πρόβλημα, για το οποίο θα χρησιμοποιηθούν τεχνολογίες Big Data, αυτή η εργασία θα γίνει ο πυρήνας του προσδιορισμού της ορθότητας της επιλεγμένης ιδέας. Πρέπει να εστιάσετε στη συλλογή δεδομένων που σχετίζονται με τη συγκεκριμένη εργασία και κατά τη διάρκεια της απόδειξης της ιδέας θα μπορείτε να χρησιμοποιήσετε διάφορα εργαλεία, διαδικασίες και μεθόδους διαχείρισης που θα σας επιτρέψουν να λάβετε πιο ενημερωμένες αποφάσεις στο μέλλον.
- Δεύτερον, είναι απίθανο μια εταιρεία χωρίς τις δεξιότητες και την εμπειρία της ανάλυσης δεδομένων να μπορέσει να υλοποιήσει με επιτυχία ένα έργο Big Data. Απαιτούμενες γνώσειςπροέρχονται πάντα από προηγούμενη εμπειρία ανάλυσης, η οποία είναι ένας σημαντικός παράγοντας που επηρεάζει την ποιότητα της εργασίας με δεδομένα. Σημαντικό ρόλο παίζει η κουλτούρα της χρήσης δεδομένων, καθώς συχνά η ανάλυση των πληροφοριών αποκαλύπτει τη σκληρή αλήθεια για την επιχείρηση και για να αποδεχθεί αυτή την αλήθεια και να εργαστεί μαζί της, χρειάζονται αναπτυγμένες μέθοδοι εργασίας με δεδομένα.
- Τρίτον, η αξία των τεχνολογιών Big Data έγκειται στην παροχή πληροφοριών.Οι καλοί αναλυτές παραμένουν σε έλλειψη στην αγορά. Ονομάζονται ειδικοί που έχουν βαθιά κατανόηση της εμπορικής σημασίας των δεδομένων και ξέρουν πώς να τα εφαρμόζουν σωστά. Η ανάλυση δεδομένων είναι ένα μέσο για την επίτευξη των επιχειρηματικών στόχων και για να κατανοήσετε την αξία των Μεγάλων Δεδομένων, χρειάζεστε ένα κατάλληλο μοντέλο συμπεριφοράς και κατανόηση των ενεργειών σας. Σε αυτή την περίπτωση, τα μεγάλα δεδομένα θα δώσουν πολλά ΧΡΗΣΙΜΕΣ ΠΛΗΡΟΦΟΡΙΕΣσχετικά με τους καταναλωτές, βάσει των οποίων μπορείτε να λάβετε χρήσιμες επιχειρηματικές αποφάσεις.
Παρόλο ρωσική αγοράΤα Big Data μόλις αρχίζουν να διαμορφώνονται, ορισμένα έργα σε αυτόν τον τομέα ήδη υλοποιούνται με μεγάλη επιτυχία. Μερικά από αυτά είναι επιτυχημένα στον τομέα της συλλογής δεδομένων, όπως έργα για την Ομοσπονδιακή Φορολογική Υπηρεσία και την Tinkoff Credit Systems, άλλα όσον αφορά την ανάλυση δεδομένων και την πρακτική εφαρμογή των αποτελεσμάτων τους: αυτό είναι το έργο Synqera.
Η Tinkoff Credit Systems Bank υλοποίησε ένα έργο για την υλοποίηση της πλατφόρμας EMC2 Greenplum, η οποία είναι ένα εργαλείο για μαζικά παράλληλους υπολογιστές. Στη διάρκεια τα τελευταία χρόνιαη τράπεζα έχει αυξήσει τις απαιτήσεις για την ταχύτητα επεξεργασίας των συσσωρευμένων πληροφοριών και την ανάλυση δεδομένων σε πραγματικό χρόνο, που προκαλούνται από τους υψηλούς ρυθμούς αύξησης του αριθμού των χρηστών πιστωτικές κάρτες. Η Τράπεζα ανακοίνωσε σχέδια για επέκταση της χρήσης τεχνολογιών Big Data, ιδίως για την επεξεργασία μη δομημένων δεδομένων και την εργασία με εταιρικές πληροφορίες που λαμβάνονται από διάφορες πηγές.
στην Ομοσπονδιακή Φορολογική Υπηρεσία της Ρωσίας αυτή τη στιγμήδημιουργείται ένα αναλυτικό επίπεδο της ομοσπονδιακής αποθήκης δεδομένων. Στη βάση του, δημιουργείται ένας ενιαίος χώρος πληροφοριών και τεχνολογία για την πρόσβαση σε φορολογικά δεδομένα για στατιστική και αναλυτική επεξεργασία. Κατά την υλοποίηση του έργου, εκτελούνται εργασίες για τη συγκέντρωση αναλυτικών πληροφοριών με περισσότερες από 1200 πηγές τοπικού επιπέδου της Ομοσπονδιακής Φορολογικής Υπηρεσίας.
