'
Big Data kan tackle de forskellige vanskeligheder, som store organisationer står over for. Følgende er store værdisager for Big Data-brug, der kan bruges til at tackle de bekymringer, de står over for.
Big Data Exploration
Big Data-udforskning beskæftiger sig med udfordringer som information gemt i forskellige systemer og adgang til disse data for at udføre daglige opgaver, der står over for store organisationer. Big Data-udforskning giver dig mulighed for at analysere data og få værdifuld indsigt fra dem.
Forbedret 360 & ordm kundeudsigt
Forbedring af eksisterende kundevisninger hjælper med at få fuld forståelse af kunderne, tackle spørgsmål som hvorfor de køber, hvordan de foretrækker at shoppe, hvorfor de ændrer sig, hvad de køber næste gang, og hvilke funktioner der får dem til at anbefale en virksomhed til andre.
Sikkerhed / efterretningsudvidelse
Forbedring af cybersikkerheds- og efterretningsanalyseplatforme med Big Data-teknologier til at behandle og analysere nye typer fra sociale medier, e-mails, sensorer og Telco, reducere risici, opdage svindel og overvåge cybersikkerhed i realtid for væsentligt at forbedre efterretnings-, sikkerheds- og retshåndhævelsesindsigt .
Operationsanalyse
Operationsanalyse handler om at bruge Big Data-teknologier til at muliggøre en ny generation af applikationer, der analyserer store mængder multistrukturerede, som maskindata og driftsdata for at forbedre forretningen. Disse data kan omfatte alt fra it-maskiner til sensorer og målere, og GPS-enheder kræver kompleks analyse og korrelation på tværs af forskellige typer datasæt.
Modernisering af datalager
klasse __init__ python
Big Data skal integreres med datalagerfunktioner for at øge driftseffektiviteten. At slippe af med sjældent tilgængelige eller gamle data fra lager- og applikationsdatabaser kan gøres ved hjælp af software til software og værktøjer til integration af information.
Virksomheder og deres Big Data-applikationer:
Guangdong-mobiler:
En populær mobilgruppe i Kina, Guangdong bruger Hadoop til at fjerne flaskehalse for dataadgang og afdække kundebruksmønster for præcise og målrettede markedsføringer og Hadoop HBase til automatisk opdeling af datatabeller på tværs af noder for at udvide datalagring.
Red Sox:
World Series-mestrene støder på enorme mængder af strukturerede og ustrukturerede data relateret til spillet som om vejret, modstanderhold og kampagner før spillet. Big Data giver dem mulighed for at give prognoser om spillet, og hvordan de tildeler ressourcer baseret på forventede variationer i det kommende spil.
Nokia:
Big Data har hjulpet Nokia med at gøre effektiv brug af deres data til at forstå og forbedre brugernes oplevelse af deres produkter. Virksomheden udnytter databehandling og komplekse analyser til at oprette kort med forudsigende trafik og lagdelte højdemodeller. Nokia bruger Clouderas Hadoop-platform og Hadoop-komponenter som HBase, HDFS, Sqoop og Scribe til ovenstående applikation.
Huawei:
Huawei OceanStor N8000-Hadoop Big Data-løsning er udviklet baseret på avanceret grupperet arkitektur og opbevaringsevne på virksomhedsniveau og integrerer den med Hadoop computing framework. Denne innovative kombination hjælper virksomheder med at få realtidsanalyse og behandlingsresultater fra udtømmende databehandling og -analyse, forbedrer beslutningstagning og effektivitet, gør ledelsen nemmere og reducerer omkostningerne ved netværk.
SAS:
SAS har kombineret med Hadoop for at hjælpe dataforskere med at omdanne Big Data til større indsigt. Som et resultat er SAS kommet med et miljø, der giver visuel og interaktiv oplevelse, hvilket gør det lettere at få indsigt og udforske nye tendenser. De potente analytiske algoritmer udtrækker værdifuld indsigt fra dataene, mens in-memory-teknologien giver hurtigere adgang til data.
CERN:
Big Data spiller en vigtig rolle i CERN, hjemmet til den store Hadron Supercollider, da den indsamler utrolig mængde data fra sine 40 millioner billeder i sekundet fra sine 100 megapixel kameraer, hvilket giver 1 petabyte data pr. Sekund. Dataene fra disse kameraer skal analyseres. Laboratoriet eksperimenterer med måder at placere flere data fra sine eksperimenter i både relationsdatabaser og datalagre baseret på NoSQL-teknologier, såsom Hadoop og Dynamo i Amazons S3's cloud storage-service
Buzzdata:
Buzzdata arbejder på et Big Data-projekt, hvor det er nødvendigt at kombinere alle kilder og integrere dem på et sikkert sted. Dette skaber et godt sted for journalister til at forbinde og normalisere offentlige data.
Forsvarsministeriet:
Forsvarsministeriet (DoD) har investeret cirka 250 millioner dollars til at udnytte og bruge kolossal mængde data til at komme med et system, der kan tage kontrol og træffe autonome beslutninger og hjælpe analytikere med at yde support til operationer. Afdelingen har planer om at øge deres analytiske evner med 100 gange, udtrække information fra tekster på ethvert sprog og en tilsvarende stigning i antallet af objekter, aktiviteter og begivenheder, som analytikere kan analysere.
Defense Advanced Research Projects Agency (DARPA):
DARPA har til hensigt at investere ca. 25 millioner dollars for at forbedre beregningsteknikker og softwareværktøjer til analyse af store mængder semistrukturerede og ustrukturerede data.
National Institutes of Health:
Med 200 terabyte data indeholdt i 1000 Genomes Project er det alle indstillet til at være et godt eksempel på Big Data. Datasættene er så massive, at meget få forskere har beregningskraften til at analysere dataene.
Eksempler på Big Data-applikationer i forskellige brancher:
Detail / Forbruger:
- Analyse af markedskurve og optimering af priser
- Merchandizing og markedsanalyse
- Supply chain management og analytics
- Adfærdsbaseret målretning
- Markeds- og forbrugssegmenteringer
Finans- og bedrageritjenester:
- Kundesegmentering
- Overholdelse og lovgivningsmæssig rapportering
- Risikoanalyse og styring.
- Bedrageri og sikkerhedsanalyse
- Medicinsk forsikringssvindel
- CRM
- Kreditrisiko, scoring og analyse
- Handelsovervågning og unormal handelsmønsteranalyse
Sundheds- og biovidenskab:
- Kliniske forsøg dataanalyse
- Analyse af sygdomsmønster
- Patientplejekvalitetsanalyse
- Analyse af lægemiddeludvikling
Telekommunikation:
- Prisoptimering
- Forebyggelse af kundernes churn
- CDR-analyse (Call Detail Record)
- Netværksydelse og optimering
- Analyse af mobilbrugerplacering
Enterprise Data Warehouse:
- Forbedre EDW ved at aflaste behandling og lagring
- Forbehandlingshub før du kommer til EDW
Spil:
- Adfærdsanalyse
Højteknologisk:
- Optimer tragtkonvertering
- Forudsigelig support
- Forudsig sikkerhedstrusler
- Enhedsanalyse
Relaterede indlæg:
Karriere fordelagtigt gennem Hadoop certificering .
Stigende popularitet af Hadoop og MongoDB.
Hvor vigtigt er Hadoop-træning?
Ofte stillede spørgsmål om Hadoop 2.0.
hvad er apache gnist vs hadoop