新闻稿




通过分析实现价值可能具有挑战性


随着数据量和更高的交易速度在现代应用程序中变得普遍,客户和最终用户对与计算机化系统交互的期望也在不断发展。

组织正在挑战,因为他们试图利用所有这些数据 - 无论其来源或尺寸如何 - 以及从中获得可行的洞察力。这称为数据分析。

先进的分析功能可用于推动各种应用,从欺诈检测到战略分析(例如预测患者结果)。无论应用程序如何,高级分析都以帮助组织更好地理解行为和趋势的预测,描述,分数和配置文件提供智能。

此外,提高分析项目的时间价值的愿望正在导致向更实时的事件处理的移动。通过分析大量数据和揭示模式,智能算法可以对未来发生的事情做出合理可靠的预测。这需要足够熟练地在变化发生之前发现模式。当然,这并不总是实时发生的。

高级分析项目的挑战

在实现分析项目的过程中,经常会遇到问题。第一个问题可能涉及到确保组织领导人拥有基于数据而不是直觉做出决定的能力。这意味着远离河马的决策过程,河马就是你好“大酒店”P.援助P.尔森的O.在决定需要进行的情况下进行FFICE!

这些日子里,这些日子会改变这么快,人类不可能跟上所有的变化。认知计算应用程序依赖分析可以摄取和了解大量数据,并跟上日常发生的多数变化,每小时,甚至更快。武装建议是基于对最新数据的彻底分析,高管可以做出明智的决策,而不是将他们习惯于制造的“猜测”的最多。

然而,大多数管理者习惯于根据他们的经验和直觉做出决定,而不必了解所有的事实。在部署基于分析的决策制定时,管理层可能感觉参与较少,并可能会退缩。如果没有执行层的支持,分析项目在没有交付ROI的情况下可能会非常昂贵,因为输出(交付ROI的输出)被忽略了。

另一个潜在的困难涉及管理和利用大量数据。不断地在内部创建新数据,并多次购买额外的外部数据来扩充现有的业务数据。数据量的爆炸式增长是分析背后的驱动力之一。可以处理和分析的数据越多,分析人员就能更好地发现有用的模式并预测未来的行为。

数据可以在深度上增加(更多的客户、交易等),数据可以在宽度上增加(添加主题领域以增强分析模型)。随着数据量的增加,分析建模过程也会延长。显然,性能可能是一个问题。

然而,随着数据复杂性和容量的增加,构建分析模型的成本也在增加。在进行真正的建模之前,拥有大量数据的组织面临将其数据转换为能够提取实际业务信息的形式的挑战。数据准备是分析开发中非常耗时的步骤。提取数据,创建数据的子集,这些子集被连接、合并、聚合和转换。

实时分析可能带来另一个有趣的挑战,因为“实时”需要立即或几乎立即的响应。市场力量、客户需求、政府法规和技术变化共同确保不最新的数据是不可接受的。因此,许多组织都在不断努力实现实时数据访问和分析。尽管实时分析听起来不错,但它也伴随着重大的执行挑战。其中一个挑战是减少数据创建和数据被分析过程识别之间的延迟。

上市时间问题可能是高级分析项目的另一个潜在陷阱。任何分析过程的很大一部分都涉及收集、清理和操作作为最终模型或分析输入所需的数据。这需要时间,但这种前期工作对于任何高级分析项目的整体成功都是必不可少的。

从技术角度来看,管理数据的乘船和操作的性能,以防止该数据可能是一个问题。较大的组织通常依赖于大型机计算环境来处理其工作量。但即使在这些情况下,大型机也不是唯一的计算平台。并且希望将分析卸载到其他平台往往很强大。但是,对于大多数大型机用户,大多数数据都驻留在大型机上。如果在另一个平台上执行分析,则从大型机移动大量数据可以成为瓶颈。需要良好的实践,并需要良好的软件来确保有效和有效的数据移动到位。

但在投资大量数据的情况下,请考虑评估保存数据的成本并将过程移动到它(分析)与将数据移动到过程中的成本。通常,前者将更具成本效益。

利用更多内存流程,也可以是管理分析任务的有效方法。Spark等技术使得更多使用内存来存储和处理数据,是普及的。当然,还有其他内存技术也值得追求。

底线

需要许多新的和有趣的分析可能性,需要投资学习和新技术。但投资回报可以在获得对您的业务的洞察力方面,并更好地为客户提供更好的方式。