Αλλο ενδιαφέρον παράδειγμαανάλυση μεγάλων δεδομένων σε πραγματικό χρόνο είναι η ρωσική startup Synqera, η οποία ανέπτυξε την πλατφόρμα Simplate. Η λύση βασίζεται στην επεξεργασία μεγάλων συστοιχιών δεδομένων, το πρόγραμμα αναλύει πληροφορίες για τους πελάτες, το ιστορικό αγορών τους, την ηλικία, το φύλο, ακόμη και τη διάθεσή τους. Στα ταμεία στο δίκτυο των καταστημάτων καλλυντικών εγκαταστάθηκαν οθόνες αφήςμε αισθητήρες που αναγνωρίζουν τα συναισθήματα των πελατών. Το πρόγραμμα καθορίζει τη διάθεση ενός ατόμου, αναλύει πληροφορίες για αυτόν, καθορίζει την ώρα της ημέρας και σαρώνει τη βάση δεδομένων εκπτώσεων του καταστήματος, μετά την οποία στέλνει στοχευμένα μηνύματα στον αγοραστή σχετικά με προσφορές και ειδικές προσφορές. Αυτή η λύση βελτιώνει την αφοσίωση των πελατών και αυξάνει τις πωλήσεις λιανικής.
Αν μιλάμε για ξένες επιτυχημένες περιπτώσεις, τότε από αυτή την άποψη, η εμπειρία χρήσης τεχνολογιών Big Data στη Dunkin` Donuts, η οποία χρησιμοποιεί δεδομένα σε πραγματικό χρόνο για την πώληση προϊόντων, είναι ενδιαφέρουσα. Οι ψηφιακές οθόνες στα καταστήματα εμφανίζουν προσφορές που αλλάζουν κάθε λεπτό, ανάλογα με την ώρα της ημέρας και τη διαθεσιμότητα των προϊόντων. Σύμφωνα με τις εισπράξεις μετρητών, η εταιρεία λαμβάνει στοιχεία για το ποιες προσφορές έλαβαν τη μεγαλύτερη ανταπόκριση από τους αγοραστές. Αυτή η προσέγγισηΗ επεξεργασία δεδομένων επέτρεψε την αύξηση των κερδών και του κύκλου εργασιών των αγαθών στην αποθήκη.
Όπως δείχνει η εμπειρία της υλοποίησης έργων Big Data, αυτός ο τομέας έχει σχεδιαστεί για να επιλύει με επιτυχία σύγχρονα επιχειρηματικά προβλήματα. Ταυτόχρονα, σημαντικός παράγοντας για την επίτευξη εμπορικών στόχων κατά την εργασία με μεγάλα δεδομένα είναι η επιλογή της σωστής στρατηγικής, η οποία περιλαμβάνει αναλυτικά στοιχεία που εντοπίζουν τις ανάγκες των καταναλωτών, καθώς και τη χρήση καινοτόμων τεχνολογιών στον τομέα των Big Data.
Σύμφωνα με μια παγκόσμια έρευνα που διεξάγεται ετησίως από την Econsultancy και την Adobe από το 2012 μεταξύ των εμπόρων εταιρειών, τα «μεγάλα δεδομένα», που χαρακτηρίζουν τις ενέργειες των ανθρώπων στο Διαδίκτυο, μπορούν να κάνουν πολλά. Μπορούν να βελτιστοποιήσουν τις επιχειρηματικές διαδικασίες εκτός σύνδεσης, να βοηθήσουν στην κατανόηση του τρόπου με τον οποίο οι κάτοχοι κινητών συσκευών τις χρησιμοποιούν για να αναζητήσουν πληροφορίες ή απλώς να «κάνουν καλύτερο το μάρκετινγκ», π.χ. πιο αποτελεσματικό. Εξάλλου, τελευταία λειτουργίακάθε χρόνο όλο και πιο δημοφιλής, όπως προκύπτει από το διάγραμμα που έχουμε δώσει.
Οι κύριοι τομείς εργασίας των εμπόρων Διαδικτύου όσον αφορά τις σχέσεις με τους πελάτες
Πηγή: Econsultancy and Adobe, δημοσιεύτηκεemarketer.com
Σημειώστε ότι η εθνικότητα των ερωτηθέντων μεγάλης σημασίαςδεν έχει. Σύμφωνα με έρευνα που διεξήγαγε η KPMG το 2013, το ποσοστό των «αισιόδοξων», δηλ. από αυτούς που χρησιμοποιούν Big Data κατά την ανάπτυξη μιας επιχειρηματικής στρατηγικής είναι 56%, και οι διακυμάνσεις από περιοχή σε περιοχή είναι μικρές: από 63% στις χώρες της Βόρειας Αμερικής έως 50% στην EMEA.
Χρήση μεγάλων δεδομένων σε διάφορες περιοχές του κόσμου
Πηγή: KPMG, δημοσίευσηemarketer.com
Εν τω μεταξύ, η στάση των εμπόρων σε τέτοιες «τάσεις της μόδας» θυμίζει κάπως ένα γνωστό ανέκδοτο:
Πες μου, Βάνο, σου αρέσουν οι ντομάτες;
- Μου αρέσει να τρώω, αλλά όχι.
Παρά το γεγονός ότι οι έμποροι λένε ότι «αγαπούν» τα Μεγάλα Δεδομένα και μάλιστα φαίνεται να τα χρησιμοποιούν, στην πραγματικότητα, «όλα είναι περίπλοκα», όπως γράφουν για τις εγκάρδιες προσκολλήσεις τους στα κοινωνικά δίκτυα.
Σύμφωνα με έρευνα που διεξήγαγε η Circle Research τον Ιανουάριο του 2014 μεταξύ Ευρωπαίων marketers, 4 στους 5 ερωτηθέντες δεν χρησιμοποιούν Big Data (παρά το γεγονός ότι, φυσικά, τα «αγαπούν»). Οι λόγοι είναι διαφορετικοί. Λίγοι είναι οι ακραιφνείς σκεπτικιστές - 17% και ακριβώς ο ίδιος αριθμός με τους αντίποδές τους, δηλ. όσοι απαντούν με σιγουριά «Ναι». Οι υπόλοιποι διστάζουν και αμφιβάλλουν, το «βάλτο». Αποφεύγουν μια άμεση απάντηση με εύλογες δικαιολογίες όπως «όχι ακόμα, αλλά σύντομα» ή «θα περιμένουμε να ξεκινήσουν οι άλλοι».
