Big data-analyse
Det betyder det, og derfor er det vigtigt
Big data analytics undersøger store datamængder for at afdække skjulte mønstre, korrelationer og anden indsigt. Med nutidens teknologi er det muligt at analysere dine data og få svar næsten med det samme, hvilket mere traditionelle business intelligence-løsningerikke i stand til, da de er langsommere og mindre effektive.
Â
Big data analytics’ historik og udvikling
Konceptet ’big data’ har eksisteret i ĂĄrevis. De fleste organisationer forstĂĄr nu, at hvis de fastholder alle de data, der gennemstrømmer deres virksomheder, kan de anvender analytics og opnĂĄ en betydelig værdi herfra. Men selv i 1950'erne, ĂĄrtier før nogen talte om ’big data’, brugte virksomheder grundlæggende analyse (hovedsageligt tal i regneark, der blev undersøgt manuelt) til at afdække indsigt og tendenser.Â
Fordelene ved big data analytics er hastighed og effektivitet. Mens en virksomhed for nogle år siden ville have indsamlet information, foretaget analyser og afdækket information, der kunne bruges til fremtidige beslutninger, kan virksomheden i dag identificere indsigt til beslutninger her og nu. Evnen til at arbejde hurtigere – og forblive fleksibel – giver organisationer en konkurrencemæssig fordel, som de ikke havde før.
Hvorfor er big data analytics vigtig?
Big data analytics hjælper organisationer med at udnytte deres data og bruge dem til at identificere nye muligheder. Det fører igen til smartere forretningstiltag, mere effektiv drift, højere fortjenester og mere tilfredse kunder. I rapporten ’Big Data in Big Companies’ interviewede Tom Davenport, IIA Director of Research, mere end 50 virksomheder for at forstå, hvordan de bruger big data. Han konkluderede, at de fik værdi på følgende måder:
- Omkostningsreduktion. Big data-teknologier såsom Hadoop og cloud-baseret analytics giver betydelige omkostningsfordele, når det kommer til lagring af store datamængder. Derudover kan de identificere mere effektive måder at drive virksomheden på.
- Hurtigere og bedre beslutningstagning. Med hastigheden fra Hadoop og in-memory analytics kombinet med evnen til at analysere nye datakilder, kan virksomheder analysere information omgående – og efterfølgende træffe beslutninger baseret den nye viden.
- Nye produkter og serviceydelser. Med evnen til at måle kundebehov og -tilfredshed vha. analytics er virksomhederne i stand til at give deres kunder det, de efterspørger. Davenport fremhæver, at vha. big data analytics skaber flere virksomheder nye produkter, der imødekommer deres kunders behov.
Who’s using big data analytics?
Think of a business that relies on quick, agile decisions to stay competitive, and most likely big data analytics is involved in making that business tick. Here’s how different types of organizations might use the technology:
Â
Det primære formål med en formel organisationsstrategi for data og analyse er typisk at forbedre beslutningstagningen med analytics for et bredt aktivitetsområde. [Og] vores undersøgelsesresultater og interviews tyder på, at vellykkede analysestrategier i høj grad ændrer, hvordan organisationer træffer beslutninger.
Fra White Paper Beyond the Hype: The Hard Work Behind Analytics Success
Â
Â
Advanced analytics hjælper Rogers Communications i at blive mere kundecentreret
Rogers Communications stræber efter at øge kundetilfredsheden og bevare sin førerposition i Canadas medie- og telekommunikationssektor.
Lær hvordan advanced analytics hjalp Rogers Communication med at minimere klager fra kunder med 50% ved at give kunderne den rigtige service på det rigtige tidspunkt.
Â
Sådan fungerer det og nøgleteknologier
Der er ikke én enkelt teknologi, der omfatter big data analytics. Der er naturligvis advanced analytics, der kan anvendes til big data, men i virkeligheden kombineres en række forskellige teknologier, så du får mest muligt ud af dine oplysninger. Her er de vigtigste:
Machine Learning. Machine learning, der er et delområde af kunstig intelligens, som træner en maskine i at lære, gør det muligt hurtigt og automatisk at producere modeller, der kan analysere større, mere komplekse datasæt og levere hurtigere og mere nøjagtige resultater – selv med meget store mængder. Og ved at bygge præcise modeller får en organisation en bedre chance for at identificere rentable muligheder – eller undgå ukendte risici.
