Al decennia lang heeft IT vertrouwd op conventionele business intelligence en datawarehousing, met duidelijk gedefinieerde vereisten en vooraf gedefinieerde rapporten.

We bevinden ons nu in een nieuw tijdperk van big data-analyse, waar ontdekking deel uitmaakt van het proces, zodat doelstellingen verschuiven naarmate nieuwe inzichten naar voren komen. Dit vereist een infrastructuur en een proces dat snel en naadloos kan gaan van gegevensverkenning tot zakelijk inzicht tot bruikbare informatie.

Om gegevens snel om te zetten in bedrijfswaarde, moet een big data-architectuur worden gezien als een supply chain die het volume, de variëteit en de snelheid van gegevens kan beheren en verwerken. Om te beginnen heeft elk bedrijf een groot gegevensproces nodig. Dat proces is verdeeld in drie stappen:

1. Identificeer bedrijfsdoelen

Niemand zou big data moeten inzetten zonder een algehele visie voor wat er wordt gewonnen. De basis voor het ontwikkelen van deze doelen is uw data science and analytics-team dat nauw samenwerkt met materiedeskundigen. Gegevenswetenschappers, analisten en ontwikkelaars moeten samenwerken om prioriteiten te stellen voor bedrijfsdoelen, inzichten te genereren en hypothesen en analytische modellen te valideren.

2. Maak inzichten in big data operationeel

Het is noodzakelijk dat het data science-team samenwerkt met het devops-team. Beide groepen moeten ervoor zorgen dat inzichten en doelen operationeel zijn, met herhaalbare processen en methoden, en ze communiceren bruikbare informatie door aan belanghebbenden, klanten en partners..

3. Bouw een grote datapijplijn

De architectuur voor gegevensbeheer en analysesystemen moet samenwerking mogelijk maken en handmatige stappen elimineren. De big data-toeleveringsketen bestaat uit vier belangrijke bewerkingen die nodig zijn om onbewerkte gegevens om te zetten in bruikbare informatie. Waaronder:

  • Verwerven en opslaan: Toegang tot alle soorten gegevens vanaf elk platform bij elke latentie via adapters tot operationele en verouderde systemen, sociale media en machinegegevens, met de mogelijkheid om gegevens te verzamelen en op te slaan in batch-, realtime- en near-real-time-modi.
  • Verfijn en verrijk: Integreer, reinig en bereid gegevens voor op analyse, verzamel zowel technische als operationele metadata om datasets te taggen en te verrijken, waardoor ze gemakkelijker te vinden en opnieuw te gebruiken zijn.
  • Verken en cureer: Door gegevens bladeren en patronen, trends en inzichten met potentiële bedrijfsimpact visualiseren en ontdekken; Beheer en beheer die datasets die de meeste bedrijfswaarde hebben.
  • Distribueren en beheren: Transformeer en verspreid bruikbare informatie naar eindgebruikers via mobiele apparaten, bedrijfsapplicaties en andere middelen. Beheer en ondersteun overeenkomsten op serviceniveau met een flexibele inzetarchitectuur.

Zodra het proces is opgezet, kan de big data-referentiearchitectuur deze vier veelvoorkomende big-use-casepatronen ondersteunen, waarmee actiegerichte business intelligence mogelijk wordt: optimalisatie van datawarehouses, 360-graden klantanalyses, realtime operationele intelligentie en beheerde datameren.

Optimalisatie van datawarehouses

Naarmate gegevensvolumes toenemen, besteden bedrijven steeds meer aan de datawarehouse-omgeving. Het probleem ontstaat wanneer de capaciteit in de omgeving te snel wordt verbruikt, wat organisaties uiteindelijk dwingt tot kostbare upgrades in opslag- en verwerkingskracht.

Een manier om met grote hoeveelheden data te groeien, is door Hadoop in te zetten, een goedkope oplossing voor het op grote schaal opslaan en verwerken van gegevens. In plaats van ruwe gegevens die afkomstig zijn van de bronsystemen naar het magazijn te stagen, bewaart u eenvoudig de oorspronkelijke brongegevens in Hadoop.

Van daaruit kunt u de gegevens voorbereiden en verwerken voordat u de resultaten (een veel kleinere set gegevens) terugplaatst in het datawarehouse voor business intelligence en analytische rapportage. Hadoop vervangt niet het traditionele datawarehouse, maar het biedt een uitstekende, complementaire oplossing.

360-graden klantanalyses

De meeste bedrijven willen hun klanten beter begrijpen om loyaliteit en retentie te vergroten - en om producten of diensten te verkopen. Om dit te doen, moet u een 360-graden beeld van de klant ontwikkelen.

CRM-software heeft dit al lang beweerd. Tegenwoordig zijn er echter nieuwe soorten gegevens over individuen in overvloed aanwezig via sociale, mobiele en e-commercekanalen - evenals klantendienstrecords, telematica, sensorgegevens en clickstream-gegevens op basis van webinteracties.

Een echt 360-gradenoverzicht betekent nu dat u toegang moet kunnen krijgen tot nieuwe gegevenstypen, samen met traditionele gegevenssoorten, ze kunt combineren, transformeren en alles kunt analyseren om nieuwe inzichten over klanten en prospects te ontdekken.

Dit grotere niveau van begrip, gecombineerd met big data-algoritmen voor voorspellende analyse, stelt organisaties in staat om klantgedrag nauwkeuriger te voorspellen en zinvolle aanbevelingen te doen. Door uw klanten beter te leren kennen, inclusief wat ze zeggen en doen, kunt u meer waarde aan hen leveren.

Real-time operationele intelligentie

Real-time operationele intelligentie is het vermogen om in realtime te monitoren en (optimaal) op gebeurtenissen te reageren. Een voorbeeld hiervan in verkoop of marketing staat bekend als 'marketing tot nu toe'.

Via een mobiel apparaat kan een verkoopmedewerker bijvoorbeeld informatie krijgen over een klant zodra hij of zij de winkel binnenloopt, inclusief de recente ervaringen van de klant op de e-commercesite van de winkel..