Χρήση μεγάλων δεδομένων από εμπόρους, Ευρώπη, Ιανουάριος 2014
Πηγή:dnx, δημοσίευσε -πωλητής.com
Τι τους μπερδεύει; Σκέτη ανοησία. Κάποιοι (ακριβώς οι μισοί) απλά δεν πιστεύουν αυτά τα δεδομένα. Άλλοι (υπάρχουν επίσης αρκετοί - 55%) δυσκολεύονται να συσχετίσουν τα σύνολα «δεδομένων» και «χρηστών» μεταξύ τους. Κάποιος απλώς (ας το πούμε πολιτικά ορθός) έχει ένα εσωτερικό εταιρικό χάος: τα δεδομένα κινούνται χωρίς ιδιοκτήτη μεταξύ τμημάτων μάρκετινγκ και δομών πληροφορικής. Για άλλους, το λογισμικό δεν μπορεί να αντιμετωπίσει την εισροή εργασίας. Και ούτω καθεξής. Δεδομένου ότι το σύνολο των μετοχών είναι πολύ πάνω από το 100%, είναι σαφές ότι η κατάσταση των «πολλαπλών φραγμών» δεν είναι ασυνήθιστη.
Εμπόδια που εμποδίζουν τη χρήση Big Data στο μάρκετινγκ
Πηγή:dnx, δημοσίευσε -πωλητής.com
Επομένως, πρέπει να δηλώσουμε ότι μέχρι στιγμής τα «Big Data» είναι ένα μεγάλο δυναμικό που πρέπει ακόμα να αξιοποιηθεί. Παρεμπιπτόντως, αυτός μπορεί να είναι ο λόγος που τα Big Data χάνουν το φωτοστέφανο της «τάσης της μόδας», όπως αποδεικνύεται από τα στοιχεία της έρευνας που διεξήγαγε η εταιρεία Econsultancy που έχουμε ήδη αναφέρει.
Οι πιο σημαντικές τάσεις στο ψηφιακό μάρκετινγκ 2013-2014
Πηγή: Consultancy και Adobe
Αντικαθίστανται από έναν άλλο βασιλιά - το μάρκετινγκ περιεχομένου. Πόσο καιρό?
Δεν μπορεί να ειπωθεί ότι τα Big Data είναι ένα θεμελιωδώς νέο φαινόμενο. Οι μεγάλες πηγές δεδομένων υπάρχουν εδώ και χρόνια: βάσεις δεδομένων αγορών πελατών, πιστωτικά ιστορικά, τρόποι ζωής. Και για χρόνια, οι επιστήμονες χρησιμοποιούσαν αυτά τα δεδομένα για να βοηθήσουν τις εταιρείες να αξιολογήσουν τον κίνδυνο και να προβλέψουν τις μελλοντικές ανάγκες των πελατών. Ωστόσο, σήμερα η κατάσταση έχει αλλάξει σε δύο πτυχές:
Έχουν προκύψει πιο εξελιγμένα εργαλεία και μέθοδοι για την ανάλυση και το συνδυασμό διαφορετικών συνόλων δεδομένων.
Αυτά τα αναλυτικά εργαλεία συμπληρώνονται από μια χιονοστιβάδα νέων πηγών δεδομένων που οδηγούνται από την ψηφιοποίηση σχεδόν κάθε μεθόδου συλλογής και μέτρησης δεδομένων.
Το εύρος των διαθέσιμων πληροφοριών είναι ταυτόχρονα εμπνευσμένο και εκφοβιστικό για ερευνητές που μεγάλωσαν σε ένα δομημένο ερευνητικό περιβάλλον. Το καταναλωτικό συναίσθημα καταγράφεται από ιστότοπους και όλα τα είδη των μέσων κοινωνικής δικτύωσης. Το γεγονός της προβολής διαφημίσεων καταγράφεται όχι μόνο αποκωδικοποιητές, αλλά και με ψηφιακές ετικέτες και κινητές συσκευέςεπικοινωνία με την τηλεόραση.
Τα δεδομένα συμπεριφοράς (όπως ο αριθμός των κλήσεων, οι συνήθειες αγορών και οι αγορές) είναι πλέον διαθέσιμα σε πραγματικό χρόνο. Έτσι, πολλά από αυτά που προηγουμένως μπορούσαν να μάθουν μέσω της έρευνας μπορούν τώρα να μαθευτούν μέσω πηγών μεγάλων δεδομένων. Και όλα αυτά τα πληροφοριακά στοιχεία παράγονται συνεχώς, ανεξάρτητα από τυχόν ερευνητικές διαδικασίες. Αυτές οι αλλαγές μας κάνουν να αναρωτιόμαστε εάν τα μεγάλα δεδομένα μπορούν να αντικαταστήσουν την κλασική έρευνα αγοράς.
