Introdução

Grande nome e grande na natureza, o big data é uma palavra de ordem tecnológica que não vai desaparecer tão cedo. A ABI Research acredita que os gastos em big data globalmente ultrapassaram US $ 31 bilhões (em torno de £ 20,8 bilhões, ou AU $ 40,2 bilhões) em 2013 e chegarão a US $ 114 bilhões (em torno de £ 76,6 bilhões, ou US $ 148 bilhões) em 2018; No entanto, há muitos que ainda estão confusos sobre o que realmente é o Big Data e por que ele pode valer a pena em apenas três anos..

Anterior Página 1 de 6 Próxima Anterior Página 1 de 6 Próxima

1. O que é isso?

Puramente e simplesmente, é um termo usado para descrever os enormes conjuntos de dados que estão sendo produzidos pelos processos digitais e pelas trocas de mídia social que estão aumentando atualmente a cada minuto de cada dia. É uma miscelânea de dados estruturados, semi-estruturados e não estruturados que não podem ser manipulados por bancos de dados ou softwares regulares e, em vez disso, deve ser canalizada através de programas analíticos específicos..

O processamento de big data já é um grande negócio e a falta de habilidades para usar corretamente a análise para decifrar insights acionáveis ​​é algo que ainda é um problema muito real, embora estejamos razoavelmente adiantados quando se trata de entender o que é big data..

Anterior Página 2 de 6 Próxima Anterior Página 2 de 6 Próxima

2. Análise sólida é a chave

Desenhar qualquer tipo de vantagem comercial de big data significa ter uma análise sólida e as habilidades para usá-las. Possuir um modelo de análise bem-sucedido significa que sua empresa poderá encontrar novas correlações para resolver problemas, identificar tendências e, basicamente, ganhar mais dinheiro.

Uma análise sucinta da análise de big data foi dada por Michael Watson, da Supply Chain Quarterly, onde ele escreveu que existem três tipos diferentes de análise: descritiva, preditiva e prescritiva. Descritivo apresenta dados de uma maneira que permite saber o que está acontecendo no lugar onde os dados são extraídos. Preditivo descreve a maneira como você pode coletar dados e fazer previsões melhores usando-os. Enquanto isso, a prescritiva diz respeito ao uso de dados combinados com as previsões subsequentes para tomar medidas que melhorarão os negócios..

Casar tudo isso juntos e fazer as perguntas certas no início de todo o processo analítico é fundamental para garantir que o seu modelo funcione e forneça os resultados desejados..

Anterior Página 3 de 6 Próxima Anterior Página 3 de 6 Próxima

3. Internet of Things contribui muito

Acredite ou não, o Gartner tem um Hype Cycle for Emerging Technologies e, depois de liderar a tabela em 2013, o Big Data escorregou por trás de outro buzzword da tecnologia do momento - a Internet das Coisas. Embora esse seja o caso, o big data tem uma enorme quantidade de benefícios quando se trata da IoT.

A estimativa conservadora da Cisco sobre a IoT menciona que o número de dispositivos conectados chegará a 21 bilhões até 2018 e a má notícia para as empresas despreparadas é que haverá zettabyte sobre zettabyte de dados para controlar. Dar sentido a todos esses dados é algo que ainda está provando ser um enorme desafio, e a lacuna de habilidades, a qual chegaremos no próximo slide, é algo que tem o potencial de fazer ou quebrar o sucesso dos dados extraídos de todos os dados. essas coisas".

Anterior Página 4 de 6 Próxima Anterior Página 4 de 6 Próxima

4. Ainda existe uma grande lacuna de habilidades

Os cientistas de dados têm a tarefa de lidar com os conjuntos de dados oferecidos e produzir percepções deles, e, para quem quer começar uma carreira, as notícias são boas: a lacuna de habilidades para os cientistas de dados é enorme atualmente. Pesquisa do Gartner descobriu que 85% das empresas da lista da Fortune 500 não conseguirão explorar os dados de maneira eficaz em 2015 e decidir como preencher essa lacuna é fundamental para que as empresas percebam os benefícios do Big Data.

A Accenture, por sua vez, realizou um projeto de pesquisa de um ano sobre cientistas de dados e descobriu que os Estados Unidos criarão cerca de 39.000 novos empregos para especialistas analíticos até 2015, mas só poderão atribuir candidatos a 23% desses papéis.

Uma maneira fácil de preencher as lacunas é, obviamente, treinar e promover a partir de dentro, embora isso dependa do treinamento certo estar em vigor, bem como ter as pessoas "certas" dentro da organização em primeiro lugar. O outro caminho é a educação.

Uma dessas instituições de ensino que está tentando ajudar é a Academia Européia de Ciência de Dados, que é uma plataforma online para treinamento de cientistas de dados em toda a Europa. Ele afirma que a demanda por profissionais com habilidades para gerenciar big data crescerá 160% até 2020 e já garantiu um investimento de € 2,9 milhões (€ 2,2 milhões, ou $ 3,25 milhões) da UE para executar uma série de cursos, que em curso no final de 2015. Mais esquemas como este também estão na calha e eles só podem ajudar a resolver o défice.

Anterior Página 5 de 6 Próxima Anterior Página 5 de 6 Próxima

5. Dados ricos podem ser ainda mais importantes

O Dr. Rado Kotorov, diretor de inovação da Information Builders, colocou bem quando descreveu a diferença entre dados grandes e dados ricos como a maneira como o petróleo bruto e refinado diferem. Dados ricos, em termos leigos, é o que sai quando dados de diferentes sistemas são combinados e recebem um contexto para que se torne uma proposta prática para empresas e indivíduos.

Ele soluciona uma das principais reclamações sobre big data, pois os dados não estruturados produzidos não fornecem uma visão detalhada suficiente em comparação com o nível de dados contextualizados que é possível com dados ricos. O fato de que dados ricos precisam de dados grandes para existir significa que os dados grandes nunca desaparecerão, mas, para o nível mais alto de insights e benefícios, os dados ricos devem ser parte da imagem..

Uma das grandes preocupações sobre os dados ricos, no entanto, será que eles são mais detalhados e, como tal, podem representar um risco de privacidade para os consumidores que os big data não estruturados podem não acabar. O que isso pode muito bem apresentar é uma situação em que os consumidores se tornam ainda mais cautelosos com seus dados pessoais e optam por dar menos às empresas que os solicitam, e talvez até usá-los como uma ferramenta de barganha no futuro..

"No futuro, as pessoas podem optar por controlar as informações que estão criando e depois monetizar isso de volta para as empresas - isso pode estar na forma de reduzir as contas ou obter melhor qualidade de serviço de um provedor", admitiu Matt Pfeil, diretor de atendimento ao cliente. no DataStax.

Anterior Página 6 de 6 Próxima Anterior Página 6 de 6 Próxima
Ações