Data management. Data skal være af høj kvalitet og godt administreret, før det kan analyseres pålideligt. Da data konstant gennemstrømmer en organisation, er det vigtigt at etablere gentagelige processer for opbygning og vedligeholdelse af datakvalitetsstandarder. Når data er pålidelig, bør organisationer etablere et master data management-program, der sikre samme standard på tværs af virksomheden.
Data mining. Data mining-teknologi hjælper med at afdække mønstre i store datamængder. Denne information kan bruges til yderligere analyse for at finde svar på komplekse forretningsspørgsmål. Med data mining-software kan du filtrere den kaotiske og gentagne støj i data fra, så du finder det, der er relevant. De oplysninger kan bruges til at vurdere sandsynlige resultater og derefter fremskynde en velinformeret beslutningsproces.
Hadoop. Dette open source-softwareværtøj kan gemme store mængder data og afvikle applikationer på klynger af standardhardware. Det er blevet en nøgleteknologi for mange virksomheder på grund af de konstant stigende datamængder og -typer, og dens distribuerede computermodel behandler store datamængder hurtigt. En yderligere fordel er, at Hadoops open source-software er gratis og bruger standardhardware til at lagre store datamængder.
In-memory analytics. Analyse af data fra systemhukommelse (frem for fra din harddisk) kan give omgĂĄende indsigt, sĂĄ du kan reagere hurtigt. Denne teknologi kan fjerne dataforberedelse og forsinkelser ved analysebearbejdning til at teste nye scenarier og bygge nye modeller. Ikke nok med, at det er en let mĂĄde for organisationer at sikre fleksibilitet, det giver samtidig mulighed for at afvikle iterative og interaktive analytics-scenarier.
Predictive analytics. Predictive analytics-teknologi bruger data, statistiske algoritmer og machine learning-teknikker til at identificere sandsynligheden for fremtidige resultater baseret på historiske data. Det handler om at give den bedste vurdering af, hvad der vil ske i fremtiden, så organisationer kan føle sig mere sikre på, at de træffer de bedst mulige forretningsbeslutninger. Nogle af de mest almindelige anvendelser af predictive analytics omfatter afsløring af svindel, risiko, drift og markedsføring.
Text mining. . Med text mining-teknologi kan du analysere tekstdata fra internettet, kommentarfelter, bøger og andre tekstbaserede kilder for at afdække indsigt, du ikke havde lagt mærke til før. Text mining bruger teknologierne machine learning eller natural language processing til at finkæmme dokumenter (e-mails, blogs, Twitter feeds, undersøgelser, konkurrencerelaterede oplysninger etc.) for at hjælpe dig med at analysere store mængder information og finde nye emner og begrebsforhold.
Improved vehicle design, reduced maintenance costÂ
Commercial vehicles from Iveco Group contain many sensors, making it impossible to process data manually. With advanced analytics from SAS® Viya® deployed on Microsoft Azure, Iveco Group can process, model and interpret vast amounts of sensor data to uncover hidden insights. Now the company can understand behaviors and events of vehicles everywhere – even if they’re scattered around the world.
Visual Text Analytics
Med SAS Visual Text Analytics kan du spotte nye tendenser og skjulte muligheder, da det giver dig mulighed for automatisk at konvertere ustruktureret data til meningsfuld indsigt, der benyttes i machine learning og predictive models.
Recommended reading
-
Article
AI and humanity: Collaborating to solve global problemsDisplaced communities, the food crisis and natural disasters – these situations affect quality of life, and even the ability to survive. Could artificial intelligence be the unexpected boost humanity needs? Could it accelerate our ability to make a positive, lasting impact? Learn more and read examples of how AI is being used to find solutions to global problems.
-
Article
What is AI modeling?AI modeling involves creating programs that use one or a combination of algorithms to allow computers to think, learn and predict outcomes. Much like a human brain, AI models absorb input data – numbers, texts, images, video, sound – to learn how to predict outcomes or solve specific tasks without explicit instructions at every step.
-
Article
AI in banking: Survey reveals factors for successWhat do banking executives report about their experiences with AI? Where are they focusing today? What’s working? What are their plans for the future?