Δεν πρόκειται για δεδομένα, είναι για ερωτήσεις και απαντήσεις
Πριν παραγγείλουμε ένα νεκροταφείο για την κλασική έρευνα, πρέπει να υπενθυμίσουμε στον εαυτό μας ότι δεν είναι η παρουσία του ενός ή του άλλου στοιχείου δεδομένων, αλλά κάτι άλλο που είναι καθοριστικό. Τι ακριβώς? Η ικανότητά μας να απαντάμε σε ερωτήσεις, αυτό είναι. Ένα αστείο πράγμα σχετικά με τον νέο κόσμο των μεγάλων δεδομένων είναι ότι τα αποτελέσματα από νέα στοιχεία δεδομένων οδηγούν σε ακόμη περισσότερες ερωτήσεις και αυτές οι ερωτήσεις τείνουν να απαντώνται καλύτερα από την παραδοσιακή έρευνα. Έτσι, καθώς τα μεγάλα δεδομένα αυξάνονται, βλέπουμε μια παράλληλη αύξηση της διαθεσιμότητας και της ζήτησης για «μικρά δεδομένα» που μπορούν να δώσουν απαντήσεις σε ερωτήσεις από τον κόσμο των μεγάλων δεδομένων.
Ας εξετάσουμε μια κατάσταση: ένας μεγάλος διαφημιστής παρακολουθεί συνεχώς την επισκεψιμότητα στα καταστήματα και τους όγκους πωλήσεων σε πραγματικό χρόνο. Οι υπάρχουσες μεθοδολογίες έρευνας (στις οποίες ρωτάμε τους συμμετέχοντες σε ερευνητικά πάνελ σχετικά με τα αγοραστικά τους κίνητρα και τη συμπεριφορά τους στο σημείο πώλησης) μας βοηθούν να στοχεύσουμε καλύτερα συγκεκριμένα τμήματα πελατών. Αυτές οι μεθοδολογίες μπορούν να επεκταθούν για να συμπεριλάβουν ένα ευρύτερο φάσμα περιουσιακών στοιχείων μεγάλων δεδομένων, στο σημείο όπου τα μεγάλα δεδομένα γίνονται εργαλείο παθητικής παρατήρησης και η έρευνα μια μέθοδος συνεχούς, στενά εστιασμένης έρευνας αλλαγών ή γεγονότων που πρέπει να μελετηθούν. Αυτός είναι ο τρόπος με τον οποίο τα μεγάλα δεδομένα μπορούν να απαλλάξουν την έρευνα από την περιττή ρουτίνα. Η πρωτογενής έρευνα δεν θα πρέπει πλέον να επικεντρώνεται σε αυτό που συμβαίνει (τα μεγάλα δεδομένα θα το κάνουν). Αντίθετα, η πρωτογενής έρευνα μπορεί να επικεντρωθεί στην εξήγηση γιατί βλέπουμε ορισμένες τάσεις ή αποκλίσεις από τις τάσεις. Ο ερευνητής θα μπορεί να σκέφτεται λιγότερο για τη λήψη δεδομένων και περισσότερο για το πώς να τα αναλύσει και να τα χρησιμοποιήσει.
Ταυτόχρονα, βλέπουμε ότι τα μεγάλα δεδομένα λύνουν ένα από τα μεγαλύτερα προβλήματά μας, το πρόβλημα των υπερβολικά μακρών μελετών. Η εξέταση των ίδιων των μελετών έδειξε ότι τα υπερβολικά φουσκωμένα ερευνητικά εργαλεία έχουν αρνητικό αντίκτυπο στην ποιότητα των δεδομένων. Αν και πολλοί ειδικοί αναγνώρισαν αυτό το πρόβλημα για μεγάλο χρονικό διάστημα, απάντησαν πάντα με τη φράση: «Αλλά χρειάζομαι αυτές τις πληροφορίες για τα ανώτερα στελέχη» και συνεχίστηκαν οι μεγάλες συνεντεύξεις.
Στον κόσμο των μεγάλων δεδομένων, όπου ποσοτικούς δείκτεςμπορεί να ληφθεί μέσω παθητικής παρατήρησης, αυτό το ζήτημα γίνεται επίμαχο. Και πάλι, ας αναλογιστούμε όλη αυτή την έρευνα κατανάλωσης. Εάν τα μεγάλα δεδομένα μας δίνουν πληροφορίες για την κατανάλωση μέσω παθητικής παρατήρησης, τότε η πρωτογενής έρευνα με τη μορφή ερευνών δεν χρειάζεται πλέον να συλλέγει αυτού του είδους τις πληροφορίες και μπορούμε τελικά να υποστηρίξουμε το όραμά μας για σύντομες έρευνες όχι μόνο με καλές ευχές, αλλά και με κάτι αληθινό.
Τα Big Data χρειάζονται τη βοήθειά σας
Τέλος, το "big" είναι μόνο ένα από τα χαρακτηριστικά των μεγάλων δεδομένων. Το χαρακτηριστικό «μεγάλο» αναφέρεται στο μέγεθος και την κλίμακα των δεδομένων. Φυσικά, αυτό είναι το κύριο χαρακτηριστικό, αφού ο όγκος αυτών των δεδομένων ξεφεύγει από όλα όσα έχουμε δουλέψει στο παρελθόν. Αλλά και άλλα χαρακτηριστικά αυτών των νέων ροών δεδομένων είναι επίσης σημαντικά: είναι συχνά κακώς μορφοποιημένα, μη δομημένα (ή, στην καλύτερη περίπτωση, μερικώς δομημένα) και γεμάτα αβεβαιότητα. Το αναδυόμενο πεδίο της διαχείρισης δεδομένων, που εύστοχα ονομάζεται «entity analytics», στοχεύει να λύσει το πρόβλημα της υπέρβασης του θορύβου στα μεγάλα δεδομένα. Το καθήκον του είναι να αναλύσει αυτά τα σύνολα δεδομένων και να ανακαλύψει πόσες παρατηρήσεις είναι για το ίδιο άτομο, ποιες παρατηρήσεις είναι τρέχουσες και ποιες από αυτές μπορούν να χρησιμοποιηθούν.
