Table des matières:
- Portez le Big Data directement sur des plateformes sectorielles
- Créer des systèmes de veille stratégique hérités
- Utilisez cet entrepôt de données
- Données de structure
- Identifier et gérer les lacs de données
Il y a beaucoup de discussions ces jours-ci sur ce qui est impliqué dans la création de configurations informatiques Big Data, de l'utilisation d'Apache Hadoop et des outils associés pour innover en matière d'accessibilité, aux conversations sur les moyens techniques pour canaliser les données vers et depuis les entrepôts de données d'entreprise centraux. Mais il y a aussi l'élément philosophique des mégadonnées. En d'autres termes, comment utilisez-vous toutes ces données qui traînent pour vraiment améliorer vos résultats commerciaux et améliorer votre modèle commercial?
Voici cinq façons dont les entreprises calculent les chiffres et les appliquent réellement à des résultats concrets.
Portez le Big Data directement sur des plateformes sectorielles
Un moyen simple de commencer à utiliser des données métier agrégées consiste à placer des éléments de données spécifiques dans des systèmes de processus métier préconçus qui sont conçus pour fournir ces données efficacement. Le meilleur exemple est peut-être les outils de gestion de la relation client (CRM). Les fournisseurs construisent souvent leurs services autour de tableaux de bord qui peuvent présenter aux vendeurs et autres des fichiers ou des dossiers clients efficaces et exploitables.
Le fait est que l'utilisation de CRM suppose que vous disposez des données nécessaires quelque part. Si vous pouvez regrouper des identifiants clients, des historiques d'achat et d'autres articles pertinents, vous pouvez commencer à expédier tout cela sur votre plateforme CRM. Votre équipe commerciale vous en remerciera.
Créer des systèmes de veille stratégique hérités
Encore une fois, vous choisirez et choisirez les ensembles de données spécifiques que vous souhaitez utiliser, mais une autre chose que les entreprises font est de prendre leurs moyens normaux de croquer les données et de les étendre lentement, en injectant de plus en plus d'ensembles de données volumineuses dans leur traditionnel techniques de signalement.
D'accord, il existe donc plus que quelques ressources de mise en garde concernant la quantité de systèmes hérités qui freinent généralement les progrès réels. Mais il existe également des guides pratiques qui montrent certains des défis liés à l'utilisation des technologies héritées pour les mégadonnées, comment cela peut être fait et comment le bon personnel peut faire toute la différence. De plus, techniquement, tout est «hérité» une fois qu'il est déployé, il n'est donc pas toujours logique de supprimer un système hérité chaque fois que quelque chose de mieux se présente.
Utilisez cet entrepôt de données
Si vous avez des données volumineuses dans un référentiel central et que vous savez comment y accéder, vous pouvez créer de nouveaux processus autour de cela.
Voici un excellent exemple de la façon dont certaines grandes entreprises poursuivent des utilisations spécifiques, précises et précises des mégadonnées. Vous pourriez l'appeler l'indexation croisée; il aide une entreprise à construire des modèles cohérents entre tous leurs nombreux types de comptes clients qui peuvent être détenus dans différentes parties de l'architecture logicielle.
En combinant toutes les données exploitables ensemble, une entreprise peut être en mesure de voir si, par exemple, un nom dans sa base de données de point de vente unique correspond à un nom dans l'une de ses divisions de service. L'entreprise importe ensuite les informations dans les deux départements, de sorte que lorsque quelqu'un décroche le téléphone, il sait que cette personne est active sur les deux canaux distincts.
Il s'agit d'une utilisation pratique de l'intelligence d'affaires - elle vous aide à faire quelque chose en fonction de toutes les données volumineuses que vous avez regroupées.
Données de structure
Un autre problème majeur avec les mégadonnées est que les entreprises collectent souvent des données relativement non structurées. Les données non structurées peuvent prendre la forme de documents papier ou numériques, de ressources de base de données brutes ou non raffinées, ou même d'extraits de texte et de code provenant d'appareils mobiles. Ce que les données non structurées ont en commun, c'est qu'elles ne suivent pas le format de la base de données relationnelle. Par conséquent, la base de données traditionnelle liée ne peut pas la gérer, et vous n'en tirez aucune intelligence commerciale.
Il y a deux façons de gérer cela: prenez une pelle et commencez à creuser, ou obtenez des ressources qui affinent ces données non structurées en données exploitables. Les entreprises qui ne souhaitent pas investir dans de nouveaux logiciels peuvent utiliser des mains humaines pour trier les données non structurées et les formater correctement, mais vous avez maintenant des alternatives grâce à des outils qui analyseront efficacement les données non structurées. Les métadonnées, par exemple, sont un moyen d'automatiser l'exploration de données d'une manière qui les rend utiles.
Identifier et gérer les lacs de données
Un autre mot à la mode dans la communauté du Big Data est Data Lake. Essentiellement, le lac de données n'est qu'un grand pool de données inutilisé. C'est la définition par excellence des données au repos - rien n'y est fait, elles ne sont pas dérangées, elles sont aussi glaciales et placides que le placage d'un plan d'eau stagnant.
Encore une fois, il existe de nombreuses façons différentes de gérer les lacs de données, mais tous commencent par réfléchir à ce qui se trouve dans ces ensembles de données volumineuses et pourquoi ils sont en stockage froid en premier lieu. Les entreprises construisent leurs propres centres de données et utilisent des technologies ultramodernes de clustering de données orientées objet pour décomposer ces lacs de données en éléments exploitables. Cela se fait vraiment au cas par cas, mais certains experts ont des suggestions sur la façon de transformer ces lacs de données en canaux utiles qui font que les informations se retrouvent quelque part et font quelque chose.
