Koncept i definition ABC

Vi lever i en tid, hvor data bugner. Lad os tænke lidt over det: hvilke data om os kan der være i Internet, flyder i cyberspace? Navn, efternavn, måske adresse (produkt fra et køb, som vi har foretaget online, og som naturligvis har været nødt til at ankomme til vores hus), musik hvad vi hører (fra vores Spotify-lister eller hvad vi lytter til på Soundcloud), hvilke artikler vi ser på (produkt af de sider, vi ser på Amazon og andre onlinebutikker) og mange flere.

Denne mængde data, når de først er behandlet og analyseret, kan føre os til konklusioner, både om individuelle mennesker og om sæt af befolkning, og endda at differentiere disse efter deres præferencer, konklusioner, som vi igen kan anvende på specifikke individer i form af anbefalinger. For dette er den disciplin af Store data.

Vi definerer Store data som den disciplin inden for beregningsvidenskab, der beskæftiger sig med fangst, styring og analyse af store datasæt, drage konklusioner fra denne analyse og anvende disse konklusioner i sager beton.

Det vil sige Store data det er en komplet disciplin, og ikke kun samlingen og opbevaring af store datasæt.

I en æra, hvor data ikke kun er knappe, men i mange tilfælde har vi mere, end vi gerne vil, eller som kan være virkelig nyttige, Store data det handler også om, hvordan vi vælger de data, der virkelig er nyttige for os til at udføre analyser og drage konklusioner.

Det ultimative mål for Store data er at opnå en fordel for vores virksomhed eller initiativ.

Lad os tage en konkret sag: Lad os antage, at vi har en online musikbutik, og at det, hvad vores kunder hører, Vi gemmer information såsom sangtitel, kunstnernavn og antallet af gange hver spilles. sang.

Når alle disse data er analyseret, kan vi nå flere konklusioner. Lad os sige, at vi ser, at hver af vores klient Det er almindeligt at klassificere deres musikalske muligheder i en eller et par specifikke genrer, og at vi kan klassificere hver af de grupper og kunstnere, som vi har i vores katalog i disse genrer.

Så vi kan bruge Store data at anbefale vores butikskunder at lytte til (og senere købe selvfølgelig!) musik fra bestemte grupper, der passer til deres præferencer.

På denne måde tilbyder vi en service, der er mere tilpasset de personlige præferencer for hver af vores kunder, hvilket gør den mere personlig og derfor giver dem “din butik” i stedet for en butik generisk.

Det Store data Det er den disciplin, de bruger for eksempel i sociale netværk til at foreslå sider og profiler, der skal følges, eller indholdswebsteder til at foreslå læsninger.

Amazon er en af ​​de virksomheder, der eksemplificerer brugen af Store dataSiden analysen af ​​forespørgsler og køb fra alle brugere af dette berømte websted konkluderes det, hvilke forslag til nye produkter der skal vises til hver enkelt bruger.

Det skal dog bemærkes, at ikke alt, der foreslås os på Internettet, er resultatet af trendanalyse igennem Store data.

Vi skal også tage højde for kommercielle aftaler mellem de virksomheder, der fremsætter forslagene, og producenterne af produkter, så deres er de, der vises i de nævnte forslag.

Teknologisk set brugen af ​​løsninger Store data kræver stor processorkraft.

Derfor vænner de sig til at bruge dedikerede computersystemer, såsom store servere og faciliteter dedikerede firmaer, som specialfirmaer lejer til specifikke studier eller til kunder til brug i hele det år.

Mange gange Store data det kræver håndtering af dataindsamling, der ikke er fuldt struktureret. Derfor kræves der specifikke løsninger til brug i disse typer applikationer.

Det er blevet sagt, at tekniske profiler har specialiseret sig i Store data de vil være i høj efterspørgsel i fremtiden.

Med andre ord, hvis du overvejer at have et job inden for datalogi, skal du tænke seriøst specialiserer sig inden for området Store data, hvor der mangler udbud til at dække efterspørgslen.

Dataindsamling til efterfølgende analyse udføres ikke kun på Internettet og på mennesker, men kan også udføres ved hjælp af IoT-sensorer.

På denne måde kan vi for eksempel analysere chaufførernes adfærdsmønstre, indsamling af data fra parkeringssensorerne for at kende de travleste timer eller køremønstre. bevægelse.

Billeder: Fotolia - lasse / georgejmclittle

Emner i Big Data