Αυτό το είδος καθαρισμού δεδομένων είναι απαραίτητο για την αφαίρεση θορύβου ή λανθασμένων δεδομένων κατά την εργασία με μεγάλα ή μικρά στοιχεία δεδομένων, αλλά δεν είναι αρκετό. Χρειάζεται επίσης να δημιουργήσουμε πλαίσιο γύρω από τα περιουσιακά στοιχεία μεγάλων δεδομένων με βάση την προηγούμενη εμπειρία μας, τα αναλυτικά στοιχεία και τις γνώσεις κατηγοριών. Στην πραγματικότητα, πολλοί αναλυτές επισημαίνουν την ικανότητα διαχείρισης της αβεβαιότητας που ενυπάρχει στα μεγάλα δεδομένα ως πηγή ανταγωνιστικού πλεονεκτήματος, καθώς επιτρέπει καλύτερη λήψη αποφάσεων.
Και εδώ είναι όπου η πρωτογενής έρευνα όχι μόνο απαλλάσσεται από τη ρουτίνα χάρη στα μεγάλα δεδομένα, αλλά συμβάλλει επίσης στη δημιουργία και ανάλυση περιεχομένου στα μεγάλα δεδομένα.
Ένα χαρακτηριστικό παράδειγμα αυτού είναι η εφαρμογή του ολοκαίνουργιου πλαισίου επωνυμίας μας στα μέσα κοινωνικής δικτύωσης. (μιλάμε για αυτό που αναπτύχθηκε σεMillward καφέμια νέα προσέγγιση για τη μέτρηση της αξίας της επωνυμίαςο Με νόημα Διαφορετικός Δομή- "Το παράδειγμα των σημαντικών διαφορών" -R & Τ ). Αυτό το μοντέλο ελέγχεται για τη συμπεριφορά σε συγκεκριμένες αγορές, εφαρμόζεται σε τυπική βάση και μπορεί εύκολα να εφαρμοστεί σε άλλους κλάδους μάρκετινγκ και πληροφοριακά συστήματα υποστήριξης αποφάσεων. Με άλλα λόγια, το μοντέλο μας για την επωνυμία, που βασίζεται σε (αν και όχι αποκλειστικά) έρευνα έρευνας, έχει όλες τις ιδιότητες που απαιτούνται για να ξεπεραστεί η αδόμητη, ασυνάρτητη και αβέβαιη φύση των μεγάλων δεδομένων.
Λάβετε υπόψη τα δεδομένα των καταναλωτικών συναισθημάτων που παρέχονται από τα μέσα κοινωνικής δικτύωσης. Στην ακατέργαστη μορφή τους, οι κορυφές και οι κοιλάδες στο συναίσθημα των καταναλωτών συσχετίζονται πολύ συχνά ελάχιστα με μετρήσεις εκτός σύνδεσης της αξίας της επωνυμίας και της συμπεριφοράς: απλώς υπάρχει υπερβολικός θόρυβος στα δεδομένα. Ωστόσο, μπορούμε να μειώσουμε αυτόν τον θόρυβο εφαρμόζοντας τα μοντέλα μας καταναλωτικής σημασίας, διαφοροποίησης επωνυμίας, δυναμικής και ταυτότητας σε ακατέργαστα δεδομένα καταναλωτικού συναισθήματος, που είναι ένας τρόπος επεξεργασίας και συγκέντρωσης δεδομένων κοινωνικών μέσων σε αυτές τις διαστάσεις.
Μόλις τα δεδομένα οργανωθούν σύμφωνα με το μοντέλο πλαισίου μας, οι τάσεις που προσδιορίζονται συνήθως ταιριάζουν με τις μετρήσεις αξίας επωνυμίας και συμπεριφοράς που λαμβάνονται εκτός σύνδεσης. Στην πραγματικότητα, τα δεδομένα των μέσων κοινωνικής δικτύωσης δεν μπορούν να μιλήσουν από μόνα τους. Για να τα χρησιμοποιήσουμε για αυτό το σκοπό απαιτεί την εμπειρία μας και τα μοντέλα μας που χτίζονται γύρω από τις μάρκες. Όταν τα μέσα κοινωνικής δικτύωσης μάς δίνουν μοναδικές πληροφορίες που εκφράζονται στη γλώσσα που χρησιμοποιούν οι καταναλωτές για να περιγράψουν τις επωνυμίες, πρέπει να χρησιμοποιούμε αυτήν τη γλώσσα κατά τη δημιουργία της έρευνάς μας για να κάνουμε την πρωτογενή έρευνα πολύ πιο αποτελεσματική.
