Ինչպես մեծ տվյալների վերլուծությունը կփոխի մեր տնտեսությունը
Ինչպես մեծ տվյալների վերլուծությունը կփոխի մեր տնտեսությունը
Արագ տեմպերով, տեխնոլոգիաներով առաջնորդվող աշխարհում, որտեղ գնորդները կարող են առցանց պատվիրել ամեն ինչ՝ պիցցայից մինչև Porsche, միաժամանակ թարմացնելով Twitter-ի, Facebook-ի և Instagram-ի իրենց հաշիվները սմարթ հեռախոսի մեկ սայթաքումով, զարմանալի չէ, որ պոտենցիալ օգտակար տվյալների գումարը աշխարհը աճում է թռիչքներով և սահմաններով:
Իրականում, ըստ IBM-ի, ամեն օր մարդիկ ստեղծում են 2.5 կվինտիլիոն բայթ տվյալներ: Տվյալների նման մեծ գումարները դժվար է մշակել՝ իրենց զգալի քանակի և բարդության պատճառով, այդպիսով ստեղծելով այն, ինչը հայտնի է որպես «մեծ տվյալներ»:
Մինչև 2009 թվականը գնահատվում էր, որ ԱՄՆ տնտեսության բոլոր ոլորտներում 1,000 և ավելի աշխատող ունեցող ձեռնարկությունները արտադրել են մոտավորապես 200 տերաբայթ պահված տվյալներ, որոնք կարող են օգտակար լինել:
Մեծ տվյալների վերլուծություն՝ յուրաքանչյուր ոլորտում աճը բարելավելու համար
Այժմ, երբ շուրջը լողում են տվյալների առատությունը, բիզնեսները և տարբեր այլ կորպորացիաներ և ոլորտները կարող են միավորել տարբեր տվյալների հավաքածուներ՝ ցանկացած օգտակար տեղեկատվություն հանելու համար:
Ուեյն Հանսենը, Սենթ Ջոնի Նյու Բրանսվիքի համալսարանի ուսանողական տեխնոլոգիական կենտրոնի մենեջերը, մեծ տվյալները բացատրում է որպես «բռնելու արտահայտություն, որը նկարագրում է այն գաղափարը, որ մենք այժմ կարող ենք վերլուծել հսկայական տվյալների հավաքածուներ: Հիմնականում մենք ավելի շատ տվյալներ ենք հավաքում, անձնական, սոցիալական: , գիտական և այլն, և այժմ հաշվողական հզորությունը հասել է արագության, որը թույլ է տալիս մեզ ավելի մանրակրկիտ վերլուծել այս տվյալները»։
Հանսենի հիմնական տեխնոլոգիական հետաքրքրությունը տեխնոլոգիայի և մշակույթի փոխազդեցությունն է: Նա կարողանում է ուսումնասիրել այս հետաքրքրությունը մեծ տվյալների միջոցով: Օրինակ՝ խելացի քաղաքներից ստացված տեղեկությունները, ինչպիսիք են հանցագործության և հարկերի դրույքաչափերը, բնակչությունը և ժողովրդագրական տվյալները, կարող են վերլուծվել՝ այդ քաղաքի և մշակույթի վերաբերյալ ընդհանուր դիտարկումներ կատարելու համար:
Մեծ տվյալները արտադրվում են տարբեր ձևերով: Բջջային հեռախոսների ազդանշաններից և սոցիալական ցանցերից մինչև առցանց և խանութներում գործարքներ կատարելը, մեր շուրջը մշտապես ստեղծվում և փոխվում են տվյալները: Այս տվյալները կարող են հետագայում պահպանվել հետագա օգտագործման համար:
Կան մեծ տվյալների երեք կարևոր ասպեկտներ, որոնք այն օգտակար են դարձնում տարբեր շուկաներում, դրանք հայտնի են որպես երեք v'; ծավալը, արագությունը և բազմազանությունը: Ծավալը, որը վերաբերում է ստեղծվող և օգտագործվող տվյալների քանակին, որը հասնում է մինչև տերաբայթերի և փետաբայթերի: Արագություն, նշանակում է արագություն, որով տվյալները ձեռք են բերվում և մշակվում՝ նախքան դրանք անտեղի դառնան որոշակի հատվածում կամ տվյալների այլ հավաքածուների համեմատ: Եվ բազմազանություն, ինչը նշանակում է, որ որքան մեծ է բազմազանությունը օգտագործվող տվյալների հավաքածուների տեսակների միջև, այնքան ավելի լավ և ճշգրիտ կլինեն արդյունքներն ու կանխատեսումները:
Մեծ տվյալների վերլուծությունը մեծ ներուժ ունի տարբեր շուկաներում: Եղանակից և տեխնոլոգիաներից մինչև բիզնես և սոցիալական մեդիա, մեծ տվյալները հնարավորություն են տալիս առաջ մղել վաճառքը, արտադրողականությունը և կանխատեսել ապրանքների, վաճառքի և ծառայությունների ապագա արդյունքները: Հնարավորությունները անսահման են։
«Հիմնադրումն այն է, որ բավարար տվյալների դեպքում ամեն ինչ կանխատեսելի է դառնում», - ասում է Հանսենը: Կաղապարները կարող են բացահայտվել, առօրյան սահմանվել և վիճակագրությունը բացահայտվել: Նման կանխատեսումներով նոր մրցակցային առավելություն է հայտնվում գրեթե բոլոր ոլորտներում: Մեծ տվյալների վերլուծությունն այնուհետև դառնում է նոր բիզնեսի հաջողության կամ ձախողման և նորերի ստեղծման հիմնական բաղադրիչ:
Պատկերացրեք, որ աշխատող եք մի ընկերությունում, որը հագուստ է նախագծում իրենց ուշ պատանեկանից մինչև քսան տարեկան կանանց թիրախային սպառողական բազայի համար: Արդյո՞ք հարմար և շահավետ չի լինի, եթե կարողանայիք արագ և ճշգրիտ կանխատեսել, ասենք, կարմիր թևավոր բարձրակրունկների պոտենցիալ վաճառքը:
Հենց այստեղ է գալիս մեծ տվյալների վերլուծությունը: Եթե դուք կարողանաք արդյունավետ կերպով օգտագործել բոլոր համապատասխան վիճակագրությունը, օրինակ, թե քանի կին է պատվիրել կարմիր սեկվինով բարձրակրունկներ առցանց, և քանիսն են դրանց մասին թվիթերում գրել կամ տեղադրել Youtube-ում կարմիր բարձրակրունկների մասին տեսանյութեր, ապա դուք կարող է ճշգրիտ կանխատեսել, թե որքան լավ կլինի ձեր արտադրանքը, նախքան այն հայտնվել է դարակներում: Այսպիսով, վերացնելով գուշակությունների աշխատանքը և մեծացնելով հաջողության ներուժը:
Նման կանխատեսումներ անելու ունակությունը դառնում է աճող պահանջարկ և, հետևաբար, մեծ տվյալների վերլուծության զարգացումը:
Pulse Group PLC, թվային հետազոտական գործակալություն Ասիայում, այն ընկերություններից մեկն է, որը ցատկել է մեծ տվյալների տիրույթում: Pulse-ը մտադիր է մոտ ապագայում խոշոր ներդրումներ կատարել այս աճող ոլորտում։ Նրանց ներդրումային ծրագիրը ներառում է Կիբերջայայում մեծ տվյալների վերլուծության նոր կենտրոնի ստեղծում:
Նման կենտրոնները պատասխանատու կլինեն հաճախորդի բոլոր համապատասխան ամսաթվերի հոսքերը կազմելու և դրանք արագ և արդյունավետ կերպով վերլուծելու համար, որպեսզի հայտնաբերեն կարևոր տեղեկություններ, ինչպիսիք են օրինակներն ու հարաբերակցությունները, որոնք կարող են օգտակար լինել հաճախորդի բիզնեսի կամ նպատակների համար:
«Մենք կարող ենք կիրառել մեծ տվյալների վերլուծություն,- ասում է Հանսենը,- և ընդհանրացված հայտարարություններ անել»: Այս ընդհանրացումները կարող են բարելավել յուրաքանչյուր ոլորտ, ներառյալ բիզնեսը, կրթությունը, սոցիալական լրատվամիջոցները և տեխնոլոգիաները:
Շատ ընկերություններ ունեն այն տվյալները, որոնք անհրաժեշտ են կանխատեսումներ անելու համար, բայց նրանք հնարավորություն չունեն միացնել տվյալների տարբեր գրպանները և կոտրել դրանք այնպես, որ դրանք օգտակար լինեն:
