Big Data

Podstawowe cechy Big Data opisuje tzw. model 5V:

  • duża ilość danych (volume),
  • duża prędkość przetwarzania danych (velocity),
  • duża różnorodność danych (variety),
  • weryfikacja danych (veracity),
  • wartość danych dla użytkownika (value).

Wymienione cechy powodują, że tradycyjne narzędzia do zarządzania danymi nie są w stanie przechowywać ani efektywnie przetwarzać Big Data.

Zarządzanie i analiza danych zawsze przynosiły wymierne korzyści, a równocześnie stanowiły największe wyzwanie dla organizacji (niezależnie od ich wielkości i branży). Dlatego Big Data musi zostać poddana odpowiedniej analizie w celu znalezienia trendów i wyciągnięcia wniosków na temat zawartych w nich informacji. Zajmuje się tym analityka danych. Dziedzina ta ma różne zastosowania – od podstawowej analityki biznesowej (ang. Business Intelligence), poprzez raportowanie i przetwarzanie analityczne online, aż do zaawansowanej analizy z użyciem sztucznej inteligencji.

Podstawowe elementy

Do podstawowych elementów Big Data należą:

  • uczenie maszynowe – odbywa się na podstawie wcześniejszych doświadczeń. Polega na zastosowaniu algorytmów i modeli statystycznych do nauczenia np. robota, jak wykonywać określone zadania bez wyraźnych instrukcji.
  • przetwarzanie języka naturalnego – zdolność komputera do zrozumienia języka ludzkiego.
  • analityka biznesowa (ang. Business Intelligence) – oparta na technologii metoda lub proces, która pozwala uzyskać wgląd w dane poprzez ich analizę i prezentację w taki sposób, aby użytkownicy końcowi (zazwyczaj kadra kierownicza wysokiego szczebla) mogli uzyskać z nich użyteczne spostrzeżenia i podjąć na ich podstawie świadome decyzje biznesowe.
  • chmura obliczeniowa – dostarczanie usług obliczeniowych (serwerów, pamięci masowej, baz danych, sieci, oprogramowania, analityki, inteligencji oraz usług w chmurze), oferujących szybsze innowacje, elastyczne zasoby i korzyści skali.

Mechanizm działania

Technologie cyfrowe (aplikacje na telefony, media społecznościowe, strony www itp.) oraz procesy i maszyny produkcyjne codziennie generują ogromne ilości danych. Dane wytwarzane są również przez wiele innych źródeł m.in. sprzęt medyczny, elektroniczne bilety (np. lotnicze) oraz komputery w samochodzie, a także pochodzą z tekstu, dźwięku, wideo i obrazów. Wszystkie te informacje łączą się z innymi źródłami danych i stają się Big Data.

Big Data jest analizowana przez organizacje i firmy z różnych powodów, np. w celu odkrywania wzorców i trendów związanych z ludzkim zachowaniem oraz interakcją z technologią, które mogą być następnie wykorzystane do podejmowania decyzji wpływających na to, jak żyjemy, pracujemy i spędzamy wolny czas.

Powiązanie z innymi technologiami

Big Data jest powiązana z wieloma innymi technologiami, w tym z: Internetem Rzeczy, sztuczną inteligencją, analizą danych, chmurami do składowania i przetwarzania danych, obliczeniami kwantowymi, cyberbezpieczeństwem, Edge Computing, inteligentnymi chatbotami i wieloma innymi.

Użycie tych technologii pozwala na:

  • zwiększenie szybkości różnych działań, np. przetwarzania danych; dostępu do danych, towarów i usług; podejmowania decyzji; oceny potencjalnej wartości klienta,
  • zwiększenie wydajności, jakości i spójności przetwarzania danych,
  • dostęp do zweryfikowanych i autentycznych danych,
  • zwiększenie przychodów,
  • elastyczność, przewidywanie potrzeb, dostarczanie odpowiednich produktów,
  • personalizację usług,
  • zmniejszenie ryzyka np. oszustw.

Znaczenie dla gospodarki

Big Data znajduje zastosowanie w wielu dziedzinach, w tym:

  • Bankowości – np. ostrzeganie przed oszustami, raportowanie o ryzyku kredytowym w przedsiębiorstwie, analityka społeczna dla handlu.
  • Komunikacji, mediach i rozrywce – np. gromadzenie, analiza i wykorzystanie wiedzy o konsumentach, wykorzystanie treści z mediów mobilnych i społecznościowych, tworzenie wzorców korzystania z treści medialnych.
  • Sektorze opieki zdrowotnej – np. poprawa świadczenia usług oraz obsługi klientów, ograniczenie kosztów opieki zdrowotnej.
  • Edukacji – np. mierzenie efektywności postępów i rozwoju.
  • Przemyśle wytwórczym i zarządzaniem zasobami naturalnymi – np. obniżenie kosztów, zwiększenie efektywności, zwiększenie sprzedaży, zwiększenie szybkości wdrażania rozwiązań innowacyjnych, bardziej efektywne badania i rozwój.
  • Ubezpieczeniach – np. dostosowanie produktów do potrzeb klienta, analiza i przewidywanie zachowań klientów.
  • Handlu detalicznym i hurtowym – np. kontrola lojalności klientów, inwentaryzacja, wgląd w lokalne dane demograficzne gromadzone przez sklepy detaliczne i hurtowe.
  • Transporcie – np. kontrola ruchu, planowanie tras, inteligentne systemy transportowe, zarządzanie komunikacją.
  • Sektorze energetycznym i usługach komunalnych – np. analiza zużycia mediów, lepsze zarządzanie aktywami i pracownikami.

Patrz także: