F:
Mer är inte alltid bättre. Hur kan organisationer minska bruset i sina data för att uppnå riktad och korrekt analys?
A:Med stora datasystemen är en av de stora frågorna för företag hur man håller dessa projekt väl riktade och effektiva. Många av de verktyg och resurser som byggts för big data är byggda för att suga upp stora mängder information i ett brett nät. De är inte alltid lika uppmärksamma på att förfina dessa data och hålla dem enkla. Det finns emellertid några bästa metoder som uppstår i branschen för att skapa mer riktade och användbara big data-projekt.
En pelare i en riktad Big Data-strategi är att använda rätt programvaruverktyg och resurser. Inte alla analyser och big data-system är desamma. Vissa kan mer effektivt filtrera bort alltför stora eller irrelevanta data och låta företag bara fokusera på de väsentliga fakta som kommer att avgöra deras kärnprocesser och verksamhet.
En annan viktig del av detta involverar människor. Innan man engagerar sig i ett big data-projekt och samtidigt som man köper leverantörsprogramvara, bedriver implementering och utbildning av andra, måste en central grupp människor vara ansvarig för processen och delegera även forskning och brainstormningsuppgifter. Detta kan göra ett big data-tillvägagångssätt till en exakt, kirurgisk metod som kommer att förbättra verksamheten utan att bli för tungt och störa den dagliga verksamheten.
Exempelvis kan arbetsgrupper eller andra kärngrupper sitta ner och titta i detalj på hur implementeringen kommer att göras, hur verksamheten kommer att börja utvärdera datamängden, hur de kommer att korsa indexkonton, vilken typ av papper eller digitala presentationer som de kommer att använda för att sprida den informationen, hur de kommer att bygga användbara rapporter osv. Dessa detaljer kommer att skydda verksamheten från uppblåsning av big data.
När företag börjar skaffa fler leverantörstjänster, göra mer big data-crunching och göra IT-arkitekturer mer komplexa har de lärt sig att skilja ut den mest känsliga informationen från allt annat.
Ett sätt att göra detta är att skapa ett lagrat system. Till exempel kan en kärndatasats med kund-ID och historik lagras i en speciellt underhållen databas under ett visst molnsäkerhetsavtal, eller på plats. Andra uppsättningar av data kan finnas i mindre specialiserade datamiljöer, antingen för att de är mindre känsliga när det gäller dataintrång, eller för att de är mindre direkt relevanta för den analys som verksamheten gör. System med flera nivåer eller flernivå möjliggör kostnadseffektiv implementering av big data.
Det här är några av de sätt som företag blir smart när det gäller att få big data på rätt sätt. Istället för att bara dammsuga upp all information de kan hämta, behandlar de vissa datamängder som mest kritiska för att få så mycket affärsinformation som möjligt.