Οφέλη από Εξαιρούμενες Σπουδές
Αυτό μας φέρνει πίσω στο γεγονός ότι τα μεγάλα δεδομένα δεν αντικαθιστούν τόσο την έρευνα όσο την απελευθερώνουν. Οι ερευνητές θα ανακουφιστούν από την ανάγκη να δημιουργήσουν μια νέα μελέτη για κάθε νέα περίπτωση. Τα συνεχώς αυξανόμενα περιουσιακά στοιχεία των μεγάλων δεδομένων μπορούν να χρησιμοποιηθούν για διαφορετικά ερευνητικά θέματα, επιτρέποντας στην επόμενη πρωτογενή έρευνα να εμβαθύνει στο θέμα και να καλύψει τα κενά. Οι ερευνητές θα απαλλαγούν από την ανάγκη να βασίζονται σε υπερβολικά διογκωμένες έρευνες. Αντίθετα, θα μπορούν να χρησιμοποιούν σύντομες έρευνες και να επικεντρώνονται στο μέγιστο σημαντικές παραμέτρουςπου βελτιώνει την ποιότητα των δεδομένων.
Με αυτήν την έκδοση, οι ερευνητές θα μπορούν να χρησιμοποιήσουν τις καθιερωμένες αρχές και τις γνώσεις τους για να προσθέσουν ακρίβεια και νόημα στα περιουσιακά στοιχεία μεγάλων δεδομένων, οδηγώντας σε νέους τομείς για έρευνα έρευνας. Αυτός ο κύκλος θα πρέπει να οδηγήσει σε μεγαλύτερη κατανόηση σε μια σειρά στρατηγικών ζητημάτων και, τελικά, σε μια κίνηση προς αυτό που πρέπει πάντα να είναι δικό μας. κύριος στόχος- ενημέρωση και βελτίωση της ποιότητας των αποφάσεων επωνυμίας και επικοινωνίας.
Μόνο ο τεμπέλης δεν μιλάει για Big data, αλλά δύσκολα καταλαβαίνει τι είναι και πώς λειτουργεί. Ας ξεκινήσουμε με την πιο απλή - ορολογία. Μιλώντας στα ρωσικά, τα Big data είναι μια ποικιλία εργαλείων, προσεγγίσεων και μεθόδων για την επεξεργασία τόσο δομημένων όσο και μη δομημένων δεδομένων προκειμένου να χρησιμοποιηθούν για συγκεκριμένες εργασίες και σκοπούς.
Τα μη δομημένα δεδομένα είναι πληροφορίες που δεν έχουν προκαθορισμένη δομή ή δεν είναι οργανωμένες με συγκεκριμένη σειρά.
Ο όρος "μεγάλα δεδομένα" επινοήθηκε από τον συντάκτη του Nature, Clifford Lynch, το 2008 σε ένα ειδικό τεύχος για την εκρηκτική αύξηση του όγκου πληροφοριών στον κόσμο. Αν και, φυσικά, τα ίδια τα μεγάλα δεδομένα υπήρχαν πριν. Σύμφωνα με τους ειδικούς, η πλειονότητα των ροών δεδομένων άνω των 100 GB ανά ημέρα ανήκουν στην κατηγορία Big data.
Διαβάστε επίσης:
Σήμερα, αυτός ο απλός όρος κρύβει μόνο δύο λέξεις - αποθήκευση και επεξεργασία δεδομένων.
Μεγάλα δεδομένα - με απλά λόγια
ΣΤΟ σύγχρονος κόσμοςΤα μεγάλα δεδομένα είναι ένα κοινωνικο-οικονομικό φαινόμενο που σχετίζεται με την εμφάνιση νέων τεχνολογικές δυνατότητεςνα αναλύσει τεράστιες ποσότητες δεδομένων.
Διαβάστε επίσης:
Για ευκολία κατανόησης, φανταστείτε ένα σούπερ μάρκετ στο οποίο όλα τα αγαθά δεν είναι με τη σειρά που έχετε συνηθίσει. Ψωμί δίπλα σε φρούτα, πάστα ντομάτας δίπλα σε παγωμένη πίτσα, πιο ελαφρύ υγρό δίπλα σε μια σχάρα ταμπόν που έχει μεταξύ άλλων αβοκάντο, τόφου ή μανιτάρια shiitake. Τα Big data βάζουν τα πάντα στη θέση τους και σας βοηθούν να βρείτε γάλα ξηρών καρπών, να μάθετε το κόστος και την ημερομηνία λήξης, καθώς και ποιος, εκτός από εσάς, αγοράζει τέτοιο γάλα και πώς είναι καλύτερο από το αγελαδινό.
Kenneth Cookier: Τα μεγάλα δεδομένα είναι καλύτερα δεδομένα
Τεχνολογία μεγάλων δεδομένων
Τεράστιες ποσότητες δεδομένων υποβάλλονται σε επεξεργασία έτσι ώστε ένα άτομο να μπορεί να έχει συγκεκριμένα και απαραίτητα αποτελέσματα για την περαιτέρω αποτελεσματική τους εφαρμογή.
Διαβάστε επίσης:
Στην πραγματικότητα, τα μεγάλα δεδομένα είναι ένας τρόπος επίλυσης προβλημάτων και μια εναλλακτική λύση στα παραδοσιακά συστήματα διαχείρισης δεδομένων.
Τεχνικές και μέθοδοι ανάλυσης που ισχύουν για μεγάλα δεδομένα σύμφωνα με τη McKinsey:
- εξόρυξη δεδομένων;
- crowdsourcing?
- Ανάμειξη και ενοποίηση δεδομένων.
- Μηχανική μάθηση;
- Τεχνητά νευρωνικά δίκτυα;
- Αναγνώριση μοτίβου;
- Προγνωστική ανάλυση;
- μοντελοποίηση προσομοίωσης;
- Χωρική ανάλυση;
- Στατιστική ανάλυση;
- Οπτικοποίηση αναλυτικών δεδομένων.
