Introduktion

Stor i namn och stor i naturen, stora data är ett tekniskt buzzword som inte går någon gång snart. ABI Research anser att stora datautgifter globalt överstiger 31 miljarder dollar (cirka 20,8 miljarder kronor, eller 40,2 miljarder dollar) 2013 och kommer att slå på $ 114 miljarder (cirka 76,6 miljarder dollar eller 148 miljarder dollar) år 2018, och ändå finns det många som fortfarande är befuddled över vilka stora data faktiskt är och varför det kan vara värt det ögonvattande beloppet på bara tre år.

Föregående Sida 1 av 6 Nästa Föregående Sida 1 av 6 Nästa

1. Vad är det?

Rent och enkelt är det en term som används för att beskriva de enorma dataset som produceras av de digitala processerna och sociala mediautbyten som för närvarande ökar med skoplasten varje minut varje dag. Det är en mish-mash av både strukturerad, halvstrukturerad och ostrukturerad data som inte kan hanteras av vanliga databaser eller programvara, och i stället måste triggas genom specifika analysprogram.

Bearbetning av stora data är redan stor verksamhet och bristen på färdigheter där ute för att korrekt använda analyserna för att dechiffrera handlingsbara insikter är något som fortfarande är ett mycket verkligt problem, även om vi är rimligt långt ifrån när det gäller att förstå vad stora data är.

Föregående Sida 2 av 6 Nästa Föregående Sida 2 av 6 Nästa

2. Fast analys är nyckeln

Att teckna någon form av affärsfördel med stora data innebär att man har solida analyser på plats och färdigheter att använda dem. Att ha en framgångsrik analysmodell innebär att ditt företag kommer att kunna hitta nya korrelationer för att lösa problem, identifiera trender och i princip tjäna mer pengar.

En kortfattad analys av stor dataanalys gavs av Michael Watson i Supply Chain Quarterly, där han skrev att det finns tre olika typer av analyser: beskrivande, predictive och prescriptive. Beskrivande presenterar data på ett sätt som låter dig veta vad som händer på den plats där data dras från. Prediktiva beskriver hur du kan ta data och göra bättre förutsägelser med det. Prescriptive, under tiden, gäller att använda data i kombination med de följande förutsägelserna att vidta åtgärder som kommer att förbättra verksamheten.

Att gifta dem tillsammans och ställa de rätta frågorna i början av hela analysprocessen är nyckeln till att din modell fungerar och levererar resultaten du önskar.

Föregående Sida 3 av 6 Nästa Föregående Sida 3 av 6 Nästa

3. Internet av saker bidrar mycket

Tro det eller inte, Gartner har en Hype-cykel för Emerging Technologies, och efter att ha fyllt på bordet 2013 har stora data gått bakom ett annat av de nuvarande teknologierna - Dina Internet. Även om så är fallet har stora data mycket att dra nytta av när det gäller IoT.

Cisco konservativa uppskattning på IoT nämner att antalet anslutna enheter kommer att slå 21 miljarder år 2018 och den dåliga nyheten för alla oförberedda företag är att det kommer att bli zettabyte på zettabyte av data för att hålla handtaget på. Att känna till alla dessa data är något som fortfarande visar sig vara en stor utmaning och kompetensgapet, som vi kommer att komma till i nästa bild, är något som har potential att göra eller bryta framgången med data som dras från alla dessa saker".

Föregående Sida 4 av 6 Nästa Föregående Sida 4 av 6 Nästa

4. Det finns fortfarande ett stort kompetensgap

Datavetenskapare har till uppgift att hantera dataseten som erbjuds och producera insikter från dem, och för alla som vill starta en karriär är nyheten bra: kompetensgapet för datavetenskapare är för närvarande enormt. Forskning från Gartner fann att 85% av företagen på Fortune 500-listan misslyckas med att utnyttja data på ett effektivt sätt 2015 och att besluta hur man överbryggar denna klyfta är avgörande för att företagen ska kunna dra nytta av stora data.

Accenture genomförde emellertid ett år långt forskningsprojekt på datavetenskapare och fann att USA kommer att skapa cirka 39 000 nya jobb för analytiska experter fram till 2015, men kommer bara att kunna tilldela kandidater till 23% av dessa roller.

Ett enkelt sätt att fylla i luckorna är självklart att träna och främja inifrån, men det beror på att rätt utbildning finns och att de "rätt" människorna inom organisationen i första hand har det. Å andra sidan är utbildning.

En sådan utbildningsinstitution som försöker hjälpa är den europeiska datavetenskapsakademin, som är en online-plattform för utbildning av datavetenskapare i hela Europa. Det hävdar att efterfrågan på yrkesverksamma med kompetensen att hantera stora data kommer att växa med 160% fram till 2020 och har redan garanterat en investering på 2,9 miljoner euro (2,2 miljoner pund eller 3,25 miljoner dollar) från EU för att driva en rad kurser som komma igång i slutet av 2015. Fler system som detta är också i rörelse och de kan bara hjälpa till att hantera bristen.

Föregående Sida 5 av 6 Nästa Föregående Sida 5 av 6 Nästa

5. Rika data kan vara ännu viktigare

Dr Rado Kotorov, chef innovationsansvarig på informationsbyggare, gjorde det bra när han beskrev skillnaden mellan stora data och rika data som det sätt som råolja och raffinerad olja skiljer sig åt. Rik data, i lekman, är det som kommer ut när data från olika system kombineras och ges ett sammanhang så att det blir ett praktiskt förslag till företag och privatpersoner.

Det löser en av de viktigaste klagomålen om stora data, eftersom de ostrukturerade data som produceras inte ger en detaljerad nog insikt jämfört med nivån av kontextualiserade data som är möjlig med rik data. Att rika data behöver stora data för att kunna existera innebär att stora data aldrig kommer att gå iväg, men för den högre nivån av insikter och fördelar måste rik data vara en del av bilden.

En av de stora bekymmerna om rik data kommer emellertid att vara att det är mer detaljerat och som sådan kan ge en konsumentskyddskonflikt att ostrukturerad stor data kanske inte hamnar. Vad detta skulle kunna presentera är en situation där konsumenterna blir ännu mer bevakade över sina personuppgifter och väljer att ge mindre upp till företag som ber om det och kanske även använda det som ett förhandlingsverktyg i framtiden.

"I framtiden kan folk välja att styra information som de skapar och sedan tjäna pengar till företag - det kan vara i form av att sänka sina räkningar eller få bättre servicekvalitet från en leverantör" erkände Matt Pfeil, Chief Customer Officer hos DataStax.

Föregående Sida 6 av 6 Nästa Föregående Sida 6 av 6 Nästa
aktier