Big data omzetten in bruikbare intelligentie l BI.nl

Blog

Tegenwoordig proberen om meer te weten te komen over de rol van big data (hier genomen naar datasets met een hoog volume, snelheid en variatie) binnen business intelligence, kan soms voor meer verwarring zorgen dan het verlicht, aangezien vitale termen door elkaar worden gebruikt in plaats van afzonderlijk. Wanneer we big data onderzoeken vanuit het perspectief van computerwetenschappelijk onderzoek, ontdekken we echter graag een veel duidelijker gebruik hiervan cluster van verwarrende concepten

Voordat we ingaan op de onderwerpen van big data als een service en analyses die daarop worden toegepast, laten we gegevensanalyse snel verduidelijken met behulp van een vaak gebruikte toepassing van analyse: visualisatie!

Als we naar het diagram kijken, zien we dat Business Intelligence (BI) een verzameling analytische methoden is toegepast op big data om bruikbare intelligentie aan de oppervlakte te brengen door patronen in omvangrijke gegevens te identificeren. Als we in het diagram van rechts naar links gaan, van big data naar BI, merken we dat ongestructureerde data worden omgezet in gestructureerde data​ De implicatie is dat methoden van data-analyse worden toegepast op big data, de methoden van datavoorbereiding en datamining bijvoorbeeld, om ons steeds dichter bij het doel te brengen om bruikbare patronen, kennis en intelligentie te destilleren die acties in de goede richting kunnen sturen. handen.

Hopelijk verduidelijkt dit deze complexe concepten en hun plaats in het grotere analyseproces, ook al is het gebruikelijk dat experts en verkooppunten BI of big data aanprijzen alsof ze dat zijn eindigt op zichzelf.

AI-gestuurde analyse is een complex vakgebied: het komt erop neer dat allerlei soorten datasets snel groeien, waardoor deze organisaties big data-rapportagetools onderzoeken of zelfs bedrijven benaderen waarvan het hele bedrijfsmodel kan worden samengevat als ‘big data as a service’. ”Om ze te begrijpen. Als u over big data beschikt, zijn het juiste analyseplatform of de rapportagetools voor big data van derden essentieel om u te helpen hier bruikbare informatie uit te halen. En een van de beste manieren om die tools te implementeren, is door plug-ins van derden in te sluiten.

The Data Journey: van onbewerkte data naar inzichten

Big data-uitdagingen en oplossingen

Als je big data hebt, wil je eigenlijk de echte waarde van de intelligentie uit die mogelijk zettabytes aan potentiële informatie halen. Om het beste te begrijpen hoe we dit moeten doen, gaan we dieper in op de uitdagingen van big data en kijken naar een golf van opkomende problemen.

Om te beginnen heeft de opkomst van het Internet of Things (IoT) enorme hoeveelheden nieuwe gegevens gecreëerd die moeten worden geanalyseerd. IoT-sensoren op fabrieksvloeren streamen constant gegevens naar cloudmagazijnen en andere opslaglocaties.

Deze snelgroeiende datasets bieden bedrijven een enorme kans om inzichten te vergaren zoals:

  • Machinediagnose, storingsvoorspelling, optimaal onderhoud en automatisch bestellen van reparatieonderdelen. Intelligentie die van deze systemen wordt afgeleid, kan zelfs aan HR-teams worden doorgegeven om de personeelsbezetting te verbeteren, die verder wordt gebruikt voor HR-beheer en prestatieoplossingen van bedrijven (op AI gebaseerde analyserapportage aan ERP-oplossingen)
  • Gemonteerde producten die worden verzonden, worden ook rechtstreeks naar ERP gevoerd voor het bijwerken van supply chain-oplossingen, waardoor het bewustzijn en de ervaring van de klant wordt verbeterd

De uitdaging waar we voor staan ​​is, kort gezegd, dat er nog geen cloudarchitectuur bestaat die deze big data-tsunami kan opvangen en verwerken. Hoe kunnen we begrijpen dat de gegevens niet in de Enterprise Service Bus (ESB) passen? (ESB is een middlewarecomponent van cloudsystemen dat overweldigd zal worden als een miljoen fabrieken allemaal zouden proberen in één keer intelligentie uit hun sensoren te halen.)

Een oplossing met een enorm potentieel is ‘edge computing’. Verwijzend naar de conceptuele “rand” van het netwerk, is het basisidee om machine learning (ML) -analyses uit te voeren bij de gegevensbron in plaats van de sensorgegevens naar een cloud-app te sturen voor verwerking. Edge computing-analyses (zoals het soort platforms zoals BI.nl kan uitvoeren) genereren bruikbare inzichten op het punt van gegevenscreatie (het IoT-apparaat / sensor) in plaats van de gegevens te verzamelen, deze naar een andere locatie te sturen voor analyse en vervolgens opgedoken intelligentie te verzenden naar ingebedde analyseoplossingen ( bijv. BI-inzichten weergeven voor menselijke gebruikers).

