I årtionden har IT åberopat konventionell affärsinformation och datalagring med väldefinierade krav och fördefinierade rapporter.

Vi är nu i en ny tid av stor dataanalys, där upptäckten är en del av processen, så mål förändras när nya insikter dyker upp. Detta kräver en infrastruktur och process som snabbt och smidigt kan gå från datautforskning till företagsinsikt över användbar information.

För att snabbt omvandla data till affärsvärde bör en stor datarkitektur ses som en försörjningskedja som kan hantera och bearbeta volymen, sorten och hastigheten på data. För att komma igång behöver varje företag en stor dataprocess. Den processen är uppdelad i tre steg:

1. Identifiera affärsmål

Ingen bör distribuera stora data utan en övergripande vision för vad som kommer att uppnås. Grunden för att utveckla dessa mål är att din datavetenskap och analysgrupp arbetar nära ämnesexperter. Datavetenskapare, analytiker och utvecklare måste samarbeta för att prioritera affärsmål, skapa insikter och validera hypoteser och analytiska modeller.

2. Gör stora datainsatser operativa

Det är absolut nödvändigt att datavetenskapsteamet arbetar tillsammans med devopslaget. Båda grupperna bör se till att insikter och mål är operationella, med repeterbara processer och metoder, och de kommunicerar handlingsbar information till intressenter, kunder och partners.

3. Bygg en stor datapipeline

Arkitekturen för datahantering och analyssystem ska underlätta samarbetet och eliminera manuella steg. Den stora datakommunikationskedjan består av fyra nyckeloperationer som är nödvändiga för att omvandla rådata till användbar information. Dessa inkluderar:

  • Förvärva och lagra: Få tillgång till alla typer av data från vilken plattform som helst med hjälp av adaptrar till operativsystem och arvsystem, sociala medier och maskindata, med möjlighet att samla in och lagra data i batch-, realtids- och nästan realtidslägen.
  • Förfina och berika: Integrera, rensa och förbereda data för analys, samtidigt som du samlar både tekniska och operativa metadata för att märka och berika dataset, vilket gör dem enklare att hitta och återanvända.
  • Utforska och curate: Bläddra bland data och visualisera och upptäck mönster, trender och insikter med potentiell påverkan på verksamheten. kurera och styra de dataset som har mest affärsvärde.
  • Distribuera och hantera: Omforma och distribuera handlingsbar information till slutanvändare genom mobila enheter, företagsapplikationer och andra medel. Hantera och stödja servicenivåavtal med en flexibel implementeringsarkitektur.

När processen väl har upprättats kan den stora dataregisterarkitekturen stödja dessa fyra vanliga stora datamanvändningsmönster, vilket möjliggör handlingsbar affärsinformation: datalagringsoptimering, 360 graders kundanalys, operativ intelligens i realtid och hanterade datasjöar.

Data warehouse optimering

När datamängder växer brukar företag spendera mer och mer på datalagringsmiljön. Problemet uppstår när kapaciteten i miljön konsumeras för snabbt, vilket i slutändan tvingar organisationer till kostsamma uppgraderingar i lagrings- och bearbetningskraft.

Ett sätt att hantera volymerad datautveckling är att distribuera Hadoop, som presenterar en billig lösning för lagring och bearbetning av data i stor skala. I stället för att placera rådata som kommer från källsystemen till lagret, lagrar du bara ursprungliga källdata i Hadoop.

Därifrån kan du förbereda och förbehandla data innan du flyttar resultaten (en mycket mindre uppsättning data) tillbaka till datalagret för affärsinformation och analytisk rapportering. Hadoop ersätter inte det traditionella datalageret, men det ger en utmärkt komplementär lösning.

360 graders kundanalys

De flesta företag vill förstå sina kunder bättre för att öka lojalitet och behållning - och upsell produkter eller tjänster. För att göra det måste du utveckla en 360-graders syn på kunden.

CRM-programvara har länge hävdat att göra detta. Idag finns dock nya typer av data om individer i överflöd via sociala, mobila och e-handelskanaler - såväl som kundservice, telematik, sensordata och klientdata baserat på webb interaktioner.

En sann 360 graders vy innebär nu att du måste kunna få tillgång till nya datatyper tillsammans med traditionella data, kombinera dem, förvandla dem och analysera allt för att upptäcka nya insikter om kunder och framtidsutsikter.

Denna större förståelse kombinerad med stora datalgoritmer för prediktiv analys gör det möjligt för organisationer att förutsäga kundbeteendet mer noggrant och ge meningsfulla rekommendationer. Att veta dina kunder bättre, inklusive vad de säger och gör, gör att du kan leverera mer värde till dem.

Operativ intelligens i realtid

Operativ intelligens i realtid är möjligheten att övervaka och (optimalt) svara på händelser i realtid. Ett exempel på detta i försäljning eller marknadsföring är känt som "marknadsföring för tillfället".

Till exempel via en mobil enhet kan en försäljningsassistent ges information om en kund så snart han eller hon går in i affären, inklusive den kundens senaste erfarenheter på affärens e-handelsplats.