Բոբ Չուան՝ Pulse-ի գլխավոր գործադիր տնօրենը, խոստովանում է, որ իրենց նոր մեծ տվյալների ձեռնարկությունը, որը հայտնի է որպես Pulsate, կարող է դառնալ իրենց հիմնական նպատակը: Խելամիտ ֆինանսական քայլ, քանի որ մեծ տվյալների շուկան ակնկալվում է, որ առաջիկա հինգ տարում կաճի ավելի քան 50 միլիարդ դոլար:
Առաջիկա երեք տարիներին Pulsate-ը նախատեսում է առաջընթաց գրանցել մեծ տվյալների վերլուծության մեջ և ստեղծել 200 բարձր մակարդակի աշխատատեղ տվյալների գիտնականների համար: «Տվյալների հավաքագրումը և վերլուծությունը կպահանջեն մասնագիտացված հմտությունների հավաքածուներ», - նշում է Հանսենը, «այդպիսով բացելով նոր հնարավորություններ»:
Այս նոր աշխատանքները կատարելու համար աշխատակիցները պետք է պատշաճ վերապատրաստվեն: Pulse Group-ը նաև մտադիր է հիմնել տվյալների գիտնականների համար առաջին ուսումնական ակադեմիաներից մեկը աշխարհում, որը կուղեկցի տվյալների վերլուծության նոր կենտրոնին և բավարարի տվյալների վերլուծաբանների աճող կարիքը:
Մեծ տվյալները կարող են այլ դրական ազդեցություններ ունենալ կրթական աշխարհի վրա, բացառությամբ նոր հնարավորությունների և սովորելու փորձի ուղղակի առաջարկի: Հանսենը նշում է, որ աշակերտի վարքագիծը կարող է վերլուծվել կրթության ոլորտը բարելավելու համար վերլուծված մեծ տվյալների միջոցով: «Վերջիվերջո նպատակն է օգտագործել նման հավաքագրված տվյալները՝ բարելավելու ուսանողների փորձառությունը [և] ավելացնելու պահպանման թվերը»:
Նոր աշխատատեղերի և կրթության հնարավորությունների ստեղծման և բիզնեսի հնարավոր կանխատեսումների և աճի միջև, մեծ տվյալները, թվում է, միասին լավ բան են: Այնուամենայնիվ, կան որոշ թերություններ և թերություններ, որոնք առկա են նման զանգվածային տեղեկատվության վերլուծության և օգտագործման հետ կապված:
Խնդիրներից մեկը, որը պետք է լուծվի, այն է, թե ինչ տեղեկատվություն է անվճար խաղ տարբեր կորպորացիաների համար՝ օգտագործելու որպես իրենց տվյալների հավաքածու: Գաղտնիության և անվտանգության հետ կապված հարցերը պետք է լուծվեն: Նաև, թե ում ինչ տեղեկատվություն է պատկանում, հարց է, որին պետք է պատասխանել: Երբ տվյալները շարունակաբար ուղարկվում և ստացվում են, անձնական մտավոր սեփականության և հանրային տիրույթի միջև սահմանը մշուշոտ է դառնում:
Երկրորդ, ոչ բոլոր տեղեկությունները օգտակար են, կամ անօգուտ են, քանի դեռ պատշաճ կերպով չեն վերլուծվել: Որոշ տվյալների հավաքածուներ գործնականում ոչինչ չեն նշանակում, եթե դրանք համակցված չեն պատշաճ և համապատասխան համապատասխան տվյալների հետ: Նշանակում է, որ եթե ընկերությունը մուտք չունի իր պահանջած բոլոր տվյալներին և այն ճիշտ գտնելու և վերլուծելու գիտելիքներին, ապա մեծ տվյալները, ըստ էության, իրենց ժամանակի վատնում են:
Տվյալները նույնպես տագնապալի տեմպերով են աճում։ Աշխարհի տվյալների XNUMX տոկոսը ստեղծվել է միայն վերջին երկու տարվա ընթացքում, և այդ թիվը կայուն աճում է: Եթե նոր համապատասխան տվյալներ են ստեղծվում ավելի արագ, քան մենք կարող ենք վերլուծել դրանք, ապա մեծ տվյալների վերլուծությունը դառնում է անտեղի: Ի վերջո, արդյունքները նույնքան լավն են, որքան օգտագործվող տեղեկատվությունը: