Índice:
- Portar Big Data diretamente para plataformas específicas do setor
- Desenvolva sistemas legados de inteligência de negócios
- Use esse Data Warehouse
- Dados da estrutura
- Identificar e manipular Data Lakes
Atualmente, fala-se muito sobre o que está envolvido na criação de configurações de TI de big data, desde o uso do Apache Hadoop e ferramentas relacionadas para inovar a acessibilidade, até conversas sobre maneiras técnicas de canalizar dados para dentro e fora dos data warehouses corporativos centrais. Mas há também o elemento filosófico do big data. Em outras palavras, como você usa todos os dados existentes para realmente aumentar seus resultados de negócios e melhorar seu modelo de negócios?
Aqui estão cinco maneiras pelas quais as empresas estão analisando os números e aplicando-os a alguns resultados concretos.
Portar Big Data diretamente para plataformas específicas do setor
Uma maneira fácil de começar a usar dados corporativos agregados é colocar elementos de dados específicos em sistemas de processos de negócios pré-projetados, criados para fornecer esses dados de maneira eficaz. Talvez o melhor exemplo seja as ferramentas de gerenciamento de relacionamento com clientes (CRM). Os fornecedores geralmente constroem seus serviços em painéis que podem apresentar aos vendedores e outras pessoas arquivos ou pastas de clientes eficientes e acionáveis.
O fato é que o uso do CRM pressupõe que você tenha os dados necessários em algum lugar. Se você puder agrupar identificadores de clientes, históricos de compras e outros itens relevantes, poderá começar a enviar tudo isso para sua plataforma de CRM. Sua equipe de vendas agradecerá.
Desenvolva sistemas legados de inteligência de negócios
Mais uma vez, você escolherá quais conjuntos de dados específicos deseja usar, mas outra coisa que as empresas estão fazendo é seguir suas formas normais de triturar dados e expandi-los lentamente, injetando mais e mais conjuntos de big data em seus tradicionais técnicas de comunicação.
OK, então existem mais do que alguns recursos de advertência por aí sobre a quantidade de sistemas herdados que geralmente retém o progresso real. Mas também existem alguns guias práticos que mostram alguns dos desafios no uso de tecnologias legadas para big data, como isso pode ser feito e como a equipe certa pode fazer toda a diferença. Além disso, tecnicamente, tudo é "legado" quando é implantado, portanto nem sempre faz sentido descartar um sistema legado toda vez que algo melhor surge.
Use esse Data Warehouse
Se você possui big data em um repositório central e sabe como acessá-lo, pode criar novos processos em torno disso.
Aqui está um excelente exemplo de como algumas empresas maiores estão buscando usos específicos, precisos e pontuais de big data. Você pode chamar de indexação cruzada; ajuda uma empresa a construir modelos consistentes entre todos os seus numerosos tipos de contas de clientes que podem ser mantidas em diferentes partes da arquitetura do software.
Ao combinar todos os dados acionáveis, uma empresa pode ver se, por exemplo, um nome em seu banco de dados de ponto de venda único corresponde a um nome em uma de suas divisões de serviço. A empresa importa as informações para os dois departamentos, para que, quando alguém atender o telefone, saiba que essa pessoa está ativa nos dois canais separados.
Esse é um uso prático da inteligência de negócios - ajuda você a fazer algo com base em todos os grandes dados reunidos.
Dados da estrutura
Outro grande problema do big data é que as empresas costumam coletar dados relativamente não estruturados. Os dados não estruturados podem vir na forma de documentos em papel ou digitais, recursos de banco de dados brutos ou não refinados ou até mesmo trechos de texto e código de dispositivos móveis. O que os dados não estruturados têm em comum é que não seguem o formato do banco de dados relacional. Como resultado, o banco de dados relacionável tradicional não pode lidar com isso e você não obtém nenhuma inteligência comercial.
Há duas maneiras de lidar com isso: pegue uma pá e comece a cavar, ou obtenha alguns recursos que refinam esses dados não estruturados em dados acionáveis. As empresas que não desejam investir em novo software podem empregar mãos humanas para classificar dados não estruturados e formatá-los corretamente, mas agora você tem algumas alternativas graças às ferramentas que analisam dados não estruturados de maneira eficaz. Os metadados, por exemplo, são uma maneira de automatizar a mineração de dados de uma maneira que a torna útil.
Identificar e manipular Data Lakes
Outra palavra da moda na comunidade de big data é o data lake. Essencialmente, o data lake é apenas um grande conjunto de dados que fica parado sem uso. É a definição por excelência dos dados em repouso - nada está sendo feito com eles, não está sendo perturbado, é tão gelado e calmo como o verniz de um corpo de água estagnado.
Novamente, existem muitas maneiras diferentes de lidar com lagos de dados, mas todas elas começam com a reflexão sobre o que há nesses grandes conjuntos de dados e por que eles estão em armazenamento a frio em primeiro lugar. As empresas estão construindo seus próprios data centers e usando tecnologias ultramodernas de agrupamento de dados orientadas a objetos para dividir esses lagos de dados em partes acionáveis. Isso é realmente feito caso a caso, mas alguns especialistas têm sugestões sobre como agrupar esses lagos de dados em canais úteis que fazem com que informações acabem em algum lugar e façam alguma coisa.
