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: