Los 10 principales conceptos erróneos sobre los macrodatos

Este artículo pretende abordar éste y otros conceptos erróneos que rodean a la política de competencia. Grandes datos y así fomentar los proyectos de Big Data y aportar más claridad al tema.

1. sólo Redes sociales–Datos son Grandes datos:

Aunque en el debate general sobre Grandes datos Redes sociales-Aunque las fuentes de datos mencionadas con más frecuencia son probablemente los canales principales, existen muchas otras fuentes.

Por ejemplo:

• Bio/médico Datos de series de pruebas
• Datos de redes técnicas
• Datos de transmisores, como las etiquetas RFID
• Geodatos a regiones propensas a las inundaciones
• Datos de máquinas o sensores
• Datos de tráfico
• Datos meteorológicos
• Datos sonoros de los centros de llamadas
• Datos de imágenes de videovigilancia.

2. sólo en el área de CRM existen casos de negocio:

El enfoque en CRM (Customer Relationship Management) como el negocio Caso para el análisis de macrodatos está estrechamente relacionado con la Datos de Redes sociales-canales.

Sin embargo, el Big Data asistido Análisis de las relaciones con los clientes no tiene el mismo beneficio y valor añadido para todas las empresas.

Qué casos empresariales se plantean realmente para una empresa depende del sector de la empresa, el enfoque sectorial, el modelo de negocio de la empresa, la estrategia corporativa, la estrategia de TI, el BI-Estrategia, etc.

3. Grandes datos sólo tiene valor añadido para las empresas comerciales:

También en el contexto de CRM como el negocio Caso se encuentra el Aceptaciónque Grandes datos sólo tiene valor añadido para las empresas comerciales o de medios de comunicación.

La sola referencia a las numerosas fuentes de Big Data lo refuta Aceptación. Por ejemplo, las empresas farmacéuticas podrían ofrecer Datos de series de ensayos como fuente de Big Data para obtener información sobre el modo de acción de las combinaciones de fármacos.

Las compañías de seguros podrían Geodatos el viento y las condiciones meteorológicas como fuente de Big Data para evaluar los riesgos a asegurar.

Las empresas manufactureras podrían utilizar los datos de los sensores para realizar un mantenimiento proactivo de sus instalaciones de producción.

Así que también hay suficientes casos potenciales de negocio para las empresas no comerciales.

4. Grandes datos sólo tiene valor añadido para las grandes empresas:

En el debate actual sobre casos empresariales para Grandes datos se debe en parte a que Amazon ha sido nombrada usuaria de Big Data, ManzanaFacebook o Google la impresión de que la Análisis de Grandes datos sólo es útil para empresas muy grandes y sólo es viable para ellas debido a los recursos necesarios.

El tamaño de una empresa no es ni un factor decisivo para los casos empresariales de valor añadido ni una garantía de éxito en la implantación de proyectos de Big Data.

Las empresas más pequeñas, en particular, están muy bien situadas para desarrollar casos empresariales innovadores en el ámbito de la Grandes datos de pie.

Y el uso supuestamente necesario de recursos también puede hacerse hoy en día a través de SaaS (Software como servicio) e IaaS (infraestructura como servicio). Así pues: no hay obstáculos para las empresas más pequeñas en sí.

5. Grandes datos es una cuestión informática:

Los proyectos de Big Data deben ser iniciados por los departamentos especializados de una empresa. Estos conocen los Procesos empresariales y puede ver el valor añadido de la Análisis de Grandes datos evaluar en consecuencia.

Aquí es aconsejable buscar la Empresa Caso utilizar también sugerencias "frescas" de fuera de la empresa. En cualquier caso, los casos empresariales deben ajustarse al modelo de negocio de la empresa.

Grandes datos es, por tanto, ante todo una cuestión profesional y no un fin tecnológico en sí mismo.

Sin embargo, la conclusión contraria, es decir, que las TI quedan "al margen" de los proyectos de Big Data o que, en el mejor de los casos, deben ser informadas, sería un error igual de grave.

El Análisis de Grandes datos es posible gracias a herramientas adecuadas. En este caso, TI apoya a los departamentos en la selección de tecnología y herramientas.

La implicación temprana de TI y la estrecha colaboración entre las unidades de negocio y TI pueden evitar una costosa proliferación de herramientas y, por tanto, son esenciales.

6. Grandes datos requiere en cualquier caso inversiones en TI:

Grandes datos no siempre requiere inversiones en nuevos programas informáticos e infraestructuras. Ir a Análisis de Grandes datos Por ejemplo, la tecnología que se ha establecido a lo largo de muchos años Extracción de datos entran en juego.

Extracción de datos puede servir como tecnología de elección para casos empresariales en torno al análisis de texto, el análisis predictivo y el análisis preventivo.

Por lo menos Extracción de datos-las funcionalidades básicas ya se ofrecen hoy en día con algunos BI-las plataformas se ofrecen "listas para usar".

Si surgen cuellos de botella en la infraestructura interna de la empresa debido a los volúmenes de datos que deben analizarse, los modelos IaaS ya mencionados se ofrecen como medida.

Un exacto Análisis No obstante, es imprescindible identificar las posibles necesidades de recursos, también en el ámbito técnico.

7. faltan técnicas de visualización innovadoras:

El Visualización La presentación de contextos y hechos desconocidos a un grupo destinatario cada vez más amplio y heterogéneo es, sin duda, un reto.

Mientras tanto, sin embargo, existen enfoques prometedores, como los mapas de árboles, para establecer conexiones y hechos en Grandes datos visualizar.

Esto se ilustra claramente con la "aguja en el pajar": imaginemos que estamos delante de un pajar y se supone que tenemos que buscar la tan buscada aguja... ¡sin esperanza!

¿Hasta qué punto sería útil que este "objeto extraño" desde el punto de vista del pajar estuviera marcado de alguna manera y, en el mejor de los casos, que siguiéramos siendo conscientes de esta marca?

También un combinado Visualización puede ser un enfoque. ¿Por qué no, por ejemplo, pensar en un sistema 3-D?Visualización de un automóvil la presentación de los costes de garantía y fondo de comercio de componentes individuales o grupos de componentes?

De este modo, las interrelaciones son mucho más claramente reconocibles y pueden analizarse de forma más interactiva que en un informe de columnas agrupadas por componentes.

8. la masa por sí sola hace que Data Grandes datos:

Grandes datos no se convierten en "grandes" datos simplemente por su cantidad.

Normalmente, "las tres V" Volumen, Variedad y Velocidad se utilizan para definir el Grandes datos consultado.

Aquí, la primera V, "Volumen", confirma la asociación obvia de volúmenes muy grandes de la Datos - es, sin embargo, sólo una característica de varias.

9. solo sin estructura Datos son Grandes datos:

La segunda V, "Variedad", además de "Volumen", caracteriza la diversidad de la Datos e incluye diferentes tipos de información: estructurada, semiestructurada y no estructurada. Datos.

10. procesamiento en tiempo real Datos son Grandes datos:

La tercera V, "Velocidad", caracteriza la frecuencia y duración del flujo de datos. En este sentido, el tratamiento en tiempo real es el Datos Una de las posibles características de los intervalos de entrega de datos para Grandes datos.

A la inversa, sin embargo, no todas las entregas en tiempo real son necesariamente Datos Grandes datos.

He aquí algunos ejemplos:

Para la información operativa de las transacciones de pedidos, todas las modificaciones se transfieren del sistema fuente transaccional inmediatamente después de que se realice la modificación a un BI-sistema.

Aunque el resultado es un Flujo de datos - el entregado Datos están claramente estructurados y los informes sólo los tienen en cuenta. Datos => no Big DataAnálisis.

La entrega de datos anterior se complementa con los comentarios "O-Ton" del cliente durante el proceso de pedido en el centro de llamadas.

Estos comentarios no están estructurados y, por lo tanto, son diferentes de analizar, pero deberían integrarse en un análisis más exhaustivo. Análisis de los datos de los clientes, los procesos de pedido y la satisfacción de los clientes.

En este escenario, tanto estructurados como no estructurados Datos para la Análisis y el Flujo de datos no continua ni regular.

Al fin y al cabo, sólo una consideración específica de la empresa puede determinar el valor añadido de utilizar Grandes datos decidir.

En cualquier caso, se recomienda un examen serio del tema.