ΤΕΡΆΣΤΙΟΣ ΌΓΚΟΣ ΔΕΔΟΜΈΝΩΝ
ΠΟΛΎ ΓΡΉΓΟΡΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΌΣ ΤΩΝ ΔΕΔΟΜΈΝΩΝ ΣΕ ΠΛΗΡΟΦΟΡΊΕΣ
ΠΟΛΎ ΜΕΓΆΛΗ ΠΟΙΚΙΛΊΑ ΔΕΔΟΜΈΝΩΝ
- Δομημένα δεδομένα σε πίνακες (σχεσιακά),
- Σεμιδομημένα δεδομένα (XML και παρόμοια πρότυπα),
- Δεδομένα που προέρχονται από συμβάντα ή μηχανήματα (μηνύματα, παρτίδα ή σε πραγματικό χρόνο, αισθητήρες και περιφερειακά RFID),
- Δεδομένα από την περιήγηση στο διαδίκτυο (Clickstream),
- GIS (Γεωχωρικά συστήματα, GPS),
- Μη δομημένα δεδομένα (ανθρώπινη γλώσσα, ήχοι, βίντεο),
- Μη δομημένα δεδομένα (μη δομημένα δεδομένα από τα μέσα κοινωνικής δικτύωσης (κοινωνικά δίκτυα, ιστολόγια, tweets), ανθρώπινη γλώσσα, ηχητικά αρχεία, βίντεο),
- Επιστημονικά δεδομένα (αστρονομικά, γενετικά, φυσικά).
Πώς να αναλύσετε τα μεγάλα δεδομένα;
Βασικές πτυχές
Τεχνολογίες και ικανότητα χρήσης τους (π.χ. ανάλυση πρόβλεψης – μεθοδολογία ανάλυσης που απαιτεί ειδικές και διεπιστημονικές δεξιότητες: Μαθηματικά, μάρκετινγκ και πληροφορική)
Μια πλατφόρμα διαχείρισης
Επαγγελματικά προφίλ που, με τις ιδιαίτερες δεξιότητές τους, συμβάλλουν στην ανάλυση μεγάλων δεδομένων για την εταιρεία
Είναι εξαιρετικά σημαντικό για μια εταιρεία να εκμεταλλευτεί υψηλής ποιότητας εξειδικευμένη τεχνική υποστήριξη, ικανή να εφαρμόσει προσεκτικά την ανάλυση μεγάλων δεδομένων με λογικό κόστος, ώστε να μην επηρεαστεί αρνητικά η οικονομική απόδοση των έργων. Στην πραγματικότητα, θα ήταν ανώφελο για μια εταιρεία να συλλέξει τεράστιες ποσότητες δεδομένων και να δαπανήσει πολλούς πόρους για την εξελιγμένη ανάλυσή τους, εάν η ποιότητά τους είναι κακή. Ως εκ τούτου, μια άλλη βασική πτυχή που πρέπει να λαμβάνεται υπόψη κατά την έναρξη έργων ανάλυσης μεγάλων δεδομένων συνίσταται στην προκαταρκτική αναθεώρηση των βάσεων δεδομένων και των διαδικασιών αναβάθμισης, μαζί με την ενδυνάμωση των χρηστών, εξασφαλίζοντας την αποτελεσματικότητα και την εγκυρότητα των χρησιμοποιούμενων συστημάτων.