Οριζόντια επεκτασιμότητα που επιτρέπει την επεξεργασία δεδομένων - βασική αρχήεπεξεργασία μεγάλων δεδομένων. Τα δεδομένα διανέμονται σε κόμβους υπολογιστών και η επεξεργασία πραγματοποιείται χωρίς υποβάθμιση της απόδοσης. Η McKinsey συμπεριέλαβε επίσης συστήματα σχεσιακής διαχείρισης και Business Intelligence στο πλαίσιο της εφαρμογής.
Τεχνολογία:
- NoSQL;
- ΜΕΙΩΣΗ ΧΑΡΤΗ;
- Hadoop;
- Λύσεις υλικού.
Διαβάστε επίσης:
Για τα μεγάλα δεδομένα, υπάρχουν παραδοσιακά καθοριστικά χαρακτηριστικά που αναπτύχθηκαν από το Meta Group το 2001, τα οποία ονομάζονται " Τρία V»:
- Ενταση ΗΧΟΥ- την τιμή του φυσικού όγκου.
- Ταχύτητα- ρυθμός ανάπτυξης και ανάγκη για γρήγορη επεξεργασία δεδομένων για την απόκτηση αποτελεσμάτων.
- Ποικιλία- την ικανότητα ταυτόχρονης επεξεργασίας ΔΙΑΦΟΡΕΤΙΚΟΙ ΤΥΠΟΙδεδομένα.
Μεγάλα δεδομένα: εφαρμογή και ευκαιρίες
Οι όγκοι των ετερογενών και ταχέως εισερχόμενων ψηφιακών πληροφοριών δεν μπορούν να υποβληθούν σε επεξεργασία με παραδοσιακά εργαλεία. Η ίδια η ανάλυση των δεδομένων σας επιτρέπει να δείτε ορισμένα και ανεπαίσθητα μοτίβα που ένα άτομο δεν μπορεί να δει. Αυτό μας επιτρέπει να βελτιστοποιούμε όλους τους τομείς της ζωής μας - από τη δημόσια διοίκηση μέχρι την κατασκευή και τις τηλεπικοινωνίες.
Για παράδειγμα, μερικές εταιρείες πριν από μερικά χρόνια προστάτευαν τους πελάτες τους από απάτες και το να φροντίζεις τα χρήματα του πελάτη σημαίνει να φροντίζεις τα δικά σου χρήματα.
Susan Atliger: Τι γίνεται με τα μεγάλα δεδομένα;
Λύσεις βασισμένες σε Big data: Sberbank, Beeline και άλλες εταιρείες
Η Beeline διαθέτει τεράστιο όγκο δεδομένων σχετικά με τους συνδρομητές, τα οποία χρησιμοποιούν όχι μόνο για να συνεργαστούν μαζί τους, αλλά και για να δημιουργήσουν αναλυτικά προϊόντα, όπως εξωτερική συμβουλευτική ή IPTV analytics. Η Beeline τμηματοποίησε τη βάση δεδομένων και προστάτευσε τους πελάτες από χρηματική απάτη και ιούς χρησιμοποιώντας HDFS και Apache Spark για αποθήκευση και Rapidminer και Python για επεξεργασία δεδομένων.
Διαβάστε επίσης:
Ή θυμηθείτε τη Sberbank με την παλιά τους υπόθεση που ονομάζεται AS SAFI. Πρόκειται για ένα σύστημα που αναλύει φωτογραφίες για να εντοπίσει πελάτες τραπεζών και να αποτρέψει την απάτη. Το σύστημα εισήχθη το 2014, το σύστημα βασίζεται στη σύγκριση φωτογραφιών από τη βάση δεδομένων που φτάνουν εκεί από κάμερες web σε rack χάρη στην όραση υπολογιστή. Η βάση του συστήματος είναι μια βιομετρική πλατφόρμα. Χάρη σε αυτό, οι περιπτώσεις απάτης μειώθηκαν κατά 10 φορές.
Μεγάλα δεδομένα στον κόσμο
Μέχρι το 2020, σύμφωνα με τις προβλέψεις, η ανθρωπότητα θα σχηματίσει 40-44 zettabyte πληροφοριών. Και μέχρι το 2025 θα αυξηθεί 10 φορές, σύμφωνα με την έκθεση The Data Age 2025, η οποία εκπονήθηκε από αναλυτές της IDC. Η έκθεση σημειώνει ότι τα περισσότερα από τα δεδομένα θα δημιουργηθούν από τις ίδιες τις επιχειρήσεις και όχι από τους απλούς καταναλωτές.
Οι αναλυτές της μελέτης πιστεύουν ότι τα δεδομένα θα γίνουν ζωτικής σημασίας πλεονέκτημα και η ασφάλεια - ένα κρίσιμο θεμέλιο στη ζωή. Οι συγγραφείς του έργου είναι επίσης βέβαιοι ότι η τεχνολογία θα αλλάξει το οικονομικό τοπίο και απλός χρήστηςθα επικοινωνεί με συνδεδεμένες συσκευές περίπου 4800 φορές την ημέρα.
Μεγάλη αγορά δεδομένων στη Ρωσία
Το 2017, τα παγκόσμια έσοδα στην αγορά μεγάλων δεδομένων θα πρέπει να φτάσουν τα 150,8 δισεκατομμύρια δολάρια, δηλαδή 12,4% περισσότερα από πέρυσι. Σε παγκόσμια κλίμακα, η ρωσική αγορά υπηρεσιών και μεγάλη τεχνολογίατα δεδομένα είναι ακόμα πολύ μικρά. Το 2014, η αμερικανική εταιρεία IDC το υπολόγισε στα 340 εκατομμύρια δολάρια. Στη Ρωσία, η τεχνολογία χρησιμοποιείται στις τράπεζες, την ενέργεια, τα logistics, τον δημόσιο τομέα, τις τηλεπικοινωνίες και τη βιομηχανία.
Διαβάστε επίσης:
Όσον αφορά την αγορά δεδομένων, είναι μόλις στα σπάργανα στη Ρωσία. Εντός του οικοσυστήματος RTB, οι πάροχοι δεδομένων είναι οι ιδιοκτήτες πλατφορμών διαχείρισης δεδομένων μέσω προγραμματισμού (DMP) και ανταλλαγών δεδομένων. Οι πιλοτικοί φορείς τηλεπικοινωνιών μοιράζονται με τράπεζες πληροφορίες καταναλωτών σχετικά με πιθανούς δανειολήπτες.
Συνήθως, τα μεγάλα δεδομένα προέρχονται από τρεις πηγές:
- Διαδίκτυο (κοινωνικά δίκτυα, φόρουμ, ιστολόγια, μέσα ενημέρωσης και άλλοι ιστότοποι)·
- Εταιρικά αρχεία εγγράφων.
- Ενδείξεις αισθητήρων, οργάνων και άλλων συσκευών.
Μεγάλα δεδομένα στις τράπεζες
Εκτός από το σύστημα που περιγράφεται παραπάνω, στη στρατηγική της Sberbank για το 2014-2018. μιλά για τη σημασία της ανάλυσης συνόλων υπερ-δεδομένων για ποιοτική εξυπηρέτηση πελατών, διαχείριση κινδύνου και βελτιστοποίηση κόστους. Η τράπεζα χρησιμοποιεί τώρα Big Data για τη διαχείριση κινδύνων, την καταπολέμηση της απάτης, την τμηματοποίηση και αξιολόγηση της πιστοληπτικής ικανότητας των πελατών, τη διαχείριση του προσωπικού, την πρόβλεψη ουρών στα υποκαταστήματα, τον υπολογισμό των μπόνους για τους υπαλλήλους και άλλες εργασίες.
Το VTB24 χρησιμοποιεί μεγάλα δεδομένα για να τμηματοποιήσει και να διαχειριστεί την απόσπαση πελατών, να δημιουργήσει οικονομικές καταστάσεις και να αναλύσει σχόλια σε κοινωνικά δίκτυα και φόρουμ. Για να το κάνει αυτό, χρησιμοποιεί λύσεις Teradata, SAS Visual Analytics και SAS Marketing Optimizer.
Αντιμετωπίζετε πρόβλημα με το άνοιγμα αρχείων .BIG; Συλλέγουμε πληροφορίες σχετικά με τις μορφές αρχείων και μπορούμε να εξηγήσουμε τι είναι τα ΜΕΓΑΛΑ αρχεία. Επιπλέον, προτείνουμε προγράμματα που είναι τα πλέον κατάλληλα για το άνοιγμα ή τη μετατροπή τέτοιων αρχείων.
Σε τι χρησιμεύει η μορφή αρχείου .BIG;
Επέκταση .μεγάλοσυνήθως χρησιμοποιείται για να αναφέρεται σε μεγάλα συμπιεσμένα και/ή κρυπτογραφημένα δυαδικά αρχεία κοντέινερ ( .μεγάλο). Μια ενιαία μορφή που θα ισχύει για αρχεία .μεγάλο, δεν υπάρχει, αφού τέτοια αρχεία χρησιμοποιούνται από πολλά ανεξάρτητα παιχνίδια και εφαρμογές.
Συνήθης περίπτωση χρήσης για έναν τύπο αρχείου .μεγάλοπου σχετίζονται με παιχνίδια Ηλεκτρονικές τέχνες(ΕΑ). Κάθε παιχνίδι EA που χρησιμοποιεί αρχεία .μεγάλογια την αποθήκευση των πόρων του, χρησιμοποιεί μια ελαφρώς τροποποιημένη έκδοση της κοινής μορφής EA BIG.
Επιπλέον, αρχεία κοντέινερ .μεγάλοβρέθηκαν σε πολλά άλλα παιχνίδια, όπου χρησιμεύουν επίσης για την αποθήκευση γραφικών, μουσικής και ηχητικά εφέ χρησιμοποιώντας μια ποικιλία διαφορετικών μορφές αρχείων. Παρόμοια αρχεία .μεγάλοστοχεύονται συνεχώς για "τροποποίηση" και, κατά κανόνα, για κάθε χρήση αρχείων .μεγάλοπαιχνίδια, υπάρχουν ανεπίσημα βοηθητικά προγράμματα για την εξαγωγή δεδομένων από ΜΕΓΑΛΑ κοντέινερ.
Εκτός από παιχνίδια, τύπος αρχείου .μεγάλοβρίσκει επίσης τη χρήση του σε ορισμένες εφαρμογές που αποθηκεύουν μεγάλες ποσότητες ιδιόκτητων δεδομένων. Για παράδειγμα, το γνωστό πανίσχυρο μουσικό editor-studio Sibelius χρησιμοποιεί αρχεία .μεγάλογια την αποθήκευση συλλογών δειγμάτων οργάνων υψηλής ποιότητας που μπορούν να χρησιμοποιηθούν εντός του προγράμματος, αλλά δεν μπορούν να εξαχθούν εύκολα από το αρχείο.