Tidskrav för stora data - dummies

En stor uppmärksamhet vid ett stort dataprojekt är den beräknade mängden realtid och icke-realtid som krävs för att genomföra ditt initiativ. Stora uppgifter handlar ofta om att göra saker som inte var möjliga eftersom tekniken inte var tillräckligt avancerad eller kostnaden var otillbörlig. Den stora förändringen som händer med stora data är möjligheten att utnyttja massiva datamängder utan all den komplexa programmering som krävs tidigare.

Många organisationer har en tipppunkt när det gäller att hantera stora volymer av komplexa data. Stora dataanvändningar hjälper till att hålla sakerna i balans så att företagen inte går över kanten, eftersom volymen, variationen och hastigheten på data ändras. Företagen har haft en svår tid att hantera ökade mängder data som behöver hanteras med höga hastigheter.

Organisationerna måste lösa sig för att analysera små delmängder av data som ofta saknade kritisk information för att få en fullständig bild som data kunde avslöja. Eftersom stora datateknologier utvecklas och utvecklas, kommer företagen att lättare kunna analysera data och använda den för att fatta beslut eller vidta åtgärder.

Realtidsaspekterna av stora data kan vara revolutionerande när företag behöver lösa stora problem. Vad är påverkan när en organisation kan hantera data som strömmar i realtid? I allmänhet är denna realtidsinriktning mest relevant när svaret på ett problem är tidskänsligt och affärskritiskt. Detta kan vara relaterat till ett hot mot någonting viktigt som att upptäcka prestanda hos sjukhusutrustning eller förutse en potentiell intrångsrisk.

Följande lista visar exempel på när ett företag vill utnyttja denna realtidsdata för att få en snabb fördel:

• Övervakning för ett undantag med en ny information, som bedrägeri / intelligens

• Övervakning av nyhetsflöden och sociala medier för att avgöra händelser som kan påverka finansiella marknader, till exempel en kundreaktion till ett nytt produktmeddelande

• Ändra din annonsplacering under en stor sportevenemang baserat på realtids Twitter-flöden

• Tillhandahållande av en kupong till en kund baserad på vad han köpte på försäljningsstället

Ibland strömmar data direkt och innehåller inte många olika källor, ibland finns det ett brett utbud och ibland är det en kombination av de två.

Frågan du behöver fråga om du flytta till realtid är detta: Kan detta (problemet) lösas med traditionella informationshanteringsfunktioner eller behöver du nyare möjligheter?Är det stora volymen eller hastigheten som kommer att överväldiga våra system? Ofta är det en kombination av de två.

Så, om du behöver realtidskapacitet, vilka infrastrukturkrav är det för att stödja detta? Följande lista belyser några saker du behöver tänka på när det gäller ett systems förmåga att ta in data, bearbeta det och analysera det i realtid:

• Låg latens: Latency är hur lång tid det går för en tjänst att exekvera i en miljö. Vissa applikationer kräver mindre latens, vilket innebär att de behöver svara i realtid. En realtidsström kommer att kräva låg latens. Så du måste tänka på beräkningskraft samt nätverksbegränsningar.

• Skalbarhet: Skalbarhet är förmågan att bibehålla en viss prestationsnivå även under ökande belastningar.

• Mångsidighet: Systemet måste stödja både strukturerade och ostrukturerade dataströmmar.

• Native format: Använd data i sin ursprungliga form. Transformation tar tid och pengar. Möjligheten att använda idén att hantera komplexa interaktioner i de data som utlöser händelser kan vara transformerande.

Behovet av att kontinuerligt bearbeta ökande mängder av olika data är en av de viktigaste faktorerna som driver antagandet av molntjänster. Molnmodellen är storskalig och distribuerad.