Εκµεταλλευτείτε αποτελεσµατικά τα Big Data

Aπό το netweek.gr Στην εποχή του Internet και των βάσεων δεδομένων οι επιχειρήσεις καλούνται να εκμεταλλευτούν και να διαχειριστούν...

Aπό το netweek.gr

Στην εποχή του Internet και των βάσεων δεδομένων οι επιχειρήσεις καλούνται να εκμεταλλευτούν και να διαχειριστούν τεράστιες ποσότητες πληροφορίας. Αν, θέλουν, να τα εκμεταλλευτούν για την επιχειρηματική τους ανάπτυξη, τότε αναπόφευκτα βρίσκουν μπροστά τους τα Big Data.

Υπάρχουν πολλοί τρόποι για να επωφεληθεί μία επιχείρηση από τα Big Data. Για παράδειγμα, μπορεί να βελτιστοποιήσει τις επιχειρηματικές της διεργασίες μέσω ακριβών αναλύσεων για τη λειτουργία της και το μάρκετινγκ ή να προβεί σε αποτελεσματικές πρακτικές περικοπές εξόδων, μέσω επιτυχημένων προβλέψεων για την αγορά. Οσο πιο καλά μπορεί σήμερα μια εταιρεία να αφομοιώνει και να αξιοποιεί τη διαρκώς αυξανόμενη ποσότητα δεδομένων στις επιχειρηματικές της αναλύσεις, τόσο πιο καλά προετοιμασμένη θα είναι για να αντεπεξέλθει στις προκλήσεις της εποχής.
«Ωκεανοί» δεδομένων
Τα Big Data είναι πραγματικότητα: data centers με πολλά Petabytes, δεδομένα από τα κοινωνικά δίκτυα, εφαρμογές βασισμένες στο cloud, δεδομένα από αισθητήρες και φορητές συσκευές, δεδομένα ηλεκτρονικού εμπορίου και geo data. Για το αν όλοι αυτοί οι ανομοιογενείς «ωκεανοί» δεδομένων δημιουργούν τεράστιες δυνατότητες ή δισεπίλυτα προβλήματα εξαρτάται από τις στρατηγικές λύσεις που ακολουθούνται, από το πώς οι επιχειρήσεις μπορούν να διαχειριστούν αποτελεσματικότερα την τεράστια αύξηση στην ποσότητα, πολυπλοκότητα, ποικιλία και στην ταχύτητα επεξεργασίας των δεδομένων.
Ο τεράστιος όγκος δεδομένων μπορεί να αποτελεί πρόκληση για τη Διεύθυνση Πληροφορικής, αλλά παράλληλα δημιουργεί και προβλήματα. Προβλήματα που οφείλονται στην πληθώρα διαφορετικών πηγών από τις οποίες μπορεί να δημιουργηθεί περιεχόμενο. Μόνο το Web 2.0 - με τη συμμετοχή interactive media όπως είναι τα blogs, τα κοινωνικά δίκτυα και τα forums - γεννά τεράστιες ποσότητες ανακυκλώσιμων πληροφοριών. Αλλά και οι κλασικές σελίδες του Web, όπως και τα portals (π.χ. συνεργατών, διανομέων, δημοσίων αρχών κ.λπ.) συμβάλλουν σε αυτό το χάος δεδομένων. Το αποτέλεσμα είναι πολλές πληροφορίες να παραμένουν ανεκμετάλλευτες. Άλλωστε, εκτός από τις κλασικές βάσεις δεδομένων υπάρχουν και άλλες πηγές (όπως είναι τα έγγραφα, τα emails ή τα αρχεία log) που περιέχουν, ενδεχομένως, σημαντικές πληροφορίες για τη στρατηγική της εταιρείας, πληροφορίες που εν γένει δεν καταγράφονται.
Μόνο όποιος καταφέρει να αλιεύσει και να εκμεταλλευτεί πληροφορίες από τέτοιες πηγές θα μπορεί να κερδίσει ουσιαστικά τη μάχη με τα Big Data.
Για την επιτυχία, λοιπόν, απαιτείται κατά κανόνα η ενσωμάτωση και η επεξεργασία δεδομένων από διαφορετικές πηγές και ανομοιογενή formats. Το ότι αυτό δεν είναι τόσο εύκολο για να γίνει το καταγράφει μια μελέτη του Economist Intelligence Unit (EIU): το ένα τρίτο των ερωτηθέντων απάντησε ότι, ναι μεν η εταιρεία τους συλλέγει δεδομένα, ωστόσο, δεν έχουν αναπτυχθεί οι τυπικές διαδικασίες που απαιτούνται για την αξιοποίηση τους. Ως εκ τούτου αυτές οι επιχειρήσεις δεν είναι σε θέση να παράγουν πληροφορίες από τα Big Data και να τα εκμεταλλευτούν στη συνέχεια για τη λήψη επιχειρηματικών αποφάσεων. Θα βοηθούσε, ωστόσο, ένας περιορισμός των πηγών δεδομένων. Και πως μπορεί να γίνει αυτό;
Θέτοντας στόχους
Κατά κανόνα τα διάφορα projects διαχείρισης δεδομένων εξυπηρετούν την υποστήριξη στρατηγικών διαδικασιών. Για παράδειγμα, οι πολυεθνικές εταιρείες μεταφορών χρησιμοποιούν πληροφορίες των μέσων χρόνων διανομής για τη βελτιστοποίηση των διαδρομών τους. Οι έμποροι λιανικής χρησιμοποιούν στρατηγικές βάσεων δεδομένων ώστε να αυξήσουν τον αριθμό επισκέψεων ανά πελάτη ή το τζίρο τους ανά πελάτη. Οι χρηματιστές κάνουν προβλέψεις βασιζόμενοι σε τάσεις της αγοράς, ώστε να πουλούν και να αγοράζουν την κατάλληλη στιγμή. Σε σχέση με όλα τα προηγούμενα παράδειγμα, τα Big Data projects χρησιμοποιούν ένα μεγαλύτερο εύρος πηγών, αν και η βασική αρχή παραμένει η ίδια. Και στα Bid Data ο στόχος είναι η εκμετάλλευσή τους για τη χάραξη της επιχειρηματικής πολιτικής. To καίριο ερώτημα είναι, ποιες πληροφορίες απαιτούνται και ποιος θα τις χρησιμοποιήσει και για ποιο σκοπό. Αυτό, ωστόσο, μπορεί να αποφασιστεί μόνο όταν καθοριστεί ο στόχος. Για παράδειγμα, στόχος είναι να αποκτήσει μια εταιρεία ανταγωνιστικά πλεονεκτήματα έναντι των ανταγωνιστών της; Η μήπως να βελτιστοποιηθεί η εφοδιαστική αλυσίδα για μεγαλύτερες πωλήσεις; Ή, τέλος, το ζητούμενο είναι η αύξηση της απόδοσης με τη βοήθεια προγνώσεων και αναλύσεως τάσεων; Ανάλογα με το στόχο που έχει τεθεί θα πρέπει να γίνει διαφορετική ανάλυση των δεδομένων.
Περισσότερος έλεγχος
Ακόμα και όταν οι στόχοι έχουν καθοριστεί, πάλι οι διαθέσιμες πηγές δεδομένων προς αξιοποίηση μπορεί να είναι πολλές. Για μια ελεγχόμενη και συστηματική εκτέλεση ενός Big Data project είναι καλό, αρχικά να εκτιμηθούν μόνο οι πιο σημαντικοί δείκτες. Πρέπει, λοιπόν, να υπάρχει μια εστίαση στις πληροφορίες εκείνες που έχουν τη μεγαλύτερη αξία για τις αναλύσεις - ανεξάρτητα με το αν πρόκειται για εσωτερικές ή εξωτερικές πηγές. Αυτό που επηρεάζει κυρίως την άντληση των σχετικών πληροφοριών από μια ροή δεδομένων δεν είναι η ποσότητα, αλλά η ποιότητα των δεδομένων. Μόλις καθοριστούν οι πηγές δεδομένων, μένει να απαντηθεί το ερώτημα σχετικά με τον καλύτερο τρόπο πρόσβασης σε αυτά.
Η μεγαλύτερη πρόκληση εδώ είναι η ενσωμάτωση διαφορετικών πηγών δεδομένων, με διαφορετικά formats, θύρες και περιορισμούς πρόσβασης. Ενας επιπλέον παράγοντας είναι, συχνά, η μεγάλη δυναμική του περιεχομένου. Αν πρόκειται, δηλαδή, για online forums ή εσωτερικές βάσεις δεδομένων. Σε πολλά συστήματα εισάγονται συνεχώς νέα δεδομένα, με αποτέλεσμα να επηρεάζονται οι επιχειρηματικές αναλύσεις. Για την ενσωμάτωση τέτοιας δυναμικής φύσης δεδομένων χρησιμοποιούνται κατά κανόνα λύσεις πραγματικού χρόνου - ένα σύστημα, δηλαδή, το οποίο θα πρέπει να διαθέτει αρκετή ευελιξία, ώστε να αποκτά πρόσβαση σε διαφορετικές πηγές και format δεδομένων και να αξιοποιεί πιο γρήγορα τα συνεχώς λαμβανόμενα δεδομένα. Απαραίτητη προϋπόθεση για μια επιτυχημένη αξιοποίηση των Big Data είναι ένα σύστημα το οποίο δεν θα περιορίζεται στην ανάλυση δεδομένων σε πραγματικό χρόνο, αλλά θα είναι ισχυρά επεκτάσιμο, ενώ θα μπορεί να συνδεθεί εύκολα με πρόσθετες πηγές δεδομένων.