De druk om het edge computing-paradigma toe te passen, neemt toe naarmate het aantal sensoren gegevens uitstuurt. Edge computing-oplossingen in combinatie met een robuust big data-programma voor business intelligence (ondersteund door een door AI aangedreven analyseplatform) zijn een enorme stap voorwaarts voor bedrijven die te maken hebben met deze enorme hoeveelheden snel bewegende en externe gegevens.

Casestudy over big data-analyse: SkullCandy

SkullCandy, een constante innovator op het gebied van headsets en oordopjes, maakt gebruik van zijn big data-opslag met klantgegevens met betrekking tot beoordelingen en garanties om zijn producten in de loop van de tijd te verbeteren. In een draai aan typische analyses gebruikt SkullCandy BI.nl en andere gegevenshulpprogramma’s om door bergen van klantfeedback te graven, wat allemaal tekstgegevens zijn. Dit is een verbetering ten opzichte van eerdere processen, waarbij SkullCandy zich concentreerde op eenvoudiger prestatievoorspellingen met transactionele analyse.

Nu SkullCandy zich heeft gevestigd als een datagedreven bedrijf, experimenteren ze met aanvullende tekstanalyses die inzichten kunnen extraheren uit recensies van hun producten op Amazon, BestBuy en hun eigen site. Teams gebruiken ook tekstanalyses om hun prestaties te vergelijken met die van hun concurrenten.

De big data-reis van SkullCandy begon met het bouwen van een datawarehouse om hun transactiegegevens en recensies te verzamelen. Een doorbraak inzicht / intelligentie in productontwikkeling vond plaats dankzij de tekstanalyse van garanties waardoor SkullCandy was in staat onderscheid te maken tussen productkwesties en klanteducatie​ Het feit dat op AI gebaseerde analyses in een sms een onderscheid kunnen maken tussen product en opleiding, is baanbrekend. Een veelvoorkomend patroon was dat klanten een product retourneerden als kapot, terwijl ze in feite gewoon niet wisten hoe ze bluetooth-connectiviteit moesten gebruiken.

Datagestuurde productontwikkeling profiteerde ook: Big data-analyse stelde SkullCandy in staat garantie- / retourgegevens te analyseren die aantoonden dat een van hun headsets, die meer werd gebruikt tijdens trainingen dan eerder werd gedacht, sneller dan normaal werd geretourneerd. Het bleek dat zweet corrosie veroorzaakte in terminals, wat leidde tot de retouren. Het resultaat was om het product waterdicht te maken.

Onder de vele successen die SkullCandy heeft behaald, zien we ook een waardepatroon afgeleid van big data.

Big Data as a Service: gebruikers meer mogelijkheden geven en middelen besparen

Strikt genomen onderscheidt “big data analytics” zich als de grootschalige analyse van snel bewegende, complexe data. Impliciet in dit onderscheid is dat big data-analyse uitgebreide datasets opneemt die veel verder gaan dan het volume van conventionele databases, waarbij in wezen geavanceerde analyses worden gecombineerd met de inhoud van immense datawarehouses of meren.

Om grip te krijgen op deze enorme hoeveelheden mogelijke informatie, moeten de AI-componenten van een big data-analyseprogramma noodzakelijkerwijs procedures bevatten voor het inspecteren, opschonen, voorbereiden en transformeren van gegevens om een ​​optimaal datamodel te creëren dat de ontdekken van bruikbare intelligentie, patronen identificeren, volgende stappen voorstellen en besluitvorming op belangrijke momenten ondersteunen.

Intelligentie uit big data heeft een reëel potentieel om de wereld te transformeren, van tekstanalyse die klantenserviceproblemen en productontwikkelingspotentieel onthult tot het trainen van financiële modellen om fraude op te sporen of medische systemen om kankercellen te detecteren. Slimme bedrijven stellen gebruikers, analisten en data-ingenieurs in staat om gegevens op terabyte-schaal uit meerdere bronnen voor te bereiden en te analyseren – zonder extra software, technologie of gespecialiseerd personeel.

Gelukkig is het nu mogelijk om al deze mogelijkheden te benutten en de kosten en tijd van interne ontwikkeling te vermijden door deskundige analyses van derden in te bouwen. Erkennend de enorme taak van big data-analyse in combinatie met de waarde van de resultaten, bestaat de natuurlijke neiging om het als een service te gebruiken en daardoor zo snel mogelijk de voordelen van big data als een service te plukken.

big-data-in-de-zorg-blog-cta-banner

Chris Meier is een Manager Analytics Engineering bij BI.nl en heeft 8 jaar ervaring op het gebied van data en analyse, waarbij hij heeft gewerkt bij Ernst & Young en Soldsie. Hij is gepassioneerd door het bouwen van moderne datastacks die transformationele inzichten voor bedrijven ontsluiten.

Trefwoorden: Big data | gegevensanalyse