Les 10 principales idées fausses sur le Big Data


Cet article a pour but de dissiper cette erreur et quelques autres concernant Big Data de faire le ménage, de donner ainsi du courage pour les projets de big data et d'apporter plus de clarté dans la thématique.
1. seulement Médias sociaux–Données sont Big Data:
Même si dans le débat général sur Big Data Médias sociaux-Bien que les chaînes de télévision soient probablement les sources de données les plus souvent citées, il existe de nombreuses autres sources.
Par exemple
- Bio/médical Données à partir de séries de tests
- Données de réseaux techniques
- Données d'émetteurs, tels que les étiquettes RFID
- Données géographiques sur les régions à risque d'inondation
- Données de machines ou de capteurs
- Données de trafic
- Données météorologiques
- Données audio des centres d'appels
- données d'images issues de la vidéosurveillance.
2. il n'y a que dans le domaine du CRM qu'il existe des business cases
L'accent mis sur le CRM (Customer Relationship Management) en tant qu'élément essentiel de l'activité de l'entreprise a permis d'améliorer la qualité de vie des clients. Case pour les analyses de big data est étroitement liée à la focalisation sur les Données de Médias sociaux-chaînes.
Cependant, la recherche assistée par le Big Data est Analyse Les relations avec les clients n'ont pas la même utilité et la même valeur ajoutée pour toutes les entreprises.
Les business cases qui entrent réellement en ligne de compte pour une entreprise dépendent du secteur d'activité de l'entreprise, de la spécialisation du secteur, du modèle d'entreprise de l'entreprise, de la stratégie de l'entreprise, de la stratégie informatique, de la BI-stratégie, etc.
3. Big Data n'a de valeur ajoutée que pour les entreprises commerciales
Même dans le contexte du CRM en tant que business Case se trouve la Hypothèseque Big Data n'a de valeur ajoutée que pour les entreprises commerciales ou médiatiques
La référence aux nombreuses sources de big data suffit déjà à réfuter cette idée. Hypothèse. Par exemple, les entreprises pharmaceutiques pourraient Données à partir de séries de tests comme source de données volumineuses pour des informations sur le mode d'action de combinaisons de substances actives dans des médicaments.
Les assurances pourraient Données géographiques sur les conditions de vent et de météo comme source de données volumineuses pour évaluer les risques à assurer.
Les entreprises de production pourraient utiliser les données des capteurs pour assurer une maintenance proactive de leurs installations de production.
Il existe donc suffisamment de cas d'affaires potentiels pour les entreprises non commerciales.
4. Big Data n'a de valeur ajoutée que pour les grandes entreprises
Dans le débat actuel sur les business cases pour Big Data résulte en partie des entreprises citées comme utilisatrices de Big Data, Amazon, Apple, Facebook ou Google l'impression que les Analyse de Big Data n'est utile que pour les très grandes entreprises et n'est réalisable que par ces dernières en raison des ressources nécessaires.
La taille de l'entreprise n'est pas un facteur déterminant pour les cas d'entreprise à valeur ajoutée, ni une garantie de réussite des projets de big data.
En raison d'une hiérarchie plus plate, d'un réseau plus dense au sein de l'entreprise et d'une plus grande proximité avec les clients, les petites entreprises peuvent tout à fait être à l'origine de cas d'affaires innovants autour de l'informatique. Big Data s'arrêtent.
De plus, l'utilisation prétendument nécessaire des ressources peut aujourd'hui être réalisée via des services SaaS (Logiciel en tant que service) et les modèles IaaS (Infrastructure as a Service). Donc : aucun obstacle pour les petites entreprises en soi.
5. Big Data est un sujet informatique :
Les projets Big Data doivent être lancés par les services spécialisés d'une entreprise. Ceux-ci connaissent les Processus d'affaires et peuvent apprécier la valeur ajoutée de la Analyse de Big Data en conséquence.
Dans ce contexte, il est recommandé de se mettre à la recherche du business Case de se servir également de suggestions "fraîches" venant de l'extérieur de l'entreprise. Dans tous les cas, les business cases doivent correspondre au modèle commercial de l'entreprise.
Big Data est donc en premier lieu un sujet conduit par des spécialistes et non une fin technologique en soi.
Mais l'inverse, à savoir que l'informatique doit être "tenue à l'écart" des projets de Big Data ou, au mieux, informée, serait une erreur au moins aussi grave.
Le site Analyse de Big Data est rendue possible par des outils appropriés. Dans ce cas, l'IT soutient les services spécialisés dans le choix de la technologie et des outils.
L'implication précoce de l'informatique et une collaboration étroite entre les services spécialisés et l'informatique peuvent éviter une prolifération coûteuse d'outils et sont donc indispensables.
6. Big Data nécessite dans tous les cas des investissements informatiques :
Big Data ne nécessite pas toujours d'investir dans de nouveaux logiciels et infrastructures. Vers Analyse de Big Data peut par exemple utiliser la technologie établie depuis de nombreuses années Exploration de données sont utilisés.
Exploration de données peut servir de technologie de choix pour les business cases autour de Text Analytics, Predictive Analytics et Preventive Analytics.
Au moins Exploration de données-Les fonctionnalités de base sont déjà disponibles aujourd'hui avec quelques BILes plates-formes d'échange de données sont proposées "out-of-the-box".
Si des goulots d'étranglement apparaissent sur l'infrastructure interne de l'entreprise en raison du volume de données à analyser, les modèles IaaS déjà mentionnés constituent une mesure intéressante.
Une précision Analyse des éventuels besoins en ressources, y compris dans le domaine professionnel, est néanmoins absolument nécessaire.
7. il manque des techniques de visualisation innovantes
Le site Visualisation La présentation de contextes et de faits inconnus à un groupe cible de plus en plus large et hétérogène est en effet un défi.
Il existe cependant des approches prometteuses, comme les Tree Maps, qui permettent d'établir des liens et des faits dans des Big Data de visualiser.
Imaginons que nous nous trouvions devant une botte de foin et que nous devions chercher l'aiguille tant recherchée - c'est peine perdue !
Quelle serait l'utilité de marquer d'une manière ou d'une autre cet "objet étranger" du point de vue de la meule de foin et, dans l'idéal, d'attirer encore notre attention sur ce marquage ?
Une combinaison de Visualisation peut être une approche. Pourquoi ne pas parler, par exemple, d'une étude en 3-DVisualisation d'une voiture, la présentation des coûts de garantie et de tolérance de différents composants ou groupes de composants ?
Les relations sont ainsi beaucoup plus clairement identifiables et analysables de manière plus interactive que dans un rapport en colonnes regroupé par composants.
8. la masse seule fait de Data un Big Data:
Big Data ne deviennent pas des "big" data du seul fait de leur volume.
Habituellement, "les trois V" Volume, Variété et Vélocité sont utilisés pour définir des Big Data est utilisée.
Le premier V, "Volume", confirme l'association évidente entre les très grands volumes et les plus petits volumes. Données - n'est cependant qu'une caractéristique parmi d'autres.
9. seul non structuré Données sont Big Data:
Le deuxième V, "Variety", caractérise, en plus de "Volume", la diversité des Données et comprend différents types d'informations structurées, semi-structurées et non structurées. Données.
10. traitement en temps réel Données sont Big Data:
Le troisième V, "Velocity", caractérise finalement la fréquence et la durée du flux de données. Dans cette mesure, les données à traiter en temps réel sont Données une des caractéristiques possibles des intervalles de livraison des données pour Big Data.
Inversement, toutes les données livrées en temps réel ne sont pas nécessairement des données de base. Données Big Data.
Voici quelques exemples :
Pour le reporting opérationnel des opérations de commande, toutes les modifications du système source transactionnel sont envoyées, immédiatement après la modification, à un système de gestion des commandes. BI-est livré avec le système.
Il en résulte certes une augmentation continue de la Flux de données - les produits livrés Données sont toutefois clairement structurées et le reporting ne prend en compte que ces Données => pas de Big Data-Analyse.
La livraison préalable des données est complétée par des commentaires "O-Ton" du client lors du processus de commande au centre d'appel.
Ces commentaires ne sont pas structurés et peuvent donc être analysés différemment, mais ils doivent être intégrés dans une analyse plus globale. Analyse des données clients, des processus de commande et de la satisfaction des clients.
Dans ce scénario, les données structurées et non structurées sont utilisées. Données pour les Analyse est également utilisé. Flux de données pas de manière continue ou régulière.
En fin de compte, seule une réflexion spécifique à l'entreprise peut décider de la valeur ajoutée de l'utilisation de Big Data décider.
Dans tous les cas, il est recommandé de se pencher sérieusement sur la question.