Vad $ @! är upptäckten av data?

Näringslivet surrar om upptäckt av data. På ytan verkar det som en enkel term, men denna fångstfras betyder mer än "att hitta saker." Så vad är upptäckt av data, egentligen? Och hur passar det in i det moderna landskapet för mobil, analys och big data?

Upptäckt av data, som ibland kallas data mining, innebär att samla in och analysera data och sedan presentera resultaten i läsbara, användbara format. I de mest grundläggande termerna är upptäckt av data processen att hitta mönster inom data och använda dessa mönster för att uppfylla ett visst affärsmål.

Naturligtvis finns det mer att upptäcka data än att matcha upp poäng. Organisationer använder upptäckt av data för ett brett spektrum av mål och applikationer inom olika områden - och i en modern, digital värld finns det mer data att upptäcka än någonsin.

Var kom dataupptäckten ifrån?

Även om upptäckten av data är relativt ny än det "heta" lexikonet för digitala affärsvillkor, är metoderna och strategierna inte så nya. Termens föregångare, data mining, introducerades på 1990-talet, men företag och organisationer har använt någon form av upptäckt av data sedan handelens början.

Modern upptäckt av data som en affärsstrategi uppstod genom ökningen av big data - en fångstbegrepp som beskriver den relativt senaste exponentiella tillväxten av stora, komplexa datamängder där den stora informationsvolymen utesluter med traditionella databas- och organisationsverktyg för att extrahera allt användbart.

Big data är emellertid en stor uppgift för dagens företag, eftersom bland alla dessa strukturerade och ostrukturerade data är mycket användbara mönster som kan användas för att förbättra marknadsföringsstrategier, ROI och vinst. Plattformar för upptäckt av data är därför utformade för att ge organisationer enklare sätt att identifiera, analysera och extrahera relevant information.

Hur fungerar dataupptäckt

Plattformar för upptäckt av data består vanligtvis av flera verktyg som är samlade och fungerar tillsammans för att extrahera data och presentera det på ett meningsfullt sätt. Det finns flera olika sätt som dessa verktyg hittar och identifierar relevant information, men de flesta handlar om tre grundläggande analysmetoder:

• Metadata: Allt digitalt innehåll innehåller metadata, eller "data om data." Denna information är vanligtvis dold för slutanvändare, men är synlig på baksidan. Metadata lagras vanligtvis med tabeller och kolumnattribut - så verktyg för upptäckt av data som använder metadata letar efter matchningar i kolumnnamn, datastorlek och datatyp.
• Etiketter: I många fall genereras och grupperas data under etiketter, eller taggar, som beskriver data inom den gruppen. Dessa taggar kan genereras när data skapas, eller kan läggas till för referens och ytterligare information. Etiketter eller taggar liknar metadata, även om de är mindre formella.
• Innehåll: Denna strategi analyserar själva uppgifterna snarare än bifogade etiketter eller metadata.

Vanligtvis kommer det att finnas mycket mer innehållsdatavolym än taggar eller metadata, vilket innebär att det tar längre tid att identifiera data efter innehåll och använda mer komplexa upptäckningsmetoder. Men innehållsanalyser tenderar dock att ge rikare och mer användbara relationella resultat.

När data har analyserats kan andra verktyg för upptäckt av data användas för att presentera de upptäckta relationerna, trenderna eller mönstren i ett användbart format. Grafer, tabeller och diagram är grundläggande presentationsverktyg som används vid upptäckt av data, men mer komplexa men läsbara presentationer, till exempel infografik, får fördelar med dataanalytiker.

Vad kan Data Discovery göra?

När det gäller praktisk användning finns det nästan obegränsad användning för plattformar och verktyg för upptäckt av data. Dessa metoder och strategier används oftast av konsumentfrågor i nästan varje bransch, inklusive detaljhandel, finans, kommunikation och marknadsföring, även om icke-vinstdrivande, företag till företag och myndigheter också använder denna teknik.

Upptäckt av data gör det möjligt för en organisation att hitta förhållanden mellan interna faktorer (som pris, produktpositionering och anställdas prestanda) och externa faktorer (till exempel konkurrensdata, ekonomiska indikatorer och kunddemografi). Dessa relationer hjälper företag att illustrera och definiera effekterna av förändringar av en eller flera faktorer på försäljning, kundengagemang och vinst.

Verktygen som används vid upptäckten av data erbjuder en mer detaljerad bild av påverkande faktorer och gör det möjligt för företag att finjustera sina marknadsföringsstrategier och reklamkampanjer med mycket målinriktad information. Rekommendationsmotorn för den populära streamingvideotjänsten Netflix är ett bra exempel på teknik för upptäckt av data på jobbet. Tjänsten använder externa uppgifter om kundernas visningshistorik och interna data om medieinnehållet i sin databas för att göra individualiserade förslag till nya videor som sannolikt kommer att intressera sina kunder.

Men den potentiella tillämpningen av upptäckt av data går utöver detaljhandelskunder. Ett exempel är Advanced Scout-programvara, ett program som används av National Basketball Association (NBA). Den analyserar spelarnas rörelser från bildinspelningar av basketspel för att hjälpa tränare att utveckla strategier och orkestrera spel.

Allteftersom dataupptäcktsplattformar går framåt och tekniken blir mer överkomliga, kommer fler organisationer att kunna använda dessa verktyg för att bättre förstå sina kunder och leverera unika, anpassade erbjudanden som förbättrar handeln för alla.