时事通讯




通过分析实现价值具有挑战性


与计算机化系统交互的客户和最终用户期望已经发展为数据量,并且更高的交易速度正在成为现代应用的常见场所。

组织正在面临挑战,因为他们试图利用所有这些数据——无论其来源或规模——并从中获得可操作的见解。这就是所谓的数据分析。

高级分析能力可用于驱动广泛的应用程序,从操作应用程序(如欺诈检测)到战略分析(如预测患者结果)。无论应用程序如何,高级分析以预测、描述、分数和概要文件的形式提供智能,帮助组织更好地理解行为和趋势。

此外,向上移动分析项目的时间值的愿望导致移动到更实时的事件处理。通过分析数据和揭露模式的核,智能算法可以合理地确定关于未来将发生的内容的预测。这需要足够擅长在发生变化之前揭示模式。当然,这并不总是必须实时发生。

高级分析项目的挑战

在实现分析项目时遇到沿途遇到问题。第一个问题中的一个可能涉及确保组织领导者拥抱基于数据而不是肠道感受做出决定的能力。这意味着远离河马决策过程,河马是ghP援助Person在这件事中O办公室的时候需要做的决定!

如今事物变化如此之快,人类不可能跟上所有的变化。依赖于分析的认知计算应用程序可以吸收和理解大量数据,并跟上每天、每小时甚至更快发生的无数变化。有了基于对最新数据的全面分析的建议,高管们可以做出明智的决定,而不是他们习惯做出的“猜测”。

尽管如此,大多数经理都用于根据他们的经验和直觉做出决定,而不必拥有所有的事实。在部署基于分析的决策时,管理层可能会感受到较少涉及并可能是BALK。如果在执行级别的情况下,分析项目可以非常昂贵而不提供ROI,因为忽略输出(将提供ROI)。

另一个潜在困难涉及管理和利用大量数据。在内部持续创建新数据以及多次,购买额外的外部数据以增加现有的业务数据。数据量的这种爆炸是分析后面的驱动力之一。可以处理和分析的数据越多,分析越好,可以找到有用的模式并预测未来的行为。

数据可能会增加深度(更多客户,事务等),数据可以增长宽度(其中添加主题区域以增强分析模型)。随着数据量扩展,分析建模过程可以伸长。显然,性能可能是一个问题。

但是,随着数据复杂性和体积的增长,建立分析模型的成本也是如此。在真实建模可能发生之前,具有大数据卷的组织面临将其数据置于可以提取真实商业信息的形式的挑战。该数据准备是分析发展中的一个非常耗时的步骤。提取数据,创建数据的子集,这些子集连接在一起,合并,聚合和转换。

实时分析可以提出另一个有趣的挑战,因为“实时”需要即时或近乎立即响应。市场力量,客户要求,政府法规和技术发生变化集体致力于确保不可接受的数据。因此,许多组织不断努力实现实时数据访问和分析。与实时分析声音一样好,它具有重要的实施挑战。一个这样的挑战正在降低数据创建之间的延迟,并且当分析过程识别时。

上市时间问题可能是一个高级分析项目的另一个潜在缺陷。任何分析过程的大部分都是采集,清洁和操纵作为输入到最终模型或分析所需的数据所涉及的工作。这需要时间,但这种前面的工作对于任何高级分析项目的整体成功至关重要。

从技术的角度来看,管理大量数据和针对这些数据的操作性能可能是一个问题。较大的组织通常依赖大型机计算环境来处理其工作负载。但即使在这些情况下,大型机也不是唯一使用的计算平台。而将分析工作转移到其他平台的愿望往往很强烈。但是,对于大多数大型机用户来说,大部分数据都驻留在大型机上。如果分析是在另一个平台上执行的,那么在大型机之间移动大量的数据就会成为瓶颈。需要良好的实践和良好的软件来确保高效和有效的数据移动到位。

但是,在投入大量的数据移出大型机之前,请考虑一下将数据保存在其所在位置并将流程移到该位置(分析)的成本与将数据移到流程的成本的对比。通常,前者的成本效益更高。

利用更多内存中的进程也是管理分析任务的有效方法。像Spark这样更多地利用内存来存储和处理数据的技术正变得越来越受欢迎。当然,还有其他一些内存技术也值得开发。

底线

对于分析来说,有许多新的、有趣的可能性需要在学习和新技术上进行投资。但是,从深入了解你的业务和更好地为客户服务的角度来看,投资的回报是相当可观的。