Επτά βήματα για μια επιτυχημένη ανάλυση
Αναμφίβολα, τα Big Data φοβίζουν πολλές Διευθύνσεις Πληροφορικής. Η συσσώρευση όλο και μεγαλύτερης ποσότητας δεδομένων δημιουργεί ανησυχίες για το πόσο ο υπάρχον τεχνολογικός εξοπλισμός επαρκεί για την εκμετάλλευσή τους. Στην πραγματικότητα, ωστόσο, τα πράγματα με τα Big Data δεν είναι τόσο τρομακτικά όσο φαίνεται. Μπορεί ο όγκος δεδομένων, σύμφωνα με τους αναλυτές της IDC, να αυξηθεί έως και κατά 35 φορές μέχρι το 2020 για τις περισσότερες επιχειρήσεις, αυτό, ωστόσο, δεν είναι κάτι το φοβερό. Αλλωστε, πάντα η Διεύθυνση Πληροφορικής βρίσκει τρόπο αξιοποίησης και ελέγχου των δεδομένων, ανεξάρτητα του όγκου τους.
Τα ακόλουθα επτά βήματα που ακολουθούν μπορούν να βοηθήσουν σημαντικά σε αυτό:
1. Ξεσκαρτάρισμα δεδομένων
Οι εταιρείες πρέπει να εξασφαλίσουν ότι όλα τα δεδομένα στα συστήματα τους είναι ενημερωμένα και σωστά πριν τα διοχετεύσουν στα συστήματα ανάλυσής τους. Οι εταιρείες που δεν το κάνουν αυτό εξ αρχής, έρχονται αργότερα αντιμέτωπες με μεγαλύτερα κόστη (σε χρόνο και χρήμα).
2.Εκπαίδευση εργαζομένων
Δεν αρκεί για μια εταιρεία να χρησιμοποιεί πανίσχυρα συστήματα ανάλυσης δεδομένων, αν οι εργαζόμενοι της δεν μπορούν να τα αξιοποιήσουν. Η συνεχιζόμενη πιστοποίηση των εργαζομένων αποτελεί το κλειδί για υψηλότερες αποδόσεις και βελτίωση στην ποιότητα εργασίας τους. Είναι σημαντικό να καταλάβουν, ώστε να εισάγουν εξαρχής σωστά τα δεδομένα.
3. Γρήγορη εισαγωγή συστήματος: Kατά την επιλογή ενός νέου συστήματος είναι καλό αυτό να ενσωματωθεί γρήγορα και στη συνέχεια να γίνουν οι απαιτούμενες τροποποιήσεις. Οι τρέχουσας απαιτήσεις μεταβάλλονται παράλληλα με την ανάπτυξη μιας εταιρείας, γι’ αυτό δεν πρέπει να σπαταλιέται πολύς χρόνος για την προετοιμασία ενός νέου συστήματος.
4. Ενιαία δομή
Κατά την κατασκευή ενός data warehouse είναι λογικό να κοιτάξει κανείς εξαρχής για μια ενιαία δομή. Το Data Warehouse παίζει το ρόλο μίας φυσικής βάσης δεδομένων για τη φιλοξενία των δεδομένων που θα χρησιμοποιηθούν για αναλύσεις. Ετσι, μια γενικευμένη δομή στο Data Warehouse αποθηκεύει τα δεδομένα, που προέρχονται από διαφορετικές πηγές και τα οποία είναι με διαφορετικό τρόπο δομημένα, σε μια ενιαία μορφή. Αν δεν ληφθεί αυτή η μέριμνα, τότε, αργά ή γρήγορα, η επιχειρηματική στρατηγική που ακολουθείται για την αξιολόγηση των δεδομένων μπορεί να καταλήξει σε αδιέξοδο.
5. Γρήγορο ROI
To ROI ενός project ανάλυσης δεδομένων πρέπει να καθορίζεται από την έναρξη του. Τα αναμενόμενα πλεονεκτήματα του project πρέπει να διατυπώνονται με σαφήνεια και να συγκρίνονται με την πραγματικότητα. Ετσι, είναι καλό να ελέγχει κανείς κάθε τρεις με έξι μήνες, αν το project φέρνει στην πράξη τα οφέλη που περιμένει από αυτό.
6. Επικέντρωση στους επιχειρηματικούς στόχους
Για να υπάρχει επικέντρωση των δραστηριοτήτων σε συγκεκριμένους επιχειρηματικούς στόχους μια εταιρεία χρειάζεται μια σταθερή εσωτερική τάξη. Αυτό ισχύει και για τα μεμονωμένα projects. Για να επιτευχθούν οι στόχοι, απαιτείται ένας στρατηγικός σχεδιασμός, διότι μόνο αυτός εγγυάται μια μακροπρόθεσμη επιτυχία. Οπως και με το ROI, θα πρέπει σε τακτά χρονικά διαστήματα να ελέγχεται η επίτευξη ή όχι των επιχειρηματικών στόχων, ώστε να εντοπιστούν έγκαιρα τα όποια προβλήματα ή δυσκολίες, για να προσαρμοστεί σχετικά ο στρατηγικός σχεδιασμός.
7. Εξέταση των συνθηκών
Πριν γίνει η επιλογή ενός λογισμικού ανάλυσης δεδομένων, είναι σημαντικό για μια εταιρεία να εξετάσει ότι όντως αυτή είναι η λύση ανάλυσης που χρειάζεται. Γι’ αυτό θα πρέπει κανείς να ξέρει επακριβώς τι νούμερα και τι πράγματα θα αναλυθούν και που βρίσκονται αυτά.